مقاله ترجمه شده درباره فرآیند پوسته حلزون برای کشف دانش از طریق تجزیه و تحلیل داده – سال 2016
مشخصات مقاله:
عنوان فارسی مقاله:
یک مدل فرآیند پوسته حلزون برای کشف دانش از طریق تجزیه و تحلیل داده
عنوان انگلیسی مقاله:
A snail shell process model for knowledge discovery via data analytics
کلمات کلیدی مقاله:
کشف دانش از طریق تجزیه و تحلیل داده ها، مدل فرایند پوسته حلزون، KDDA، تجزیه و تحلیل داده‌های بزرگ، تصمیم گیری داده محور
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر و مهندسی صنایع
مناسب برای گرایش های دانشگاهی زیر:
رایانش ابری، مهندسی نرم افزار، برنامه ریزی و تحلیل سیستم ها، بهینه سازی سیستم ها و داده کاوی
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1.مقدمه
2. لزوم یک مدل فرایند KDDA
3. روش تحقیق و پیشینه مطالعه
4. مدل فرایند پوسته حلزون KDDA
4.1. فرمولاسیون مسئله (PF)
4.2. درک کسب و کار (BU)
4.3. درک داده (DU)
4.4. آماده سازی داده ها (DP)
4.5. مدل سازی
4.6. ارزیابی
4.7. استقرار (گسترش)
4.8. نگهداری
5. مطالعه موردی تشخیص رفتار ناهنجاری وسیله
5.1. فرمول بندی مسأله
5.2. درک کسب و کار (BU)
5.3. درک داده
5.4. آماده سازی داده
5.5. مدل سازی
5.6. ارزیابی
5.7. استقرار (گسترش)
5.8. نگهداری
5.9. خلاصه مطالعه موردی
6. مفاهیم و محدودیت‌های تحقیق
7. نتیجه گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
1. Introduction
Integration of technologies such as cloud computing, social networking, and mobile technology into business functions has propelled the creation of large volumes of data at high velocity from a variety of sources. Commonly known as big data, modern organizations recognize it as a valuable asset, and are increasingly attracted to the possibility of creating competitive advantage through data driven knowledge discovery. Yet, they grapple with the challenges imposed by the very nature of the big data environment such as, managing data, extracting information, and discovering knowledge. The large volume poses technological challenges in applying advanced analytics on big data platforms compared to the use of traditional SQL analytics directly on databases [11]. The high velocity calls for much faster and more frequent turnaround for knowledge creation. The large variety of data sources introduces enormous data integration and governance responsibilities. In an effort to address these big data challenges, industry trend now leans towards utilizing information technology (IT) and advanced analytic techniques for faster, cheaper, more flexible, and more reliable knowledge discovery.
مقدمه
ادغام فن آوری هایی مانند محاسبات ابری، شبکه های اجتماعی، و فن آوری تلفن همراه در عملکرد کسب و کار، به ایجاد حجم زیادی از داده با سرعت بالا از انواع منابع سوق داده شده است. معمولا به عنوان داده های بزرگ شناخته شده، سازمان های مدرن آن را به عنوان یک دارایی با ارزش به رسمیت شناخته و به طور فزاینده ای در امکان ایجاد مزیت رقابتی از طریق کشف دانش داده محور موردتوجه واقع شده است. با این حال، آنها با چالش ناشی از ماهیت داده های بزرگ از جمله، مدیریت داده ها، استخراج اطلاعات، و کشف دانش دست به گریبانند. حجم زیاد چالش‌های تکنولوژیکی مطرح شده در استفاده از تجزیه و تحلیل پیشرفته بر روی سیستم عامل داده های بزرگ با استفاده از تجزیه و تحلیل سنتی SQL به طور مستقیم در پایگاه داده مقایسه شده است[11]. سرعت بالا خواستار چرخش مکرر و بسیار سریع تر برای ایجاد دانش است. انواع زیاد منابع داده، بیانگر مسئولیتهای اداره و یکپارچه سازی داده های عظیمی می کند. در تلاش برای رسیدگی به این چالش داده های بزرگ، روند صنعت در حال حاضر نسبت به استفاده از فن آوری اطلاعات (IT) و تکنیک های پیشرفته تحلیلی برای کشف دانش سریع تر، ارزان تر، انعطاف پذیرتر و قابل اطمینان تر متمایل شده است.
