دانلود و نمایش مقالات مرتبط با Analytics::صفحه 1

بلافاصله پس از پرداخت دانلود کنید

کارابرن عزیز، مقالات سایت ( همگی جزو مقالات isi می باشند) بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (حتی محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi مانند IEEE، Sciencedirect، Springer، Emerald و ... انتخاب گردیده اند.

پشتیبانی
اپلیکشن اندروید
آرشیو مقالات
ورود اعضا
توجه توجه توجه !!!!
تمامی مقالات ترجمه شده ، انگلیسی و کتاب های این سایت با دقت تمام انتخاب شده اند. در انتخاب مقالات و کتاب ها پارامترهای جدید بودن، پر جستجو بودن، درخواست کاربران ، تعداد صفحات و ... لحاظ گردیده است. سعی بر این بوده بهترین مقالات در هر زمینه انتخاب و در اختیار شما کاربران عزیز قرار گیرد. ضمانت ما، کیفیت ماست.
نرم افزار winrar

از نرم افزار winrar برای باز کردن فایل های فشرده استفاده می شود. برای دانلود آن بر روی لینک زیر کلیک کنید
دانلود

پیوندهای کاربردی
پیوندهای مرتبط
نتیجه جستجو - Analytics

تعداد مقالات یافته شده: 144
ردیف عنوان نوع
1 Utilizing Cloud Computing to address big geospatial data challenges
ستفاده از محاسات ابری برای پرداختن به چالش های داده های جغرافیایی بزرگ-2017
Big Data has emerged with new opportunities for research, development, innovation and business. It is charac- terized by the so-called four Vs: volume, velocity, veracity and variety and may bring significant value through the processing of Big Data. The transformation of Big Datas 4 Vs into the 5th (value) is a grand challenge for pro- cessing capacity. Cloud Computing has emerged as a new paradigm to provide computing as a utility service for addressing different processing needs with a) on demand services, b) pooled resources, c) elasticity, d) broad band access and e) measured services. The utility of delivering computing capability fosters a potential solution for the transformation of Big Datas 4 Vs into the 5th (value). This paper investigates how Cloud Computing can be utilized to address Big Data challenges to enable such transformation. We introduce and review four geospatial scientific examples, including climate studies, geospatial knowledge mining, land cover simulation, and dust storm modelling. The method is presented in a tabular framework as a guidance to leverage Cloud Computing for Big Data solutions. It is demostrated throught the four examples that the framework method supports the life cycle of Big Data processing, including management, access, mining analytics, simulation and forecasting. This tabular framework can also be referred as a guidance to develop potential solutions for other big geospatial data challenges and initiatives, such as smart cities.© 2016 The Authors. Published by Elsevier Ltd. This is an open access article under the CC BY license(http://creativecommons.org/licenses/by/4.0/).
Keywords: Big Data | Cloud Computing | Spatiotemporal data | Geospatial science | Smart cities
مقاله انگلیسی
2 دلالت های تکاملی رسانه های اجتماعی برای مدیریت دانش سازمانی
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 10 - تعداد صفحات فایل doc فارسی: 31
رسانه های اجتماعی درطی دهه گذشته تبدیل به یک فناوری شده اند که به صورت گسترده ای استفاده شده و ازطریق راههای زیادی بر سازمانها اثر گذار بوده اند. یکی از مهمترین اثرات، تاثیر آن روی مدیریت دانش سازمانی است که در آن رسانه های اجتماعی بر بسیاری از محدودیت های نسل های قبلی فناوری های مدیریت دانش غلبه می کنند. در این مقاله من تاثیرات رسانه های اجتماعی روی مدیریت دانش سازمانی را بررسی می کنم. در انجام این کار، من بحث می کنم که رسانه های اجتماعی، یک دسته یکپارچه از فناوری ها نیستند بلکه یک زیرساخت متنوع و درحال تکاملی هستند که راه و روش برقراری ارتباط و همکاری بین مردم را پشتیبانی کرده و آن را تغییر می دهد. جنبه های کلیدی رسانه های اجتماعی ازطریق یک تکامل فناوری درطی دهه گذشته و از محاسبات ابری به فناوری های سیار و تحلیلی تغییر کرده اند. هریک از این جابجایی ها دارای دلالت های متمایزی برای مدیریت دانش سازمانی هستند که بسیاری از آنها هنوزهم باید به صورت کامل محق شوند. به علاوه، گرایشات بیانگر این هستند که رسانه های اجتماعی به تکامل یافتن با فناوری های نوظهور مثل هوش مصنوعی، واقعیت مجازی و واقعیت بسط یافته که تاثیر بیشتری روی اینکه چگونه مدیریت دانش سامانی عملی می شود می گذارند، ادامه خواهند داد. این دیدگاه تکاملی بیان می کند که ما ممکن است بیشتر از آنکه به انتهای چگونگی اثرگذاری رسانه های اجتماعی بر سازمانها و روشهای مدیریت دانش آنها نزدیک باشیم به آغاز آن نزدیک تر باشیم. همینطور یک دیدگاه گسترده روی رسانه های اجتماعی می تواند حوزه های باز برای تحقیق در سالهای آینده را فراهم کند.
مقاله ترجمه شده
3 IFCIot: الگوی معماری یکپارچه اینترنت اشیا بر بستر ابر مه آلود
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 9 - تعداد صفحات فایل doc فارسی: 26
در این مقاله یک الگوی معماری جدید یکپارچه برای اینترت اشیا بر بستر ابر مه آلود (IFCIoT) پیشنهاد می دهیم که ارتقاط عملکرد، بهره وری انرژی، کاهش تاخیر ، زمان واکنش سریع تر، مقیاس پذیری و دقت بهتر موقیت یابی را برای کابردهای آتی اینترنت اشیا (IoT) به ارمغان می آورد. نودهای مه (مانند سرورهای مرزی ، روترهای هوشمند و ایستگاه های پایه ) درخواست های مربوط به تخلیه محاسبات و داده سنجش شده از دستگاه های مختلف اینترنت اشیا را دریافت می کند. به منظور ارتقا کارآیی، بهره وری انرژی و پاسخگویی آنی برنامه ها، ساختار نود مه آلود (fog) قابل پیکربندی و لایه بندی شده (سرور مرزی) را پیشنهاد می دهیم که مشخصات برنامه ها را مور تجزیه و تحلیل قرار می دهد و منابع ساختار را برای تطابق بهتر با درخواست های اوج حجم کاری مورد پیکربندی مجدد قرار می دهد. لایه های این ساختار نود مه آلود شامل لایه برنامه ، لایه تجزیه و تحلیل ترافیک ، لایه مجازی سازی ، لایه پیکربندی مجدد و لایه سخت افزار است. این ساختار لایه ای سبب تسهیل انتزاع و پیاده سازی الگوی رایانش مه آلود می شود که در طبعیت توزیع شده است و به صورتی است که سازندگان مختلف (مانند ارائه دهندگان برنامه ها، خدمات، داده و محتوا) را در بر می گیرد. همچنین کاربردهای بالقوه ساختار IFCIoT مانند شهرهای هوشمند، سیستم های حمل و نقل هوشمند، نقشه های موقعیت یابی آب و هوایی و نظارت محیطی و تجزیه و تحلیل و کنترل لحظه ای داده های کشاورزی را به طور کامل مورد بررسی قرار می دهیم.
عبارت های شاخص: رایانش مه آلود | رایانش مرزی | اینترنت اشیا | معماری با قابلیت پیکربندی مجدد | شبکه دسترسی رادیویی
مقاله ترجمه شده
4 Big Data and security policies: Towards a framework for regulating the phases of analytics and use of Big Data
سیاست های داده های بزرگ و امنیت: به چارچوبی برای تنظیم مراحل تجزیه و تحلیل و استفاده از داده های بزرگ-2017
computer law & s e c u r i t y review 33 ( 2 0 1 7 ) 309–323 http://dx.doi.org/10.1016/j.clsr.2017.03.002 Available online at www.sciencedirect.com www.compseconline.com/publications/prodclaw.htm A B S T R A C T Big Data analytics in national security, law enforcement and the fight against fraud have the potential to reap great benefits for states, citizens and society but require extra safeguards to protect citizens’ fundamental rights. This involves a crucial shift in emphasis from regulating Big Data collection to regulating the phases of analysis and use. In order to benefit from the use of Big Data analytics in the field of security, a framework has to be developed that adds new layers of protection for fundamental rights and safeguards against erroneous and malicious use. Additional regulation is needed at the levels of analysis and use, and the oversight regime is in need of strengthening. At the level of analysis – the algorithmic heart of Big Data processes – a duty of care should be introduced that is part of an internal audit and external review procedure. Big Data projects should also be subject to a sunset clause. At the level of use, profiles and (semi-) automated decision-making should be regulated more tightly. Moreover, the responsibility of the data processing party for accuracy of analysis – and decisions taken on its basis – should be anchored in legislation. The general and security-specific oversight functions should be strengthened in terms of technological expertise, access and resources. The possibilities for judicial review should be expanded to stimulate the development of case law. © 2017 Dennis Broeders, Erik Schrijvers, Bart van der Sloot, Rosamunde van Brakel, Josta de Hoog & Ernst Hirsch Ballin. Published by Elsevier Ltd. All rights reserved.
Keywords:Big Data | Security | Data protection | Privacy | Regulation | Fraud | Policing | Surveillance | Algorithmic accountability | the Netherlands
مقاله انگلیسی
5 Omic and Electronic Health Record Big Data Analytics for Precision Medicine
OMIC و تجزیه و تحلیل داده های بزرگ پرونده الکترونیک سلامت برای پزشکی دقیق -2017
Objective: Rapid advances of high-throughput technologies and wide adoption of electronic health records (EHRs) have led to fast accumulation of –omic and EHR data. These voluminous complex data contain abundant information for precision medicine, and big data analytics can extract such knowledge to improve the quality of healthcare. Methods: In this paper, we present –omic and EHR data characteristics, associated challenges, and data analytics including data preprocessing, mining, and modeling. Results: To demonstrate how big data analytics enables precision medicine, we provide two case studies, including identifying disease biomarkers from multi-omic data and incorporating –omic information into EHR. Conclusion: Big data analytics is able to address –omic and EHR data challenges for paradigm shift toward precision medicine. Significance: Big data analytics makes sense of –omic and EHR data to improve healthcare outcome. It has long lasting societal impact.
Index Terms: Big data analytics | bioinformatics |elec tronic health records (EHRs) | health informatics | –omic data | precision medicine
مقاله انگلیسی
6 Big Data Behavioral Analytics Meet Graph Theory: On Effective Botnet Takedowns
تجزیه و تحلیل بزرگ داده های رفتاری منطبق بر نظریه گراف: اثر برداشت های باتنت-2017
Cyberspace continues to host highly sophisti cated malicious entities that have demonstrated their ability to launch debilitating, intimidating, and disrupting cyber attacks. Recently, such entities have been adopting orchestrated, often botmas ter-coordinated, stealthy attack strategies aimed at maximizing their targets’ coverage while minimiz ing redundancy and overlap. The latter entities, which are typically dubbed as bots within botnets, are ominously being leveraged to cause drastic Internet-wide and enterprise impacts by means of severe misdemeanors. While a plethora of litera ture approaches have devised operational cyber security techniques for the detection of such bot nets, very few have tackled the problem of how to promptly and effectively takedown such bot nets. In the past three years, we have received 12 GB of daily malicious real darknet data (i.e., Inter net traffic destined to half a million routable but unallocated IP addresses or sensors) from more than 12 countries. This article exploits such data to propose a novel Internet-scale cyber security capability that fuses big data behavioral analytics in conjunction with formal graph theoretical con cepts to infer and attribute Internet-scale infected bots in a prompt manner and identify the niche of the botnet for effective takedowns. We vali date the accuracy of the proposed approach by employing 100 GB of the Carna botnet, which is a very recent real malicious Internet-scale botnet. Since performance is also an imperative metric when dealing with big data for network security, this article further provides a comparison between two trending big data processing architectures: the almost standard Apache Hadoop system, and a more traditional and simplistic multi-threaded programming approach, by employing 1 TB of real darknet data. Several recommendations and possible future research work derived from the previous experiments conclude this article.
مقاله انگلیسی
7 Towards Max-Min Fair Resource Allocation for Stream Big Data Analytics in Shared Clouds
به سمت تخصیص منابع MAX-MIN برای تحلیل جریان داده های بزرگ در ابرهای به اشتراک گذاشته شده-2017
Distributed stream big data analytics platforms have emerged to tackle the continuously generated data streams. In stream big data analytics, the data processing workflow is abstracted as a directed graph referred to as a topology. Data are read from the storage and processed tuple by tuple, and these processing results are updated dynamically. The performance of a topology is evaluated by its throughput. This paper proposes an efficient resource allocation scheme for a heterogeneous shared stream big data analytics cluster shared by multiple topologies, in order to achieve max-min fairness in the utilities of the throughput for all the topologies. We first formulate a novel model resource allocation problem, which is a mixed 0-1 integer program. The NP-hardness of the problem is rigorously proven. To tackle this problem, we transform the non-convex constraint to several linear constraints using linearization and reformulation techniques. Based on the analysis of the problem-specific structure and characteristics, we propose an approach that iteratively solves the continuous problem with a fixed set of discrete variables optimally, and updates the discrete variables heuristically. Simulations show that our proposed resource allocation scheme remarkably improves the max-min fairness in utilities of the topology throughput, and is low in computational complexity.
Index Terms: Stream big data analytics | optimization
مقاله انگلیسی
8 Big Data Analytics for User-Activity Analysis and User-Anomaly Detection in Mobile Wireless Network
تجزیه و تحلیل داده بزرگ برای تجزیه و تحلیل کاربری فعالیت و تشخیص ناهنجاری کاربر در شبکه های بی سیم سیار-2017
The next generation wireless networks are expected to operate in fully automated fashion to meet the burgeoning capacity demand and to serve users with superior quality of experience. Mobile wireless networks can leverage spatiotemporal information about user and network condition to embed the system with end-to-end visibility and intelligence. Big data analytics has emerged as a promising approach to unearth meaningful insights and to build artificially intelligent models with assistance of machine learning tools. Utilizing aforementioned tools and techniques, this paper contributes in two ways. First, we utilize mobile network data (big data) – call detail record (CDR) – to analyze anomalous behavior of mobile wireless network. For anomaly detection purposes, we use unsupervised clustering techniques namely k-means clustering and hierarchical clustering. We compare the detected anomalies with ground truth information to verify their correctness. From the comparative analysis, we observe that when the network experiences abruptly high (unusual) traffic demand at any location and time, it identifies that as anomaly. This helps in identifying regions of interest (RoI) in the network for special action such as resource allocation, fault avoidance solution etc. Second, we train a neural-network based prediction model with anomalous and anomaly-free data to highlight the effect of anomalies in data while training/building intelligent models. In this phase, we transform our anomalous data to anomaly-free and we observe that the error in prediction while training the model with anomaly-free data has largely decreased as compared to the case when the model was trained with anomalous data.
Index Terms: Next generation wireless networks | 5G | Anomaly detection | call detail record | machine learning | network analytics | network behavior analysis | wireless cellular network
مقاله انگلیسی
9 QuantCloud: Big Data Infrastructure for Quantitative Finance on the Cloud
QuantCloud: زیرساخت داده های بزرگ برای سرمایه گذاری کمی در ابر-2017
In this paper, we present the QuantCloud infrastructure, designed for performing big data analytics in modern quantitative finance. Through analyzing market observations, quantitative finance (QF) utilizes mathematical models to search for subtle patterns and inefficiencies in financial markets to improve prospective profits. To discover profitable signals in anticipation of volatile trading patterns amid a global market, analytics are carried out on Exabyte-scale market metadata with a complex process in pursuit of a microsecond or even a nanosecond of data processing advantage. This objective motivates the development of innovative tools to address challenges for handling high volume, velocity, and variety investment instruments. Inspired by this need, we developed QuantCloud by employing large-scale SSD-backed datastore, various parallel processing algorithms, and portability in Cloud computing. QuantCloud bridges the gap between model computing techniques and financial data-driven research. The large volume of market data is structured in an SSD-backed datastore, and a daemon reacts to provide the Data-on-Demand services. Multiple client services process user requests in a parallel mode and query on-demand datasets from the datastore through Internet connections. We benchmark QuantCloud performance on a 40-core, 1TB-memory computer and a 5-TB SSD-backed datastore. We use NYSE TAQ data from the fourth quarter of 2014 as our market data. The results indicate data-access application latency as low as 3.6 nanoseconds per message, sustained throughput for parallel data processing as high as 74 million messages per second, and completion of 11 petabyte-level data analytics within 53 minutes. Our results demonstrate that the aggregated contributions of our infrastructure, parallel algorithms, and sophisticated implementations offer the algorithmic trading and financial engineering community new hope and numeric insights for their research and development.
Index Terms: Big Data | Cloud computing | Quantitative Finance | Parallel Processing
مقاله انگلیسی
10 The role of big data analytics in Internet of Things
نقش تجزیه و تحلیل داده های بزرگ در اینترنت اشیاء-2017
The explosive growth in the number of devices connected to the Internet of Things (IoT) and the ex ponential increase in data consumption only reflect how the growth of big data perfectly overlaps with that of IoT. The management of big data in a continuously expanding network gives rise to non-trivial concerns regarding data collection efficiency, data processing, analytics, and security. To address these concerns, researchers have examined the challenges associated with the successful deployment of IoT. Despite the large number of studies on big data, analytics, and IoT, the convergence of these areas cre ates several opportunities for flourishing big data and analytics for IoT systems. In this paper, we explore the recent advances in big data analytics for IoT systems as well as the key requirements for managing big data and for enabling analytics in an IoT environment. We taxonomized the literature based on im portant parameters. We identify the opportunities resulting from the convergence of big data, analytics, and IoT as well as discuss the role of big data analytics in IoT applications. Finally, several open challenges are presented as future research directions.
Keywords: Internet of Things | Big data | Analytics | Distributed computing | Smart city
مقاله انگلیسی
موضوعات
footer