معرفی مقاله Agent-based Big Data Mining

نویسنده:
Nojod M. Alotaibi , Manal Abdullah , Hala Mosli

 ژورنال:
International Journal of Advanced Trends in Computer Science and Engineering

تاریخ انتشار:
2018


 عظیم داده اصطلاحی است که جهت توصیف داده‌هایی که پردازش، مدیریت و تحلیل آن‌ها از طریق پایگاه داده‌ها یا الگوریتم‌های داده کاوی سنتی دشوار است، به کار می‌رود. دانش مفیدی می‌تواند از عظیم داده با کمک داده کاوی حاصل گردد. با توجه به حجم، تنوع و سرعت داده، تکنیک‌های سنتی داده کاوی برای کار با عظیم داده نامناسب به حساب می‌آید. بنابراین، نیاز اساسی به ایجاد روش‌های داده کاوی قدرتمند و مولد وجود دارد. شخصیت‌پردازی یکی از راهبردهای داده کاوی است که قابلیت پردازش حجم انبوهی از داده‌های در حال رشد را دارد. این مورد جهت نگاشت یک موجودیت داده به یکی از کلاس‌ها یا دسته‌بندی‌های از پیش تعیین شده مورد استفاده قرار می‌گیرد. داده‌های حوزه سلامت نه تنها بخاطر اندازه آن، بلکه پیچیدگی و تنوع و سرعت تولید سریع آن، یک شکل از عظیم داده محسوب می‌شود. در این پژوهش، مشکل داده کاوی در عظیم داده با استفاده از عامل(ایجنت) نرم افزاری ارائه می‌شود. هدف اصلی پژوهش، توسعه و بکارگیری یک مدل دسته‌بندی عامل محور برای عظیم داده است که بتواند شدت بیماری دیابت را پیش‌بینی نماید. نتایج ثابت می‌کند با استفاده از فناوری عاملی در بخش پیش پردازش داده‌ها، ظرفیت حافظه از 8.66 ترابایت به 5 گیگابایت و زمان انتقال داده از 12 روز به 10 دقیقه با استفاده از عامل کاهش یافته و دقت دسته‌بندی مدل پیشنهادی، 87 درصد است.

دریافت فایل