Στη σημερινή εποχή, οι εφαρμογές της Τεχνητής Νοημοσύνης σε διάφορους
επιστημονικούς τομείς βρίσκουν όλο και περισσότερο έδαφος για εφαρμογή τους. Ο
λόγος για αυτό το φαινόμενο οφείλεται στην ωρίμανση των μεθόδων της τεχνητής
νοημοσύνης, αλλά και στον αυξανόμενο όγκο δεδομένων. Στη παρούσα εργασία, θα
ασχοληθούμε με μία κατηγορία αλγορίθμων του τομέα της Τεχνητής Νοημοσύνης, ο
οποίος είναι οι Γενετικοί Αλγόριθμοι σε Δέντρα Αποφάσεων (GATree), έναν
αλγόριθμο ο οποίος βρίσκει ακριβή και μικρά δέντρα αποφάσεων με μία μέθοδο που
βασίζεται στη θεωρία της εξέλιξης.
Βασικός στόχος της εργασίας είναι η εκτέλεση αυτής της μεθόδου πιο γρήγορα από
μία απλή σειριακή εκτέλεση των διαφόρων μερών του αλγορίθμου,
εισάγωντας
παραλληλοποίηση με χρήση κάρτας γραφικών και αξιοποιώντας τη βιβλιοθήκη
Tensorflow. Θα δείξουμε ότι αυτή η μέθοδος είναι πολλά υποσχόμενη, καθώς
βλέπουμε ότι η ταχύτητα εκτέλεσης των αλγορίθμων αυξάνεται και το γεγονός αυτό
δίνει τη δυνατότητα για την εκπαίδευση μεγαλύτερων πληθυσμών δέντρων, καθώς
και σε περισσότερα δέντρα αποφάσεων.

Today, various applications involving Artificial Intelligence are usually considered the
state-of-the-art approach in solving problems. The reason for this phenomenon is due
to the maturation of AI methods and the increasing amount of data. In this paper, we
will deal with a class of algorithms in the field of AI, which is Genetic Algorithms on
Decision Trees (GATree), an algorithm that finds accurate and small decision trees
using a method based on the theory of evolution.
The main goal of this work is to make the execution faster than the serial execution of
the code by incorporating parallelism with a GPU and using Tensorflow library. We
will show that this method is promising, as we see that the execution speed of the
algorithms increases and this fact enables the training of larger tree populations, as
well as more decision trees.