(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

(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
در این مقاله به شکل جامعی الگوریتم های مختلف ایندکس کردن داده ها توضیح داده شده اند.
(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.

      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 ...

مقاله ISI

مقاله 2015 کامپیوتر

داده های بزرگ

کلان داده

مقاله big data

شاخص بندی

ایندکس

پاورپوینت مقدمه ‏ای بر کلان داده Big Data

پاورپوینت مقدمه ‏ای بر کلان داده Big Data
تحقیق بصورت PowerPoint و با موضوع کلان داده Big Data است. برای مهندسی کامپیوتر و IT و مدیریت مناسب است و در چهل اسلاید کامل می باشد
پاورپوینت مقدمه ‏ای بر کلان داده Big Data این تحقیق بصورت PowerPoint و با موضوع مقدمه ‏ای بر کلان داده Big Data انجام گرفته است. برای رشته های مهندسی کامپیوتر و IT و مدیریت مناسب است و در 40 اسلاید کامل می باشد.
در ادامه سر تیتر های تحقیق آمده است . این پاورپوینت را می توانید بصورت کامل و آماده تحویل از پایین همین صفحه دانلود نمایید.لازم به توضیح است که فونت های بکار رفته را نیز به همراه فایل دانلود خواهید کرد.


فهرست اسلایدها
•Big Data چیست؟ •چرا Big Data؟ •چالش‏های پیش روی Big Data • آینده‏ ی Big Data • جنبش NoSQL • انواع NoSQL • MapReduce• Hadoop

این تحقیق بصورت PowerPoint و با موضوع مقدمه ‏ای بر کلان داده Big Data انجام گرفته است. برای رشته های مهندسی کامپیوتر و IT و مدیریت مناسب است و در 40 اسلاید کامل می باشد. در ادامه سر تیتر های تحقیق آمده است . این پاورپوینت را می توانید بصورت کامل و آماده تحویل از پایین همین صفحه دانلود نمایید.لازم به توضیح است که فونت های بکار رفته را نیز به همراه فایل دانلود خواهید کرد.   ...

پاورپوینت

کلان داده

Big Data

داده‌های عظیم

داده‌های انبوه

بزرگ داده

چالش های کلان داده

NoSQL

MapReduce

Hadoop

حجم داده

Volume

شبکه‌های حسگر