CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

خوشه بندی Bisect k-means توزیع شده جهت کاوش بزرگ داده

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۱ | تعداد نمایش خلاصه: ۲۲۲ | نظرات: ۰
سال انتشار: ۱۳۹۴
کد COI مقاله: IKMC07_510
زبان مقاله: فارسی
حجم فایل: ۴۸۶.۰۱ کیلوبایت (فایل این مقاله در ۱۱ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۱ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله خوشه بندی Bisect k-means توزیع شده جهت کاوش بزرگ داده

  میررضا میرمعروف زیبنده - دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران
  مسعود ساغرچیان - دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران
  ریحانه عبدالعظیمی - دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران
    حسن نادری - دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران

چکیده مقاله:

بزرگ داده به داده هایی اطلاق می شود که به علت زیاد بودن مقدار آنها، نتوان با استفاده از روش های سنتی تجزیه و تحلیل و پردازش شوند. با توجه به خواص بزرگ داده، همانند حجم، سرعت انتشار، تنوع، مقدار و پیچیدگی بایستی روشی جهت تجزیه و تحلیل و پردازش انتخاب شود که هم از نظر سرعت و هم از نظر دقت بهینه باشد. همچنین باید بستری انتخاب گردد که قابلیت پردازش حجم زیادی از داده ها به صورت مناسب را داشته باشد که مناسب ترین بستر جهت پردازش بزرگ داده، بستر توزیع شده است. یکی از روش های کاوش، استخراج دانش وتجزیه و تحلیل از بزرگ داده، روش خوشه بندی می باشد. در این مقاله خوشه بندیBisect k-means جهت پردازش حجم زیادی از داده ها با استفاده از مدل برنامه نویسی توزیع شدهMapReduce توسعه داده شده است. ارزیابی روش پیشنهادی بروی مجموعه داده های واقعی نشان داد که روش ارائه شده دارای سرعت مناسب و دقت قابل قبول در مواجهه با حجم زیادی از داده ها می باشد. به علاوه نتایج حاکی از آن است که روش پیشنهادی قادر است که به صورت متوازن پردازش را توزیع کند.

کلیدواژه‌ها:

خوشه بندی ، MapReduce ،Bisect k-means ، سیستم پردازش توزیعی، بزرگ داده

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-IKMC07-IKMC07_510.html
کد COI مقاله: IKMC07_510

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
میرمعروف زیبنده, میررضا؛ مسعود ساغرچیان؛ ریحانه عبدالعظیمی و حسن نادری، ۱۳۹۴، خوشه بندی Bisect k-means توزیع شده جهت کاوش بزرگ داده، هفتمین کنفرانس ملی و اولین کنفرانس بین المللی مدیریت دانش، تهران، موسسه اطلاع رسانی نفت، گاز و پتروشیمی، https://www.civilica.com/Paper-IKMC07-IKMC07_510.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (میرمعروف زیبنده, میررضا؛ مسعود ساغرچیان؛ ریحانه عبدالعظیمی و حسن نادری، ۱۳۹۴)
برای بار دوم به بعد: (میرمعروف زیبنده؛ ساغرچیان؛ عبدالعظیمی و نادری، ۱۳۹۴)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • _ Kaisler, F. Armour, J. A. Espinosa, and W. Money, ...
  • T. C. Havens, J. C. Bezdek, and M. Palaniswami, "Scalable ...
  • YouTube. (2014). Available: bttp _ be.com _ ress_statistics. html [4] ...
  • T. Kwok, K. Smith, S. Lozano, and D. Taniar, "Parallel ...
  • J. Han, M. Kamber, and J. Pei, _ Mining: concepts ...
  • A. Rajaraman and J. D. Ullman, Mining of Massive Dotasets: ...
  • Dean and 5 Ghemawat, "MapReduce: simplified data processing on large ...
  • M. Steinbach, G. Karypis, and V. Kumar, "A comparison of ...
  • Review", in co mputational Science _ /ts App lico tions-CCSA ...
  • A .Rajaraman and J. D. Ullman, Mining of massive datasets: ...
  • A. S. Shirkhorshidi, _ Aghabozorgi, T. Y. Wah, and T. ...
  • Ha msha hri_Collection. (2014). Available: http ://ece. ut.ac.r/d brg/hamsha hri/index.html ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۱۹۹۹۶
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.