Name: Algoritmo K-Means parallelo basato su Hadoop-MapReduce per il data mining (en Italiano)
SKU: 66336265
Price: 58.30 USD
Availability: InStock
Author: Lopes Veloso, Lays Helena; Senger, Luciano José

portada Algoritmo K-Means parallelo basato su Hadoop-MapReduce per il data mining (en Italiano)

Algoritmo K-Means parallelo basato su Hadoop-MapReduce per il data mining (en Italiano)

Formato

Libro Físico

Editorial

Edizioni Sapienza

Autor

Lopes Veloso, Lays Helena; Senger, Luciano José

Idioma

Italiano

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9x15.2x0.3 cm

ISBN13

9786209111525

Algoritmo K-Means parallelo basato su Hadoop-MapReduce per il data mining (en Italiano)

Lopes Veloso, Lays Helena; Senger, Luciano José (Autor) · Edizioni Sapienza · Tapa Blanda

Libro Nuevo Importado

Envío: 26 a 33 días háb.

$ 106.00$ 58.30

-45%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 58.30

Llega entre el 30 Sep y el 14 Oct a Quito, Pichincha. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Algoritmo K-Means parallelo basato su Hadoop-MapReduce per il data mining (en Italiano)"

Questo lavoro aveva come obiettivo quello di studiare l'utilizzo di un algoritmo di raggruppamento K-Means parallelo, basato sul modello di programmazione MapReduce, per migliorare i tempi di risposta del data mining. Le prestazioni dell'algoritmo sono state valutate in termini di SpeedUp e ScaleUp. A tal fine sono stati eseguiti esperimenti su un cluster Hadoop composto da sei computer con hardware comune. I dati raggruppati sono misurazioni delle torri di flusso delle regioni agricole e appartengono ad Ameriflux. Gli esperimenti sono stati eseguiti utilizzando rispettivamente 3, 4 e 6 macchine. I risultati hanno mostrato che con l'aumento del numero di macchine si è ottenuto un miglioramento delle prestazioni, con il miglior tempo ottenuto utilizzando sei macchine, raggiungendo uno SpeedUp di 3,25. È stato verificato che l'applicazione scala bene con l'aumento equivalente della dimensione dei dati e del numero di macchine nel cluster, raggiungendo prestazioni simili nei test.