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

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل MapReduce: تجزیه و تحلیل داده ساده شده حاصل از داده های بزرگ،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۵ صفحه

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.

عنوان انگلیسی:

MapReduce: Simplified Data Analysis of Big Data

~~en~~ writers :

Seema Maitrey, C.K. Jha

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.

$$en!!