Akceleracja procesu treningu alg. SVM dla dużych i rzadkich zbiorów danych

Praca skupia się na przyspieszeniu procesu treningu algorytmu SVM dla dużych zbiorów danych (>100k instancji). Poruszany problem rozwiązywany jest przy pomocy znanych algorytmów z teorii optymalizacji w rozwiązywaniu zadania optymalizacji kwadratowej pojawiającego się przy treningu SVM (zarówno w formie pierwotnej jak i dualnej). Zostaną zaprezentowane także własne wyniki na podstawie opracowanych zrównoleglonych wersji powyższych algorytmów oraz implementacji ich na procesorach graficznych (GPU).