دانلود ترجمه مقاله استفاده از رایانش موازی در استخراج کلان داده ها
ترجمه فارسی مقاله استخراج کلان داده ها با رایانش موازی
.
| دانلود مقاله انگلیسی با ترجمه فارسی : |
| دانلود رایگان مقاله انگلیسی Big Data Mining with Parallel Computing |
|
خرید ترجمه فارسی مقاله استخراج کلان داده ها با رایانش موازی
|
.
| بخشی از ترجمه فارسی مقاله : استخراج کلان داده ها با رایانش موازی |
| استخراج با داده های بزرگ یا استخراج داده های عظیم به حوزه ی تحقیقاتی فعالی تبدیل شده است. استفاده از روش های رایج و ابزار نرم افزار داده کاوی برای اینکه یک کامپیوتر شخصی بتواند به طور موثر با پایگاه داده های بسیار بزرگ سر و کار داشته باشد، بسیار دشوار است. سکوهای رایانش موازی و ابری به عنوان راه حل بهتری برای استخراج داده های عظیم در نظر گرفته می شوند. مفهوم رایانش موازی بر مبنای تقسیم کردن یک مشکل بزرگ به قسمت های کوچک است و هر یک از این قسمت ها توسط یک پردازنده به طور مجزا انجام می شود. بعلاوه، این فرایندها به طور همزمان در روشی توزیعی و موازی انجام می شوند. دو روش رایج برای حل کردن این مشکل داده های بزرگ وجود دارد. مورد نخست رویه ی توزیعی بر مبنای الگوی موازی سازی داده هاست که یک مجموعه داده بزرگ می تواند به صورت دستی به n زیرمجموعه تقسیم شود و n الگوریتم برای هر n زیرمجموعه اجرا می گردد.
نتیجه نهایی می تواند از ترکیبی از خروجی های تولید شده توسط n الگوریتم بدست آید. مورد دوم روند مبتنی بر نگاشت کاهش (MapReduce) در سکوی رایانش ابری است. این روند از فرایندهای نگاشت و کاهش تشکل شده است که مورد قبلی فیلتر کردن و طبقه بندی را انجام می دهد و مورد بعدی عملیات خلاصه را به منظور ایجاد نتیجه نهایی اجرا می کند. در این مقاله، هدف ما مقایسه ی تفاوت های عملکردی بین روش های توزیعی و نگاشت کاهش در پایگاه داده هایی با مقیاس بزرگ در قالب دقت و کارایی است. آزمایشات بر مبنای چهار پایگاه داده با مقیاس بزرگ است که برای مشکلات طبقه بندی داده ها مورد استفاده قرار می گیرند. نتایج حاکی از آن است که عملکردهای طبقه بندی روند مبتنی بر نگاشت کاهش بسیار پایدار هستند و مهم نیست که چند گره کامپیوتر مورد استفاده قرار می گیرد، و بهتر از ماشین منفرد خط مبنا و روندهای توزیعی جز برای پایگاه داده های عدم تعادل طبقه عمل می کند. بعلاوه، روند نگاشت کاهش نیازمند حداقل هزینه محاسباتی برای پردازش مجموعه داده های بزرگ است. |
.
|
بخشی از مقاله انگلیسی : |
Big Data Mining with Parallel Computing |
| Mining with big data or big data mining has become an active research area. It is very difficult using current methodologies and data mining software tools for a single personal computer to efficiently deal with very large datasets. The parallel and cloud computing platforms are considered a better solution for big data mining. The concept of parallel computing is based on dividing a large problem into smaller ones and each of them is carried out by one single processor individually. In addition, these processes are performed concurrently in a distributed and parallel manner. There are two common methodologies used to tackle the big data problem. The first one is the distributed procedure based on the data parallelism paradigm, where a given big dataset can be manually divided into n subsets, and n algorithms are respectively executed for the corresponding n subsets.
The final result can be obtained from a combination of the outputs produced by the n algorithms. The second one is the MapReduce based procedure under the cloud computing platform. This procedure is composed of the map and reduce processes, in which the former performs filtering and sorting and the later performs a summary operation in order to produce the final result. In this paper, we aim to compare the performance differences between the distributed and MapReduce methodologies over large scale datasets in terms of mining accuracy and efficiency. The experiments are based on four large scale datasets, which are used for the data classification problems. The results show that the classification performances of the MapReduce based procedure are very stable no matter how many computer nodes are used, better than the baseline single machine and distributed procedures except for the class imbalance dataset. In addition, the MapReduce procedure requires the least computational cost to process these big datasets. |
|
.
| مشخصات مقاله : | |
| عنوان فارسی: استخراج کلان داده ها با رایانش موازی: مقایسه روش های توزیعی و MapReduce (نگاشت-کاهش) |
|
| عنوان انگلیسی: Big Data Mining with Parallel Computing: A Comparison of Distributed and MapReduce Methodologies |
|
| تعداد صفحات مقاله انگلیسی : 29 | تعداد صفحات ترجمه فارسی : 24 |
| سال انتشار : 2015 |
نشریه: الزویر – Elsevier |
| فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
| کد محصول : 7442 |
رفرنس : دارد |
| محتوای فایل : zip | حجم فایل : 1.96Mb |
| رشته های مرتبط با این مقاله: مهندسی کامپیوتر | |
| گرایش های مرتبط با این مقاله: معماری سیستم های کامپیوتری ، مهندسی نرم افزار و رایانش ابری |
|
| مجله: مجله سیستم ها و نرم افزار – Journal of Systems and Software |
|
| دانشگاه: گروه مدیریت اطلاعات، دانشگاه مرکزی، تایوان |
|
| کلمات کلیدی: داده های بزرگ، داده کاوی، رایانش موازی، توزیعی، رایانش ابری، نگاشت کاهش |
|
| وضعیت ترجمه عناوین تصاویر و جداول : ترجمه شده است | |
| وضعیت ترجمه متون داخل تصاویر و جداول : ترجمه نشده است | |
| دانلود مقاله انگلیسی با ترجمه فارسی : |
| دانلود رایگان مقاله انگلیسی Big Data Mining with Parallel Computing |
|
خرید ترجمه فارسی مقاله استخراج کلان داده ها با رایانش موازی
|
| مطالب مرتبط: |
|
دانلود مقالات کامپیوتر با ترجمه فارسی دانلود رایگان مقاله انگلیسی با ترجمه فارسی |
.
| پشتیبانی : | |
| شما پس از انتخاب دکمه خرید در سایت کالج پروژه به سایت ایران عرضه جهت انجام مراحل خرید هدایت خواهید شد. | |
| – تلفن ثابت: ۰۴۱۴۲۲۷۳۷۸۱ – ساعات تماس: ۷ صبح الی ۱۸ عصر – آدرس ایمیل: iranarze.supt@gmail.com – تلگرام ایران عرضه: ۰۹۲۱۶۴۲۶۳۸۴ – پیامک: ۰۹۲۱۶۴۲۶۳۸۴ – آدرس: آذربایجان شرقی، مرند، خیابان کشاورزی، کوچه امین، پلاک ۳۰ – کد پستی: ۵۴۱۶۸۵۵۱۸۳ |
|
.
.
