ارسل ملاحظاتك

ارسل ملاحظاتك لنا







Big Data Analysis Using Hybrid Harris Hawks Optimizer and Mapreduce Framework

العنوان بلغة أخرى: تحليل البيانات الضخمة باستخدام محسن صقور هاريس واطار تقليل الخريطة
المؤلف الرئيسي: البشابشه، محمد قاسم (مؤلف)
مؤلفين آخرين: أبو عليقة، ليث محمد (مشرف)
التاريخ الميلادي: 2021
موقع: عمان
الصفحات: 1 - 85
رقم MD: 1257512
نوع المحتوى: رسائل جامعية
اللغة: الإنجليزية
الدرجة العلمية: رسالة ماجستير
الجامعة: جامعة عمان العربية
الكلية: كلية العلوم الحاسوبية والمعلوماتية
الدولة: الاردن
قواعد المعلومات: Dissertations
مواضيع:
رابط المحتوى:
صورة الغلاف QR قانون

عدد مرات التحميل

22

حفظ في:
LEADER 04094nam a2200325 4500
001 1544882
041 |a eng 
100 |9 670548  |a البشابشه، محمد قاسم  |e مؤلف  |g Bashabsheh, Mohammad 
245 |a Big Data Analysis Using Hybrid Harris Hawks Optimizer and Mapreduce Framework 
246 |a تحليل البيانات الضخمة باستخدام محسن صقور هاريس واطار تقليل الخريطة 
260 |a عمان  |c 2021 
300 |a 1 - 85 
336 |a رسائل جامعية 
502 |b رسالة ماجستير  |c جامعة عمان العربية  |f كلية العلوم الحاسوبية والمعلوماتية  |g الاردن  |o 0117 
520 |a يعد تجميع البيانات الكبيرة والتي هي أحد المشكلات الصعبة الحديثة والشائعة التي يتم استخدامها في تطبيقات مختلفة مثل الشبكات الاجتماعية والمعلوماتية الحيوية والعديد من التطبيقات الأخرى. تحتاج خوارزميات التجميع التقليدية إلى التحسين للتعامل مع أحجام البيانات المتزايدة. في هذا البحث تم اقتراح محسن صقور هاريس هوكس باستخدام إطار تقليل الخريطة للتعامل مع البيانات الضخمة، ويطلق عليه محسن صقور هاريس كوكس الهجين. يستفيد محسن صقور هاريس هوكس الهجين المقترح من قدرة خوارزمية التجميع التقليدية على حل مشاكل التجميع، حيث تقوم خوارزمية التجميع التقليدية بتهيئة الحلول الأولى لمحسن صقور هاريس هوكس ومحسن صقور هاريس هوكس لتحسين الحلول المرشحة لإيجاد الحل الأمثل. إطار تقليل الخريطة هو نموذج برمجة متوازي يستخدم للمعالجة الموزعة ويقوم بإنشاء مجموعات بيانات ببرنامج مواز على مجموعة. يستخدم محسن هاريس هوكس الهجين إطار عمل تقليل الخريطة للتوازي لأنه يوفر التسامح مع الأخطاء وموازنة التحميل ومكان البيانات للتغلب على أوجه القصور هذه في خوارزمية التجميع التقليدية والتركيز على إيجاد المجموعات المثلى. وأظهرت النتائج الدراسة أن الطريقة المقترحة جيده جدا في تحسين وإيجاد المجموعات المثلى والمتقاربة من البيانات مما يعكس فعالية الأطروحة. وتم الحكم على تقييم النتائج التي تم الحصول عليها من حيث مقاييس الدقة ومعدل الخطأ وتقييم النتائج المقترحة بناء على بيئة محاكاة باستخدام بايثون. وتم استخدام مجموعة من مجموعات البيانات المعيارية القياسية للتحقق من أداء الطريقة المقترحة. 
653 |a التعلم الآلي  |a الخوارزميات البيانية  |a البيانات المعيارية  |a الخوارزميات التجميعية 
700 |a أبو عليقة، ليث محمد  |g Abualigah, Laith Mohammad  |e مشرف  |9 569872 
856 |u 9802-016-013-0117-T.pdf  |y صفحة العنوان 
856 |u 9802-016-013-0117-A.pdf  |y المستخلص 
856 |u 9802-016-013-0117-C.pdf  |y قائمة المحتويات 
856 |u 9802-016-013-0117-F.pdf  |y 24 صفحة الأولى 
856 |u 9802-016-013-0117-1.pdf  |y 1 الفصل 
856 |u 9802-016-013-0117-2.pdf  |y 2 الفصل 
856 |u 9802-016-013-0117-3.pdf  |y 3 الفصل 
856 |u 9802-016-013-0117-4.pdf  |y 4 الفصل 
856 |u 9802-016-013-0117-5.pdf  |y 5 الفصل 
856 |u 9802-016-013-0117-R.pdf  |y المصادر والمراجع 
930 |d y 
995 |a Dissertations 
999 |c 1257512  |d 1257512 

عناصر مشابهة