گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” مقایسه روش توزیعی و نگاشت-کاهش و استخراج کلان داده با محاسبات موازی ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
استخراج کلان داده ها با رایانش موازی: مقایسه روش های توزیعی و MapReduce (نگاشت-کاهش) |
| عنوان انگلیسی مقاله: |
Big Data Mining with Parallel Computing: A Comparison of Distributed and MapReduce Methodologies |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 2015 |
| تعداد صفحات مقاله انگلیسی | 29 صفحه با فرمت pdf |
| 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 |
| شناسه شاپا یا ISSN | ISSN 2016.09.007 |
| رفرنس | دارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
| نشریه | الزویر – Elsevier |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 24 صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است |
| ترجمه متون داخل تصاویر | ترجمه نشده است |
| ترجمه متون داخل جداول | ترجمه نشده است |
| ترجمه ضمیمه | ترجمه شده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج جداول در فایل ترجمه | درج شده است |
| درج فرمولها و محاسبات در فایل ترجمه به صورت عکس | درج شده است |
- فهرست مطالب:
چکیده
مقدمه
ادبیات پیشینه
داده کاوی توزیعی
داده کاوی مبتنی بر نگاشت کاهش
روند استخراج داده های بزرگ
روند استخراج داده های بزرگ توزیعی
روند استخراج داده های بزرگ مبتنی بر نگاشت کاهش
آزمایشات
راه اندازی آزمایشی
نتایج آزمایشی بر دو مجموعه داده های طبقه بندی دو طبقه ای
نتایج بر مجموعه داده های سرطان سینه
نتایج در مجموعه داده های برابری پروتئین
نتایج آزمایشی بر مجموعه داده های طبقه بندی چند طبقه ای
نتایج بر مجموعه داده های Covertype
نتایج برای مجموعه داده ها فعالیت انسان
مقایسه های دیگر
نتیجه گیری
- بخشی از ترجمه:
5. نتیجه گیری
استخراج داده های بزرگ می تواند به طور موثر و کارآمد در محیط رایانش موازی مقابله شود. به طور کلی، دو روش متفاوت می تواند به کار گرفته شود. مورد نخست بر مبنای روند توزیعی است که بر اصل موازی سازی داده ها متمرکز است که به صورت دستی یک مجموعه داده ی مقیاس بزرگ را به تعدادی زیرمجموعه تقسیم می کند، که هر یک از آن ها توسط یک مدل یادگیری خاص که بر ماشین منفرد پیاده می شود، کنترل می گردد. نتیجه نهایی توسط ترکیب خروجی تولید شده توسط مدل های یادگیری بدست می آید. مورد دوم بر مبنای روند نگاشت کاهش است که بر مبنای فرایند نگاشت و کاهش می باشد که تعداد نگاشت ها می تواند توسط کاربر تعریف شده باشد اما توسط یک مستر برای مدیریت خودکار کارایی ومصرف منابع محاسبه برای خوشه کامپیوتر کنترل می شوند. سپس، تابع کاهش یافته خروجی های نگاشت ها را برای نتایج نهایی ترکیب می کند.
- بخشی از مقاله انگلیسی:
5. Conclusion
Big data mining can be tackled efficiently under a parallel computing environment. In general, two different methodologies can be employed. The first one is based on the distributed procedure, which focuses on the data parallelism principle to manually divide a given large scale dataset into a number of subsets, each of which is handled by one specific learning model implemented on one single machine. The final result is obtained by combining the outputs generated by the learning models. The second is the MapReduce based procedure, which is based on the map and reduce process where the number of maps can be user-defined, but are all controlled by a master to automatically manage the utility and consumption of computing resources for a computer cluster. Then, the reduce function combines the outputs of the maps for the final result.
|
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
|
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
مقایسه روش های توزیعی و نگاشت-کاهش و استخراج کلان داده با محاسبات موازی |
| عنوان انگلیسی مقاله: |
Big Data Mining with Parallel Computing: A Comparison of Distributed and MapReduce Methodologies |
|
|