دانلود مقاله و خرید ترجمه:MapReduce: تجزیه و تحلیل داده ساده شده حاصل از داده های بزرگ
بلافاصله پس از پرداخت دانلود کنید

کارابرن عزیز، مقالات سایت ( همگی جزو مقالات isi می باشند) بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (حتی محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi مانند IEEE، Sciencedirect، Springer، Emerald و ... انتخاب گردیده اند.

ورود اعضا
توجه توجه توجه !!!!
نرم افزار winrar
پیشنهادات ویژه
پیوندهای کاربردی
پیوندهای مرتبط
مقالات ترجمه شده داده های بزرگ
  • MapReduce: تجزیه و تحلیل داده ساده شده حاصل از داده های بزرگ

    سال انتشار:

    2015


    ترجمه فارسی عنوان مقاله:

    MapReduce: تجزیه و تحلیل داده ساده شده حاصل از داده های بزرگ


    عنوان انگلیسی مقاله:

    MapReduce: Simplified Data Analysis of Big Data


    منبع:

    Sciencedirect - Elsevier - Procedia Computer Science 57 ( 2015 ) 563 – 571


    نویسنده:

    Seema Maitrey, C.K. Jha


    چکیده انگلیسی:

    With the development of computer technology, there is a tremendous increase in the growth of data. Scientists are overwhelmed with this increasing amount of data processing needs which is getting arisen from every science field. A big problem has been encountered in various fields for making the full use of these large scale data which support decision making. Data mining is the technique that can discovers new patterns from large data sets. For many years it has been studied in all kinds of application area and thus many data mining methods have been developed and applied to practice. But there was a tremendous increase in the amount of data, their computation and analyses in recent years. In such situation most classical data mining methods became out of reach in practice to handle such big data. Efficient parallel/concurrent algorithms and implementation techniques are the key to meeting the scalability and performance requirements entailed in such large scale data mining analyses. Number of parallel algorithms has been implemented by making the use of different parallelization techniques which can be listed as: threads, MPI, MapReduce, and mash-up or workflow technologies that yields different performance and usability characteristics. MPI model is found to be efficient in computing the rigorous problems, especially in simulation. But it is not easy to be used in real. MapReduce is developed from the data analysis model of the information retrieval field and is a cloud technology. Till now, several MapReduce architectures has been developed for handling the big data. The most famous is the Google. The other one having such features is Hadoop which is the most popular open source MapReduce software adopted by many huge IT companies, such as Yahoo, Facebook, eBay and so on. In this paper, we focus specifically on Hadoop and its implementation of MapReduce for analytical processing.
    Keywords: Big Data | Data Mining | parallelization Techniques | HDFS | MapReduce | Hadoop.


    چکیده فارسی:

    با توسعه تکنولوژی کامپیوتر، افزایش فوق العاده ای در رشد داده ها بوجود آمد. دانشمندان در اندیشه¬ی این افزایش میزان نیازهای پردازش داده هستند که از هرفیلد علمی گرفته شده است. مشکل بزرگ در مواجه فیلدهای مختلف، کاربرد کامل از این داده ها در مقیاس بزرگ است که در آن از تصمیم گیری پشتیبانی ¬کند. داده کاوی روشی است که می تواند الگوهای جدید از مجموعه داده های بزرگ را کشف کند. مدت¬ها در انواع حوزه¬های برنامه¬ها مورد مطالعه قرار گرفته و به این ترتیب بسیاری از روش های داده کاوی توسعه یافته اند و برای آزمایش اعمال شده است. اما در سال های اخیر افزایش فوق العاده ای در مقدار داده ها ، محاسبه آنها و تجزیه و تحلیل بوجود آمده است. در چنین وضعیتی کلاسیکترین روش داده کاوی برای بکاربردن چنین داده های بزرگ، خارج از هدف آزمایش قرار گرفت. کارآمدی موازی/ الگوریتم های همزمان و تکنیک های اجرایی، کلیدی برای تلاقی مقیاس پذیری و عملکرد مورد نیاز هستند که شامل تجزیه و تحلیل و واکاوی چنین داده¬ی مقیاس بزرگی است. شماری از الگوریتم های موازی، اجرا شده با استفاده از تکنیک های موازی مختلف را می توان این چنین ذکر کرد: موضوعات، MPI، MapReduce و مخلوط یا گردش فن آوری، که ویژگی های مختلف بازده عملکرد و قابلیت استفاده است. مدل MPI برای کارآمدی در محاسبه به خصوص در شبیه سازی مشکلات جدی پیدا کرد. اما در واقع استفاده از آن آسان نیست. MapReduce از مدل تجزیه و تحلیل داده¬ی فیلد بازیابی اطلاعات و تکنولوژی انبوه توسعه یافته است. تا الان، چند معماری MapReduce برای دست زدن به داده های بزرگ توسعه یافته است. معروف ترین گوگل است. دیگری با داشتن چنین ویژگی های هادوپ است که محبوب ترین نرم افزار منبع باز MapReduce اتخاذ شده توسط بسیاری از شرکت های بزرگ IT ، مانند یاهو، فیس بوک، ای بی و غیره است. در این مقاله، تمرکز ما به طور خاص بر هادوپ و اجرای MapReduce¬اش برای پردازش تحلیلی است.
    کلمات کلیدی: داده بزرگ | داده کاوی | تکنیک های موازی | HDFS | MapReduce | هادوپ.


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 9
    تعداد صفحات فایل doc فارسی: 19

    وضعیت ترجمه عناوین تصاویر و جداول: به صورت کامل ترجمه شده است

    وضعیت ترجمه متون داخل تصاویر و جداول: به صورت کامل ترجمه شده است

    حجم فایل: 255 کیلوبایت


    قیمت: 35000 تومان  31500 تومان(10% تخفیف)


    توضیحات اضافی:




تعداد نظرات : 0

الزامی
الزامی
الزامی
داده-های-بزرگ
موضوعات