چکیده مقاله
دوران داده های بزرگ آغاز شده است امروزه، نود درصد از داده ها در طی دو سال اخیر تولید شده و 2/5 کوانتیلیون از داده های جدید هر روزه تولید می شوند از طرفی داده کاوی به عنوان ابزار کشف دانش در پایگاه های داده شناخته می شود و هدف آن ارایه مدلی از سیستم و یا تولید دانش جدیدی است که کاربر بتواند از آن استفاده کند این هدف باساخت مدلی از دنیای واقعی براساس داده های جمع آوری شده از منابع متفاوت بدست می آید استفاده از سیستم های داده کاوی مبتنی بر روش OP ELM ضمن کاهش خطای نهایی از حجم بار محاسباتی اعمالی به سیستم می کاهد و قابلیت کار روی مجموعه داده های بزرگ تر را فراهم می کند در این مقاله، هدف اصلی، بهبود هزینه های داده کاوی داده های بزرگ در ابر با استفاده از الگوریتم خوشه بندی OP ELM K means می باشد در واقع هدف از این تحقیق این است که اولا فاکتورهای بهینه انتخاب گردد با استفاده از توابع best first , info get ، سپسروش های کلاسترینگ که عبارتند از K means ، ELM ، OP ELM ، SVM ، در مورد کاهش هزینه های محاسبات داده کاوی داده های بزرگ در ابر باهم مقایسه گردند، الگوریتم بهینه یعنی الگوریتم خوشه بندی Means OP ELM k انتخاب گردید الگوریتمی که هدف اصلی این تحقیق بود کمتر مورد استفاده قرار گرفته و طبق تحقیقات انجام شده گفته می شود که می تواند موجب کاهش هزینه ها شود تا حالا از این الگوریتم روی دیتا بیس کلود استفاده نشده همچنین در صورت نیاز برای بهینه سازی بیشتر فاکتور جدیدی به آن اضافه می گردد
کلیدواژهها
نویسندگان
محمدرضا محمدولی
دپارتمان فنی مهندسی، دانشگاه موسسه آموزش عالی آ ب آ، آبیک، قزوین
نسرین بدیع
دپارتمان فنی مهندسی، دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، تهران
شیوه ارجاع
محمدولی، محمدرضا و بدیع، نسرین،1397،بهبود هزینه های داده کاوی داده های بزرگ در ابر با استفاده از الگوریتم خوشه بندی OP-ELM k-Means،کنفرانس بین المللی تحقیقات بین رشته ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام،کرج
ارائهشده در
مجموعه مقالات کنفرانس بین المللی تحقیقات بین رشته ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام31 شهریور 1397 · کرج