Dergiler / Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi / 2018 / Cilt: 24 - Sayı: 2

Bulut bilişimde veri madenciliği tekniklerinin uygulanması: Bir literatür taraması

Application of data mining techniques in cloud computing: A literature review

Sayfa
336–343
Yayın Tarihi
2018-04-30
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu makale, bulut bilişimin ölçeklenebilirliği sayesinde veri madenciliği algoritmalarının performanslarının arttırılabileceğini, ayrıca her yerden ulaşılabilirlik, düşük maliyet ve kolay yönetilebilirlik avantajlarının sağlanabileceğini göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Son yıllarda, bilgi ve iletişim teknolojilerindeki yenilikler ve gelişmeler, analiz edilmesi gereken veri miktarını önemli derecede artırmıştır.
📊
Temel Bulgular & Veri:Bu zorlukların üstesinden gelebilmek için, bilgi keşfi süreci; bulut bilişim, paralel ve dağıtık hesaplama kullanılarak etkin bir şekilde gerçekleştirilebilmektedir.
💡
Sonuç & Katkı:Bu makale, bulut bilişimin ölçeklenebilirliği sayesinde veri madenciliği algoritmalarının performanslarının arttırılabileceğini, ayrıca her yerden ulaşılabilirlik, düşük maliyet ve kolay yönetilebilirlik avantajlarının sağlanabileceğini göstermektedir.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Veri madenciliği · Sınıflandırma · Kümeleme

Özet

Son yıllarda, bilgi ve iletişim teknolojilerindeki yenilikler ve gelişmeler, analiz edilmesi gereken veri miktarını önemli derecede artırmıştır. Büyük ölçekli verilerin saklanması, yüksek hacimli verilerden veri madenciliği teknikleri ile yararlı bilgilerin çıkartılması ve geleceğin tahminlenmesi maliyetli ve zorlu işlemlerdir. Bu zorlukların üstesinden gelebilmek için, bilgi keşfi süreci; bulut bilişim, paralel ve dağıtık hesaplama kullanılarak etkin bir şekilde gerçekleştirilebilmektedir. Bu makale, bulut bilişimin ölçeklenebilirliği sayesinde veri madenciliği algoritmalarının performanslarının arttırılabileceğini, ayrıca her yerden ulaşılabilirlik, düşük maliyet ve kolay yönetilebilirlik avantajlarının sağlanabileceğini göstermektedir. Makalede, bulut platformunda gerçekleştirilen veri madenciliği uygulamaları; kullanılan metotlar, veriler ve elde edilen sonuçlar çerçevesinde sunulmaktadır. Literatürde, bu konuda önerilen çözüm yaklaşımları; sınıflandırma, kümeleme ve birliktelik kuralları analizi olmak üzere üç ana kategori altında ele alınmaktadır.

Abstract

In recent years, new innovations and developments in information and communication technologies have hugely increased the quantity of data required to analyze. Storing large-scale datasets, extracting useful knowledge from the huge volumes of data by applying data mining techniques and predicting the future are costly and difficult processes. To overcome these challenges, the knowledge discovery process is performed efficiently by using cloud, parallel and distributed computing. This article shows that the performance algorithms in data mining can be increased by the scalability of cloud computing with the advantages in terms of accessibility from anywhere, low cost and maintainability. In this article, data mining applications that have been implemented on cloud platforms are presented, including methods, data and obtained results. Solution approaches that have been proposed related to this topic in the literature are handled in three main categories: classification, clustering and association rule mining.

🔖

Bu Makaleye Atıf Yap

YILDIRIM, P., BİRANT, D. (2018). Bulut bilişimde veri madenciliği tekniklerinin uygulanması: Bir literatür taraması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 24 - Sayı: 2, 336–343. https://ajindex.com/articles/108878

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  1. Petre R-Ş. “Data mining in cloud computing”. Database Systems Journal, 3(3), 67-71, 2012.
  2. Low Y, Gonzalez J, Kyrola A, Bickson D, Guestrin C, Hellerstein JM. “Distributed GraphLab: A framework for machine learning and data mining in the cloud”. Proceedings of the VLDB Endowment, 5(8), 716-727, 2012.
  3. Talia D, Trunfio P. “How distributed data mining tasks can thrive as knowledge services”. Communications of the ACM, 53(7), 132-137, 2010.
  4. Kholod I, Kuprianov M, Petukhov I. Parallel and Distributed Data Mining in Cloud Advances in Data Mining. Editor: Perner P. Advances in Data Mining. Applications and Theoretical Aspects, 349-362,
  5. New York, NY, USA, Springer, 2016.
  6. Olaide AA. “On modeling confidentiality archetype and data mining in cloud computing”. African Journal of Computing & ICT, 6(1), 79-86, 2013. Kamala B, “A study on integrated approach of data mining and cloud mining”. International Journal of Advances in Computer Science and Cloud Computing, 1(2), 35-38, 2013. Fernández A, Peralta D, Benítez JM, Herrera F. “E-learning and educational data mining in cloud computing: an overview”. International Journal Learning Technology, 9(1), 25-52, 2014.
  7. Anand A, Nithin Chandran R, Abhijith T, Varun KK. “Data mining over encrypted data for patient records”. International Journal on Applications in Engineering and Technology, 2(4), 13-16, 2016.
  8. Dahmani D, Rahal SA, Belalem G. “Improving the performance of data mining by using big data in cloud environment”. Journal of Information & Knowledge Management, 2016.
  9. Belcastro L, Marozzo F, Talia D, Trunfio P. “Using scalable data mining for predicting flight delays”. ACM Transactions on Intelligent Systems and Technology, 8(1), 2016.
  10. Vrbic R. “Data mining and cloud computing”, Journal of Information Technology and Applications, 2(2), 75-87, 2012.
  11. Kamdar AB, Jagani JM. “A survey: classification of huge cloud datasets with efficient map-reduce policy”. International Journal of Engineering Trends and Technology (IJETT), 18(2), 103-107, 2014.
  12. Ayma VA, Ferreira RS, Happ P, Oliveira D, Feitosa R, Costa G, Plaza A, Gamba P. “Classification algorithms for big data analysis, a Map Reduce approach”. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XL-3(W2), 17-21, 2015.
  13. Zhengqiao X, Dewei Z. “Research on clustering algorithm for massive data based on Hadoop platform”. International Conference on Computer Science and Service System, Nanjing, China, 11-13 August 2012.
  14. Mahendra TV, De