No abstract

Matrix-Matrix Multiplication (MMM) is a highly important kernel in linear algebra algorithms and the performance of its implementations depends on the memory utilization and data locality. There are MMM algorithms, such as standard, Strassen-Winograd variant, and many recursive array layouts, such as Z-Morton or U-Morton. However, their data locality is lower than that of the proposed methodology. Moreover, several SOA (state of the art) self-tuning libraries exist, such as ATLAS for MMM algorithm, which tests many MMM implementations. During the installation of ATLAS, on the one hand an extremely complex empirical tuning step is required, and on the other hand a large number of compiler options are used, both of which are not included in the scope of this paper. In this paper, a new methodology using the standard MMM algorithm is presented, achieving improved performance by focusing on data locality (both temporal and spatial). This methodology finds the scheduling which conforms with the optimum memory management. Compared with (Chatterjee et al. in IEEE Trans. Parallel Distrib. Syst. 13:1105; Li and Garzaran in Proc. of Lang. Compil. Parallel Comput., 2005; Bilmes et al. in Proc. of the 11th ACM Int. Conf. Super-comput., 1997; Aberdeen and Baxter in Concurr. Comput. Pract. Exp. 13:103, 2001), the proposed methodology has two major advantages. Firstly, the scheduling used for the tile level is different from the element level's one, having better data locality, suited to the sizes of memory hierarchy. Secondly, its exploration time is short, because it searches only for the number of the level of tiling used, and between (1, 2) (Sect. 4) for finding the best tile size for each cache level. A software tool (C-code) implementing the above methodology was developed, having the hardware model and the matrix sizes as input. This methodology has better N. Alachiotis · V.I. Kelefouras ( ) · G.A data locality methodology for matrix-matrix multiplication algorithm 831 performance against others at a wide range of architectures. Compared with the best existing related work, which we implemented, better performance up to 55% than the Standard MMM algorithm and up to 35% than Strassen's is observed, both under recursive data array layouts.

Παρουσιάζεται μια μελέτη στη χρήση των πόρων του Moodle και την προσοχή από τους συμμετέχοντες σε αυτούς τους πόρους κατά τη διάρκεια του μαθήματος. Επίσης γίνεται εκμετάλλευση αυτής της ευκαιρίας ώστε να καταγραφεί αυτή η προσοχή. Έχουν χρησιμοποιηθεί οι συγκεντρωτικοί πίνακες ως εργαλείο στο Microsoft Excel έτσι ώστε να παραχθούν και να απεικονιστούν γραφικά τα αποτελέσματα. Τα πεδία που επεξεργάζονται είναι τα: Quizzes , Assignments και Forums κατά τη διάρκεια ενός μαθήματος μικτής μάθησης διάρκειας ενός κύκλου, με αντικείμενο το προγραμματισμό σε Scratch. Τα δεδομένα έχουν εξαχθεί από τα log files της βάσης δεδομένων του Moodle. Η απόδοση των συμμετεχόντων παριστάνεται και η συμμετοχή τους στους πόρους απεικονίζεται γραφικά. Επίσης αναλύεται ποιοι πόροι από τους παραπάνω προσπελαύνονται ταυτόχρονα. Τα αποτελέσματα μπορούν να χρησιμοποιηθούν για την πρόβλεψη της απόδοσης των συμμετεχόντων και για μια καλύτερη οργάνωση του μαθήματος και του εκπαιδευτικού υλικού. Οι διδάσκοντες μπορούν να παρεμβαίνουν αποτελεσματικά κατά τη διάρκεια της μαθησιακής διαδικασίας. Το μάθημα απευθύνεται σε καθηγητές στην πρωτοβάθμια και στην δευτεροβάθμια εκπαίδευση.

No abstract

Educational Data Mining has turned into an effective technique for revealing relationships hidden in educational data and predicting students’ learning outcomes. One can analyze data extracted from the students’ activity, educational and social behavior, and academic background. The outcomes which are produced are, the following: A personalized learning procedure, a feasible engagement with students’ behavior, a predictable interaction of the students with the learning processes and data. In the current work, we apply several supervised methods aiming at predicting the students’ academic performance. We prove that the use of the default parameters of learning algorithms on a voting generalization procedure of the three most accurate classifiers, can produce better results than any single tuned learning algorithm.