پیوند ها
آمار بازدید سایت
رویکرد مدل mapredue در پردازش داده های عظیم (Big Data) در اکوسیستم Hadoop-Mahout
فرمت فایل: pptx
تعداد اسلاید ها: 29
بخشی از متن:
مفهوم کلان داده (BigData)
به طور عمده برای توصیف مجموعه داده های بسیار حجیم اتلاق می شود که توسط نرم افزارها، سخت افزارها و ابزارهای معمول حوزه فناوری اطلاعات قابل پردازش، مدیریت، اشتراک گذاری، جستجو، ذخیره، تجزیه و تحلیل، تجسم و درک نیست.
Big data با سه بعد توصیف می شود.
● داده ها بیشمار است.
● داده ها را نمی توان به پایگاه داده هاي ارتباطی منظم دسته بندی کرد.
● داده ها به سرعت ایجاد، جذب و پردازش می شود.
در سال 2001 ، تحلیلگر صنعت، داگ لنی، Big Data را به صورت سه V تعریف کرد:
حجم( Volume)
سرعت (Velocity)
تنوع (Variety)
مشکلات و چالش های حوزه کلان:
مشکلات ذخیره سازی و جابجایی
مشکلات مدیریتی
مشکلات پردازشی
فهرست مطالب:
عنوان
مقدمه
Big Data چیست؟
Big Data با سه بعد توصیف می شود
در سال 2001 ، تحلیلگر صنعت، داگ لنی، Big Data را به صورت سه V تعریف کرد:
مشکلات و چالش های حوزه کلان:
مدل ها و چارچوب های استفاده شده در این پژوهش:
الگوریتم-k-means
چالشهای الگوریتم -K-means
الگوریتم Fuzzy K-means
الگوریتم Entropy Weighting K-means(EWKM) برای داده های ابعاد بالا
مدل برنامه نویسی MapReduce
Apache Hadoo
سیستم فایل توزیع شده HDFS
HAMA
ویژگی های برجسته حما
Apache Mahout
مدل داده ای Mahout
نمایش برداری مدل داده ای Mahout
محاسبه شباهت و کلاس های فاصله در Mahout
اجرای - EWKM مبتنی بر MapReduce ، MR-EWKM ، روی مجموعه داده Reuters در Hadoop/Mahout
نتایج اجرای - EWKM مبتنی بر MapReduce ، MR-EWKM ،روی مجموعه داده Reuters در Hadoop/Mahout:
مدل سازی و پیاده سازی الگوریتمk-means مبتنی بر مدلMapReduce در:Hadoop/Mahout
پیاده سازی الگوریتم Fuzzy k-means مبتنی برMapReduce در: Hadoop/Mahout
ارزیابی عملکرد KM و Fuzzy KM مبتنی بر MapReduce در :Hadoop/Mahout
ارزیابی عملکردEWKM مبتنی بر MapReduce در Hadoop/Mahout
نتیجه گیری
فهرست منابع
پایان
فروشگاه آنلاین محصولات دانلودی
پشتیبانی خرید: 09337266852
مبلغ قابل پرداخت 8,000 تومان
برچسب های مهم