(ترجمه شد) دانلود مقاله انگلیسی 2015 آی اس آی (ISI) کلان داده ها (Big data)-- مروری جامع بر تکنیک های ایندکس کردن داده های بزرگ

برای خرید ترجمه این مقاله با بهترین کیفیت و به صورت کاملا تخصصی به آدرس زیر مراجعه کنید و در قسمت پایین صفحه، پس آز ورود آدرس ایمیل و شماره تلفن و پرداخت مبلغ، لینک دانلود را دریافت کنید:

مشاهده ترجمه مقاله

تولید داده های حجیم با سرعت بالا، حجم زیاد و تنوع فراوان توسط شبکه های اجتماعی، موبایل ها و ایمیل های کاربران منحر به ایجاد یک جهت گیری جدید در رشته کامپیوتر به نام داده های بزرگ یا کلان داده ها (Big Data) شده است که در چند سال گذشته توجه زیادی را به خود جلب کرده است. میتوان با جستجو درون این داده های بزرگ و حجیم، الگوهایی را کشف کرد و از آنها استفاده کرد. همچنین قابلیت یادگیری از این داده ها و دیتاست ها نیز وجود دارد. روشهای مدیریت حافظه و ذخیره سازی داده های موجود نمیتوانند پاسخگوی حجم زیاد این داده ها باشند و این در حالی است که حجم این داده ها لحظه به لحظه بیشتر میشود. اگر بخواهیم برای بازیابی و جستجوی اطلاعات در این دیتاست های بزرگ از روشهای ایندکس گذاری کنونی استفاده کنیم به دلیل افزایش حجم فایل شاخص و زمان جستجو این کار بسیار غیر بهینه خواهد بود.

در این مقاله که صورت کاملی به بررسی روشهای ایندکس کردن داده های Big Data پرداخته شده است، 48 روش مختلف شاخص بندی یا ایندکس کردن داده ها معرفی، بررسی و مقایسه شده اند. کارایی این الگوریتم ها با توجه به ویژگی ها و نیازمندیهای Big Data اندازه گیری شده است.

مطالعه این مقاله به کسانی توصیه میشود که تصمیم دارند پایان نامه خود را در زمینه شاخص بندی و یا جستجو در داده های بزرگ (Big Data) انجام دهند یا قصد نوشتن مقاله ای در این زمینه را دارند.

چکیده فارسی:

بررسی روشهای ایندکس گذاری (شاخص گذاری) داده های بزرگ: طبقه بندی و ارزیابی عملکرد

رشد انفجاری در حجم، سرعت، و تنوع داده های تولید شده توسط دستگاه های همراه و برنامه های کاربردی ابری در ازدیاد "داده های بزرگ" نقش داشته است. راه حل های موجود برای ذخیره سازی کارآمد داده ها و مدیریت آنها نمی توانند نیازهای چنین داده های ناهمگنی که مقدار داده ها به طور مداوم در حال افزایش هستند را برآورد سازند. با توجه به سرعت در حال رشد اندازه شاخص ها و زمان جستجو، راه حل های موجود برای مدیریت و بازیابی موثر داده ها ناکارآمد میشوند بنابراین یک طرح شاخص گذاری بهینه شده برای داده های بزرگ مورد نیاز است. با نگاهی به برنامه های کاربردی جهان واقعی در می یابیم که موضوع ایندکس گذاری با داده های بزرگ در محاسبات ابری در مسائل پزشکی، سازمانی، آزمایشات علمی و شبکه های اجتماعی بصورت گسترده مطرح می شود. تا به امروز، محاسبات نرم متعدد، یادگیری ماشینی و دیگر روشهای هوش مصنوعی برای برآورده کردن نیازمندیهای شاخص گذاری استفاده می شده اند، در عین حال از آنجایی که روشهای ایندکس گذاری وارد محاسبات ابری شده اند، در مقالات، مطالعه جدیدی در مورد بررسی عملکرد و نتایج روشهای حل مسائل ایندکس گذاری برای داده های بزرگ وجود ندارد. هدف این مقاله بررسی و آزمایش روشهای ایندکس گذاری موجود برای داده های بزرگ است. در این تحقیق طبقه بندی روشهای ایندکس گذاری توسعه یافته است تا به محققان برای درک و انتخاب یک روش پایه بمنظور طراحی یک روش ایندکس گذاری که کاهش زمان و فضای مصرفی کمتررا برای BD-MCC فراهم میکند، کمک کند. در این تحقیق، 48 روش ایندکس گذاری بر اساس 60 مقاله با موضوع مرتبط مورد مطالعه و مقایسه قرارگرفته اند. عملکرد روشهای ایندکس گذاری بر اساس ویژگی آن ها و نیازمندیهای ایندکس گذاری داده های بزرگ نیز مورد تجزیه و تحلیل قرار گرفت. نقش اصلی این تحقیق طبقه بندی روشهای ایندکس گذاری دسته بندی شده بر اساس متد آنهاست. دسته بندی ها متدهای شاخص گذاری غیر هوش مصنوعی ( non-artificial intelligence)، هوش مصنوعی (artificial intelligence) و هوش مصنوعی مشارکتی (collaborative artificial intelligence)هستند. بعلاوه در کنار محدودیت های هر روش، اهمیت پروسیجر ها(procedure) و عملکردهای مختلف نیز مورد تجزیه و تحلیل قرار گرفت. در بخش نتیجه گیری، چندین موضوع تحقیق کلیدی برای آینده با پتانسیل افزایش سرعت پردازش و استقرار روشهای ایندکس گذاری هوش مصنوعی مشارکتی در BD-MCC به دقت شرح داده شده است.

چکیده انگلیسی:

Abstract The explosive growth in volume, velocity, and diversity of data produced by mobile devices and cloud applications has contributed to the abundance of data or ‘big data.’Available solutions for efficient data storage and management cannot fulfill the needs of such heterogeneous data where the amount of data is continuously increasing. For efficient retrieval and management, existing indexing solutions become inefficient with the rapidly growing index size and seek time and an optimized index scheme is required for big data. Regarding real-world applications, the indexing issue with big data in cloud computing is widespread in healthcare, enterprises, scientific experiments, and social networks. To date, diverse soft computing, machine learning, and other techniques in terms of artificial intelligence have been utilized to satisfy the indexing requirements, yet in the literature, there is no reported stateof- the-art survey investigating the performance and consequences of techniques for solving indexing in big data issues as they enter cloud computing. The objective of this paper is to investigate and examine the existing indexing techniques for big data. Taxonomy of indexing techniques is developed to provide insight to enable researchers understand and select a technique as a basis to design an indexing mechanism with reduced time and space consumption for BD-MCC. In this study, 48 indexing techniques have been studied and compared based on 60 articles related to the topic. The indexing techniques’ performance is analyzed based on their characteristics and big data indexing requirements. The main contribution of this study is taxonomy of categorized indexing techniques based on their method. The categories are non-artificial intelligence, artificial intelligence, and collaborative artificial intelligence indexing methods. In addition, the significance of different procedures and performance is analyzed, besides limitations of each technique. In conclusion, several key future research topics with potential to accelerate the progress and deployment of artificial intelligence-based cooperative indexing in BD-MCC are elaborated on.

Keywords Indexing ・ Big data ・ Cloud computing ・ Artificial intelligence ・ Collaborative artificial intelligence

کلمات کلیدی: ایندکس گذاری، داده های بزرگ، محاسبات ابری، هوش مصنوعی، هوش مصنوعی گروهی

این مقاله در سال 2015  در ژورنال سیستم های اطلاعاتی و دانش (Knowledge and Information Systems) منتشر شده است که یکی از ژورنالهای معروف در زمینه سیستم های مبتنی بر دانش و مسائل مربوط به آنها می باشد. مقالات این ژورنال آس اس آی (ISI) هستند و در توسط انتشارات تامسون رویترز (Thomson-reuters) و اسکوپوس (Scopus)، اشپرینگر (Springer) و بسیاری سایت های دیگر ایندکس میشوند.

تعداد صفحات: 44

کلمات کلیدی:

مقاله کامپیوتر، مقاله 2015 کامپیوتر، مقاله آی اس آی کامپیوتر، مقاله ISI کامپیوتر، داده های بزرگ، مقاله Big data، داده های حجیم، ابرداده ها، رایانش ابری، محاسبات ابری، هوش مصنوعی ، کلان داده ها، شاخص بندی، شاخص گذاری، ایندکس کردن، سیستم هدوپ، نگاشت - کاهش، Big data,  mapreduce, hadooop, Indexing, cloud computing,

(قیمت ترجمه این مقاله با بهترین کیفیت، کاملا تخصصی و تایپ شده: 40 هزار تومان)

پس از خرید از درگاه امن بانکی لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده میشود.

تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه با آدرس ایمیل:

[e-mail]

شماره تماس ما در نرم افزار واتس آپ:

[phone]

شماره تماس ما در نرم افزار تلگرام:

[phone] 

 توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.

تئوری بازیهای کاربردی جهت تجزیه و تحلیل بزرگ داده ها در علوم زمین و سنجش از راه دور

GAME THEORY APPLIED TO BIG DATA ANALYTICS
IN GEOSCIENCES AND REMOTE SENSING
Lori Mann Bruce, Ph. D.
Professor and Dean of the Graduate School, Mississippi State University, U . S .A,
ABSTRACT
This paper introduces the basic concepts of game theory and
outlines the mechanisms for applying game theory models
to big data analytics and decision making in the field of
geosciences and remote sensing. The author proposes the
use of strategic, competitive game theory models for the
purpose of spectral band grouping when exploiting
hyperspectral imagery. The proposed system uses conflict
data filtering based on mutual entropy and a strategy
interaction process of multiple band groups in a conflict
environment, the goal of which is to maximize the payoff
benefit of multiple groups of the whole system. The
proposed system uses the Nash equilibrium as the means to
fmd a steady state solution to the band grouping problem,
and implements the model under the assumption that all
players are rational. The author uses the proposed band
grouping as a component in a multi-classifier decision
fusion (MCDF) system for automated ground cover
classification with hyperspectral imagery. The paper
provides experimental results demonstrating that the
proposed game theoretic approach significantly outperforms
the comparison methods.
Index Terms- Game theory, big data, analytics,
hyperspectral

تئوری بازیهای کاربردی جهت تجزیه و تحلیل بزرگ داده ها در علوم زمین و سنجش از راه دور
Lori Ma nn Bruce، دوره ی دکترا
استاد و رئیس دانشکده ی تحصیلات تکمیلی، دانشگاه ایالتی می سی سی پی، ایالات متحده ی آمریکا
چکیده:
این مقاله مفاهیم اصلی برخی از نظریه های بازی را معرفی می کند و روشهایی برای اعمال مدلهای نظری بازی را در تجزیه و تحلیل بزرگ داده ها و تصمیم گیری در زمینه ی علوم و سنجش از را دور معرفی می نماید. نویسنده، استفاده از مدل نظری بازی استراتژیک و رقابتی را برای هدف گروهبندی طیفی زمانی معرفی می کند که از تصاویر ابر طیفی بهره برداری می کند. سیستم پیشنهادی از فیلتربندی داده های پیچیده مبتنی بر آنتروپی متقابل و یک استراتژی فرآیند تعامل گروه گروههای متعدد در یک درگیری محیطی استفاده می کند، هدف آن به حداکثر رساندن بازدهی برای چندین گروه در کل سیستم است. سیستم پیشنهادی از تعادل NASh استفاده می کند که به این معنی است که یک راه حل پایدار برای مسئله ی دسته بندی مطرح می شود و مدل را تحت این فرض پیاده سازی می کند که همه ی بازیکنان منطقی هستند. نویسنده از گروههای پیشنهادی استفاده می کند که به عنوان یک جز در سیستم همجوشی تصمیم گیری چندطبقه (MCDF) برای طبقه بندی پوشش زمین خودکار با تصاویر ابرطیفی است. این مقاله، نتایج تجربی را ارائه میدهد که نشان می دهند روش نظری بازی ارائه شده به طور قابل توجهی برای روشهای مقایسه ای بهتر عمل می کند.

دانلود مقاله 2016 انگلیسی داده های بزرگ -- داده کاوی در بیگ دیتا با حفظ حریم خصوصی -- Data Mining Big Data Privacy

نوع مطلب: مقاله انگلیسی ژورنال

تعداد صفحات: 4

زبان مقاله: انگلیسی

محل انتشار: ژورنال بین المللی پژوهش های پیشرفته در مهندسی کامپیوتر و مخابرات(International Journal of Advanced Research in Computer and Communication Engineering)

هزینه ترجمه تخصصی : 75 هزار تومان

چکیده انگلیسی:

Abstract: Big data is large volume, heterogeneous, decentralized distributed data with different dimensions. In Big data applications data collection has grown continuously, due to this it is difficult to manage, capture or extract and process data using existing software tools. Performing data analysis is becoming expensive with large volume of data in data warehouse. Data privacy is one of the challenge in data mining with big data. To preserving the privacy of the user we need to use some method so that data privacy is preserve and at the same time increase the data utility. In existing centralized algorithms it assumes that the all data should be at centralized location for anonymization which is not possible for large scale dataset,and there was distributed algorithms which mainly focus on privacy preservation of large dataset rather than the scalability issue. In the proposed system we focus to maintain the privacy for distributed data, and also overcome the problems of M-privacy and secrecy approach with new anonymization and slicing technique. Our main goal is to publish an Genuine or Anonymized view of integrated data, which will be immune to attacks. We use MR-Cube approach which addresses the challenges of large scale cube computation with holistic measure.Slicing contains tuple partition, generalization, slicing and anonymization. Once slicing is done the anonymized data can freely access by user with more data availability.

Keywords: Big Data, Hadoop, Map-Reduce, HDFS, MR-Cube, Data Security, slicing.

کلمات کلیدی:

دانلود مقاله داده های بزرگ، دانلود مقاله کلان داده ها، دانلود مقاله داده های حجیم، دانلود مقاله داده های عظیم، دانلود مقاله Big Data، دانلود مقاله بیگ دیتا، چالش های رایانش ابری، چالش های داده های بزرگ، چالش های Big Data، ارتباط رایانش ابری و داده های بزرگ، دانلود پایان نامه کامپیوتر، دانلود پایان نامه انگلیسی کامپیوتر، تز دکتری کامپیوتر، تز ارشد کامپیوتر، تز کارشناسی ارشد کامپیوتر، دانلود پایان نامه رشته کامپیوتر، دانلود پایان نامه کارشناسی ارشد کامپیوتر، دانلود پایان نامه دکتری کامپیوتر، دانلود پایان نامه دکترای کامپیوتر، مقاله آی اس آی، مقاله ای اس ای، مقاله آی اس آی 2015، مقاله isi 2015، مقاله رشته کامپیوتر، مقاله داده کاوی، مقاله داده های بزرگ، دانلود مقاله داده های بزرگ، دانلود مقاله کلان داده ها، دانلود مقاله داده های حجیم، دانلود مقاله داده های عظیم، دانلود مقاله Big Data، دانلود مقاله، دانلود پایان نامه کامپیوتر، دانلود پایان نامه انگلیسی کامپیوتر، تز دکتری کامپیوتر، تز ارشد کامپیوتر، تز کارشناسی ارشد کامپیوتر، دانلود پایان نامه رشته کامپیوتر، دانلود پایان نامه کارشناسی ارشد کامپیوتر، دانلود پایان نامه دکتری کامپیوتر، دانلود پایان نامه دکترای کامپیوتر، مقاله آی اس آی، مقاله ای اس ای، مقاله آی اس آی 2015، مقاله isi 2015، مقاله رشته کامپیوتر، مقاله داده کاوی، مقاله داده های بزرگ، مقاله 2015 ، مقاله انگلیسی ترجمه شده، مقاله کامپیوتر ترجمه شده، مقاله داده های بزرگ ترجمه شده، مقاله ترجمه شده جدید داده های بزرگ، داده های بزرگ مکانی، داده های مکانی بزرگ، داده های عظیم مکانی، داده های مکانی عظیم، کلان داده های مکانی، داده های کلان مکانی، داده های مکانی کلان، داده های حجیم مکانی، داده های مکانی حجیم، زمینه های کاری داده های بزرگ، زمینه های کاری big data، موضوع پایان نامه داده های بزرگ، موضوع پایان نامه big data، مقاله ترجمه شده جدید، مقاله با ترجمه، مقاله ISI با ترجمه، 2015 Thesis, ISI Article, Big data Thesis, Data mining thesis, privacy preserving data mining thesis, numerical matrices thesis, social network analysis thesis, مقاله 2015 ، مقاله انگلیسی ترجمه شده، مقاله کامپیوتر ترجمه شده، مقاله داده های بزرگ ترجمه شده، مقاله ترجمه شده جدید داده های بزرگ، داده های بزرگ مکانی، داده های مکانی بزرگ، داده های عظیم مکانی، داده های مکانی عظیم، کلان داده های مکانی، داده های کلان مکانی، داده های مکانی کلان، داده های حجیم مکانی، داده های مکانی حجیم، زمینه های کاری داده های بزرگ، زمینه های کاری big data، موضوع پایان نامه داده های بزرگ، موضوع پایان نامه big data، مقاله ترجمه شده جدید، مقاله با ترجمه، مقاله ISI با ترجمه، 2015 Thesis, ISI Article, Big data Thesis, Data mining thesis, privacy preserving data mining thesis, numerical matrices thesis, social network analysis thesis, numerical matrix, social networks analysis

پس از خرید از درگاه امن بانکی لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده میشود.

تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه با آدرس ایمیل:

[e-mail]

شماره تماس ما در نرم افزار واتس آپ:

[phone]

شماره تماس ما در نرم افزار تلگرام:

[phone] 

شناسه ما در تلگرام:

@TopArticle 

 توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.