http://wiki.occc.ir/api.php?action=feedcontributions&feedformat=atom&user=%D9%85%D8%B9%D8%B5%D9%88%D9%85%D9%87+%D8%B1%D8%B6%D8%A7%D8%A6%DB%8C+%D8%AC%D9%85 2026-07-11T19:29:24Z مشارکت‌های کاربر MediaWiki 1.38.4 http://wiki.occc.ir/index.php?title=%D8%A7%D9%86%D8%A8%D8%A7%D8%B1_%D8%AF%D8%A7%D8%AF%D9%87&diff=10632 2015-05-12T00:20:03Z

<p>معصومه رضائی جم: صفحه‌ای جدید حاوی «==تعریف== یک انبار داده، پایگاه داده رابطه ای است که بیشتر برای پرس و جو و تحلی...» ایجاد کرد</p> <hr /> <div>==تعریف==<br /> <br /> یک انبار داده، پایگاه داده رابطه ای است که بیشتر برای پرس و جو و تحلیل طراحی شده است تا برای پردازش تراکنش. معمولا حاوی داده های تاریخی است که از داده های تراکنش ها بدست آمده اند. &lt;br /&gt;<br /> ویژگی های عمومی یک انبار داده شامل موارد زیر است:<br /> * موضوع محوری<br /> * یکپارچگی<br /> * پایایی<br /> * بیان عامل زمان</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=%D9%87%D9%85%D8%A7%DB%8C%D8%B4_%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87_%D8%AF%DB%8C_%DB%B1%DB%B3%DB%B9%DB%B3:%D9%86%D8%B4%D8%B3%D8%AA_%DA%A9%D8%A7%D8%A8%D8%B1%D8%AF%D9%87%D8%A7_%D9%88_%D8%B1%D8%A7%D9%87%DA%A9%D8%A7%D8%B1%D9%87%D8%A7%DB%8C_%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA_%D8%AF%D8%A7%D8%AF%D9%87_%D9%87%D8%A7%DB%8C_%D8%B9%D8%B8%DB%8C%D9%85&diff=6304 2015-01-24T11:05:09Z

<p>معصومه رضائی جم: </p> <hr /> <div>مستند شده توسط: معصومه رضائی جم<br /> <br /> =مقالات ارائه شده=<br /> ==مقاله 1==<br /> '''عنوان مقاله:''' ارائه مدل مفهومی روندها و حوزه های تحقیقاتی داده های عظیم<br /> <br /> '''نام ارائه دهنده:''' دکتر علیرضا یاری<br /> <br /> '''چالش مطرح شده:'''<br /> حوزه های تحقیقاتی در کلان داده چیست؟<br /> <br /> '''خلاصه مطالب ارائه شده:'''<br /> به رشد بسیار سریع داده ها و جایگاه و اهمیت مباحث کلان داده در دنیا اشاره شد و مباحثی از جمله تعریف، خواص سه گانه و خواهش هفتگانه آن بیان گردید که قبلا در [http://%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87 صفحه تعاریف کلان داده در ویکی] مطرح شده است.<br /> <br /> '''راه حل های ارائه شده:'''<br /> مدل مفهومی در حوزه کلان داده پیشنهاد می شود تا به وسیله آن نگاه های مختلفی که به کلان داده وجود دارد نشان داده شود. این مدل دارای 2 سطح است. یکی در سطح اول یعنی سطح فنی که مراحل، سیاست ها ، فرآیندها و متدولوژی ها را بیان می کند و سطح دوم یعنی سطح کلان که در نگاه کلانتر، نیازمندی های محیطی، کاربردها، سناریو، سرویس ها و از این قبیل را مورد بررسی قرار می دهد.<br /> ''سطح اول یا همان سطح فنی:''<br /> مراحل شامل تولید ، دریافت و انتقال ، ذخیره سازی ، تحلیل است. که فرایند دریافت شامل جمع آوری ، انتقال ، پیش پردازش است و فرایند تحلیل شامل ایجاد منابع داده ، مدیریت و نگهداری داده ، مدلسازی داده ، تحلیل نتیجه و نمایش آن می باشد. همچنین تحلیل دارای سیاستهایی است که شامل انواع توصیفی ، پیش بینی ، تجویزی می باشد.<br /> متدولوژی های این سطح متشکل است از : داده كاوي - بهينه سازي - تشخيص الگو - يادگيري ماشين - شبكه عصبي - پردازش سيگنال - آمار و رياضيات محض<br /> <br /> ''سطح دوم یا همان سطح کلان''<br /> بعنوان نمونه در این سطح موارد زیر مطرح است:<br /> ذينفعان در آن عبارتند از توليدکنندگان داده هاي عظيم- سياستگذاران-توسعه دهندگان- سرويس‌دهندگان- مخاطبين <br /> سرویس ها در آن عبارتند از آناليز آفلاين به عنوان سرويس - آناليز برخط و پيوسته به عنوان سرويس - پايگاه داده به عنوان سرويس - داده به عنوان سرويس - دانش به عنوان سرويس - اطلاعات به عنوان سرويس - هوشمندي به عنوان سرويس<br /> اقلام نوع داده عبارتند از ساخت يافته: داراي اسکيما و مدلهاي از قبل تعريف شده - غير ساخت يافته: بدون هيچ مدل از پيش تعريف شده - نيمه ساخت يافته: فاقد مدل ساخت يافته - ترکيب: انواع متفاوت داده در کنار يکديگر<br /> <br /> <br /> ''چالشها و فرصتهاي پيش رو در مواجهه با داده هاي عظيم''<br /> چالشها عبارتند از :<br /> امنيت<br /> بودجه<br /> نيروي انساني ماهر در پياده سازي و به کارگيري داده عظيم<br /> دشواري در يکپارچگي با سيستم­هاي فعلي<br /> فروشندگان محدود در اين حوزه<br /> همچنين عدم آمادگي سازمان <br /> <br /> مهمترین فاکتورهای موفقیت عبارتند از:<br /> توجه به بين رشته اي بودن پديده داده عظيم <br /> تعامل تيم هاي کسب و کار و فناوري اطلاعات<br /> برخورداري از حمايت مديران ارشد<br /> <br /> <br /> ''زمينه هاي نوين تحقيقاتي داده هاي عظيم''<br /> زيرساخت ها و بسترهاي داده هاي عظيم - امنيت، مسائل حقوقي و استانداردهاي داده هاي عظيم - مدل ها، الگوريتم ها و راهکارهاي ذخيره، دسترسي، جستجو، تحليل، پالايش، پردازش، کاوش و مديريت داده هاي عظيم - سرمايه گذاري، راهبرد و الگوهاي مهاجرت به داده هاي عظيم - مديريت مصرف انرژي در داده هاي عظيم<br /> <br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید:'''<br /> به دنبال راهکارها و روش های مناسبی باشیم تا داده های عطیم را هوشمندانه تر ذخیره کنیم تا بهره گیری از آنها بهتر گردد.<br /> بهتر است به جای عبارت &quot;دانش بعنوان سرویس&quot; از عبارت &quot;استفاده از دانش بعنوان سرویس&quot; بهره بگیریم.<br /> <br /> ==مقاله 2==<br /> عنوان مقاله: مدیریت داده های عظیم در موتورهای جستجو<br /> <br /> نام ارائه دهنده: دکتر علیمحمد زارع بیدکی<br /> <br /> '''چالش مطرح شده''': چالشهای دنیای وب از جمله حجم زياد اطلاعات با رشد نمايي (11 ميليارد صفحه در 2005 (ايران ده ميليون)، 150 ميليارد صفحه در 2014 ( ايران ششصد ميليون)) و همچنین محيط پويا (صفحات جديد با نرخ 8درصد در هفته توليد ميشوند، 20 درصد صفحات موجود بعد از يكسال قابل دسترس نيستند، محيطي با اطلاعات متنوع HTML، DOC، PDF، MP3 و غيره)<br /> <br /> '''خلاصه مطالب ارائه شده''':<br /> در این ارائه بر روی موتور جستجو پارسی جو تمرکز شد و آمارها بصورت زیر ارائه گردید:<br /> پوشش پانصد ميليون سند فارسي -<br /> داراي خزشگري به نام ايساتيس با قدرت خزش دو ميليارد سند به صورت متوالي -<br /> هوشمند در تشخيص اسناد مهم -<br /> خزش دوره اي در بازه هاي منظم -<br /> نمايه سازي و پردازش سريع اطلاعات -<br /> طراحيِ مبتني بر بستر توزيع شده و مقياس پذير -<br /> استفاده از پردازشگر هوشمند زبان فارسي -<br /> طراحي و پياده سازي يك خطاياب هوشمند -<br /> پياده سازي پردازشگر متون فارسي -<br /> استفاده از روش رتبه بندي كارا -<br /> بهينه سازي و ارتقاء مداوم الگوريتم -<br /> <br /> همچنین به پردازش گراف وب با گراف با پانصد ميليون گره و بيش از ده ميليارد يال، اجراي الگوريتم هاي رتبه بندي مبتني بر گراف (محبوبيت) و اجراي الگوريتم هاي تشخيص صفحات اسپم اشاره گردید که اینها همگی نیازمند کار با داده ای در حجم عظیم و کلان است.<br /> <br /> '''راه‌حل‌های ارائه‌شده برای چالش مطرح‌شده'''<br /> در این ارائه راه حل مدونی برای این چالش ها مطرح نشد و بیشتر بر روی مقیاس بزرگ داده صحبت شد.<br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید'''<br /> حضار عدم ارائه راه حل توسط ارائه دهنده را به عنوان نقصی بر ارائه مطرح نمودند.<br /> <br /> ==مقاله 3==<br /> عنوان مقاله: داده های عظیم در دوران پساژنوم<br /> <br /> نام ارائه دهنده: دکتر مهدی صادقی<br /> <br /> '''چالش مطرح‌شده'''<br /> استفاده از کلان داده در زیست شناسی به امری ضروری و غیر قابل اجتناب تبدیل شده است. زیرا در زیست شناسی نیز به شدت تکنولوژی رشد پیدا کرده است و به همین دلیل داده به شدت بسیار زیادی تولید می گردد که قطعا این حجم عظیم داده باید آنالیز شده و از آن معنا استخراج گردد. بعنوان نمونه اطلاعات تنها یک ژنوم انسان در حدود چند میلیارد کاراکتر است. این داده در واقع حافظه سلول ماست و بدن انسان شبکه عظیمی از این سلول هاست.<br /> <br /> '''خلاصه مطالب ارائه شده'''<br /> اطلاعات بسیاری در باره پیچیدگی و وسعت اطلاعات ژنوم ارائه شد تا تصدیقی بر عظیم بودن، پیچیدگی و تنوع اطلاعات آن باشد. <br /> علم زیست شناسی به سمتی پیش می رود که در آینده نزدیک در دنیا هر کس داروی مخصوص به خود را خواهد داشت که این دارو با توجه به اطلاعات ژنوم او تجویز خواهد شد. بدین منظور روزانه اطلاعات سلامت فرد که در حدود چند پتا بایت است پردازش می گردد.<br /> آنالیز این داده عظیم می تواند مواردی چون طول عمر بیمار، بیماری های آینده و ... را پیش بینی نماید که البته نگرانی برای حقوقدانان محسوب می شود.<br /> <br /> '''راه‌حل‌های ارائه‌شده برای چالش مطرح‌شده'''<br /> در واقع این ارائه بر روی کاربرد و نقش مهم کلان داده در زیست شناسی تمرکز کرده بود و به دنبال راه حلی نبود.<br /> <br /> '''نکته کاربردی'''<br /> باید همواره توجه داشت که چنین حجم عظیمی از داده نیازمند این است که حتما در '''حین تولید''' آن '''الگوها استخراج''' گردند تا جمع آوری و پردازش آن هوشمندانه تر صورت گیرد.<br /> <br /> <br /> ==مقاله 4==<br /> '''عنوان مقاله:''' ارائه مدل داده مناسب برای داده های عظیم<br /> <br /> '''نام ارائه دهنده:''' دکتر علی اصغر صفایی<br /> <br /> '''چالش مطرح‌شده'''<br /> ارائه یک مدل داده پیشنهادی که برای کلان داده مناسب و کارآمد باشد در حالیکه مدل های سنتی برای داده های جدید، کاربردهای جدید و ارتباطات جدید، ضعیف بوده و مقیاس پذیر نیستند.<br /> <br /> '''خلاصه مطالب ارائه شده'''<br /> مدل هاي داده مورد استفاده براي داده هاي عظيم به 3 دسته تقسیم می شوند:<br /> 1.رابطه اي و شيء-رابطه اي که دارای خواص ساخت یافته، ضعف در پشتيباني از ارتباط ها، عدم مقياس پذيري می باشد.<br /> 2.XML که انعطاف پذير اما با امنيت پايين و همچنین دارای ساختار درختواره می باشد.<br /> 3. (NoSQL (Column, Document, Key-value, Graph که پشتيباني از ارتباط ها، نسبتاً مقياس پذير، در اغلب کاربردهای فعلي داده هاي عظيم نظير شبکه هاي اجتماعي از جمله ویژگی های آن است.<br /> <br /> '''راه‌حل‌های ارائه‌شده برای چالش مطرح‌شده'''<br /> در روش پیشنهادی برای رسیدن به ویژگی های یک مدل داده مناسب و خوب، مدلی با نام گراف تو در تو معرفی می گردد که مبتني بر مدل گراف بوده و هر نمونه در قالب يک گره است که با ساير نمونه ها در ارتباط است (انواع گوناگون ارتباط). همچنین هر گره خود مي تواند شامل داده، يا زيرگره باشد (تعريف بازگشتي). در آن هرگره شامل داده ذخيره شده براي آن موجوديت (صفت هاي خاصه) در قالب هاي ساختيافته (Row)، نيمه ساختيافته (المان XML) يا <br /> غيرساختيافته (يک document مثلاً از نوع متني) می باشد. بعلاوه هر گره می تواند شامل زيرگره هايي ديگر (با استفاده از نوع داده ارجاع (ref)) نیز باشد.<br /> <br /> برای مدل پیشنهادی می توان مزایایی از قبیل مقياس پذيری از نظر اندازه (Volume) و همچنین جغرافيا، انعطاف پذيري در پشتيباني انواع داده (Variety)، سازگاري <br /> با مدل هاي داده سنتي (رابطه اي، شيء-رابطه اي)، کارايي در پيمايش سريع و راحت ارتباط ها (بين گره ها و زيرگره ها) (Velocity) و نسبتاً ساده بودن را ادعا کرد.<br /> <br /> <br /> ==مقاله 5==<br /> '''عنوان مقاله:''' خوشه‌بندی انعطاف‌پذیر مبتنی بر چگالی داده‌های عظیم شبکه<br /> <br /> '''نام ارائه دهنده:''' مهندس سعید عادل مهربان<br /> <br /> '''چالش مطرح‌شده'''<br /> چالش‌های پردازش داده‌های عظیم همچون محدودیت ذخیره‌سازی، محدودیت پردازشی و خرابی گره‌ها مورد توجه قرار گرفته که خوشه‌بندی داده‌های عظیم و توسعهٔ روش‌های کلاسیک برای سکّوهای پردازش داده‌های عظیم برای رفع این چالش ها به عنوان هدف مطرح است.<br /> <br /> '''راه‌حل‌های ارائه‌شده برای چالش مطرح‌شده'''<br /> الگوریتمی که ارائه می گردد دارای ویژگی های زیر است:<br /> * روش خوشه‌بندی مبتنی بر چگالی (تمرکز بر خوشه‌هایی با چگالی متفاوت) KNNCA<br /> * چارچوب پردازش توزیع‌شده نگاشت‌کاهش و توسعهٔ روش خوشه‌بندی MR-KNNCA<br /> * رویکرد انتخابی تقسیم فضا و خوشه‌بندی محلّی و استفاده از آمار موجود در داده‌ها جهت تقسیم فضا<br /> <br /> بنابراین مراحل زیر را دنبال می کند:<br /> # تقسیم فضا جهت ممکن کردن پردازش داده‌ها در یک گره<br /> # خوشه‌بندی داده‌های هر قسمت در یک گره<br /> # ادغام نتایج خوشه‌های قسمت‌های مختلف<br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید'''<br /> دیتا ست تولیدی برای ارزیابی روش خیلی معتبر نیست.<br /> <br /> <br /> ==مقاله 6==<br /> '''عنوان مقاله:''' تحلیل داده های عظیم ثبت وقایع موتور جستجوی بومی با هدف رفتارشناسی و ذائقه سنجی کاربران فارسی زبان<br /> <br /> '''نام ارائه دهنده:''' مهندس مریم محمودی<br /> <br /> '''چالش مطرح شده:'''<br /> شناخت رفتار و علائق كاربران فارسي زبان در وب و توليد ابزار ارزيابي و نظارت بر موتور جستجوي بومي هدف این پژوهش بوده است که برای این منظور چالش های پیش رو حجم بالاي داده‏ ها، استخراج اطلاعات مفيد از ميان انبوهي از داده‏هاي لاگ و سرعت پاسخگويي بالا از جمله آنها می باشد.<br /> <br /> '''خلاصه مطالب ارائه شده:'''<br /> نتايج تحليل­ها نشان می دهد که به طور متوسط طول پرس ­وجوي مورد استفاده كاربران فارسي­ زبان بيشتر از طول پرس­ وجوي كاربران غيرفارسي­ زبان است. <br /> كاربران اين موتور جستجو بيشتر از سرويس متني استفاده مي­كنند و علاقمند به جستجوي موضوعات خبري، تفريحي، و اقتصادي مي­باشند.همچنین مراجعات بستر موبايل متوسط آمار كليك قابل توجهي دارد. باید دانست که داده ­هاي فايل ثبت وقايع حاوي اطلاعات ارزشمندي هستند كه براي فعالان و برنامه ­ريزان حوزه فناوري اطلاعات، تجارت الكترونيك، دولت­الكترونيك قابل استفاده است. <br /> <br /> <br /> '''راه حل های ارائه شده:'''<br /> به طور کلي به منظور تحليل رفتار کاربران موتور جستجوي پارسي­جو از طريق داده­هاي فايل ثبت وقايع، پنج مرحله جمع‌آوري داده، استخراج و پاكسازي داده­ها، يكپارچه­سازي و جمع­بندي داده­ ها،‌ تحليل داده­ها، و تفسير داده صورت گرفت. با توجه به حجم انبوه داده­هاي فايل ثبت وقايع و متعاقباً پردازش­هاي سنگين، در مراحل پاكسازي و استخراج اطلاعات از داده­ها از بستر هدوپ استفاده شده است.<br /> <br /> <br /> <br /> ==مقاله 7==<br /> '''عنوان مقاله:''' ارائه مدلی جهت خوشه بندی جریان صفحات وب برای موتورهای جستجو با استفاده از محیط های توزیع شده<br /> <br /> '''نام ارائه دهنده:''' مهندس سعید رحمانی<br /> <br /> '''چالش مطرح شده:'''<br /> آیا می توان برای خوشه بندی صفحات وب، از مدلی مبتنی بر توزیع شدگی بهره گرفت؟<br /> <br /> '''راه حل های ارائه شده:'''<br /> الگوریتمی با نام FICA را برای رتبه بندی گره های گراف پیشنهاد کرده اند که برای پیاده سازی آن از مپ ردیوس بهره می گیرند.<br /> <br /> <br /> <br /> = بحث و تبادل نظر و جمع بندی=<br /> دریافت پروپوزال و چالش از افراد حاضر در صنعت در چنین همایش هایی امکانپذیر و مفید خواهد بود.<br /> بعلاوه باید به دنبال راهکارهایی برای جذب اعتماد صنعت جهت ورود به حوزه کلان داده باشیم تا بتوانیم ضمن دریافت نیازها و چالش های آن ها، برای استفاده از راهکارهای کلان داده آنها را تشویق نماییم. البته متاسفانه به علت کمبود زمان و کاهش تعداد حاضرین، بحث تکمیلی درباره ی اینگونه راهکارها انجام نشد. همچنین به نکاتی از قبیل افزایش تعداد روزهای همایش در عوض فشردگی برنامه ها نیز اشاره گردید.<br /> <br /> <br /> <br /> =لینک های مرتبط=<br /> * [[مستند سازی همایش کلان داده دی ۱۳۹۳]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست زیرساخت ها و بسترهای داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست سرمایه گذاری، راهبرد و الگوهای مهاجرت به داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست امنیت، مسائل حقوقی و استانداردهای داده های عظیم]]</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=%D9%87%D9%85%D8%A7%DB%8C%D8%B4_%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87_%D8%AF%DB%8C_%DB%B1%DB%B3%DB%B9%DB%B3:%D9%86%D8%B4%D8%B3%D8%AA_%DA%A9%D8%A7%D8%A8%D8%B1%D8%AF%D9%87%D8%A7_%D9%88_%D8%B1%D8%A7%D9%87%DA%A9%D8%A7%D8%B1%D9%87%D8%A7%DB%8C_%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA_%D8%AF%D8%A7%D8%AF%D9%87_%D9%87%D8%A7%DB%8C_%D8%B9%D8%B8%DB%8C%D9%85&diff=6303 2015-01-24T10:42:58Z

<p>معصومه رضائی جم: </p> <hr /> <div>مستند شده توسط: معصومه رضائی جم<br /> <br /> =مقالات ارائه شده=<br /> ==مقاله 1==<br /> '''عنوان مقاله:''' ارائه مدل مفهومی روندها و حوزه های تحقیقاتی داده های عظیم<br /> <br /> '''نام ارائه دهنده:''' دکتر علیرضا یاری<br /> <br /> '''چالش مطرح شده:'''<br /> حوزه های تحقیقاتی در کلان داده چیست؟<br /> <br /> '''خلاصه مطالب ارائه شده:'''<br /> به رشد بسیار سریع داده ها و جایگاه و اهمیت مباحث کلان داده در دنیا اشاره شد و مباحثی از جمله تعریف، خواص سه گانه و خواهش هفتگانه آن بیان گردید که قبلا در [http://%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87 صفحه تعاریف کلان داده در ویکی] مطرح شده است.<br /> <br /> '''راه حل های ارائه شده:'''<br /> مدل مفهومی در حوزه کلان داده پیشنهاد می شود تا به وسیله آن نگاه های مختلفی که به کلان داده وجود دارد نشان داده شود. این مدل دارای 2 سطح است. یکی در سطح اول یعنی سطح فنی که مراحل، سیاست ها ، فرآیندها و متدولوژی ها را بیان می کند و سطح دوم یعنی سطح کلان که در نگاه کلانتر، نیازمندی های محیطی، کاربردها، سناریو، سرویس ها و از این قبیل را مورد بررسی قرار می دهد.<br /> ''سطح اول یا همان سطح فنی:''<br /> مراحل شامل تولید ، دریافت و انتقال ، ذخیره سازی ، تحلیل است. که فرایند دریافت شامل جمع آوری ، انتقال ، پیش پردازش است و فرایند تحلیل شامل ایجاد منابع داده ، مدیریت و نگهداری داده ، مدلسازی داده ، تحلیل نتیجه و نمایش آن می باشد. همچنین تحلیل دارای سیاستهایی است که شامل انواع توصیفی ، پیش بینی ، تجویزی می باشد.<br /> متدولوژی های این سطح متشکل است از : داده كاوي - بهينه سازي - تشخيص الگو - يادگيري ماشين - شبكه عصبي - پردازش سيگنال - آمار و رياضيات محض<br /> <br /> ''سطح دوم یا همان سطح کلان''<br /> بعنوان نمونه در این سطح موارد زیر مطرح است:<br /> ذينفعان در آن عبارتند از توليدکنندگان داده هاي عظيم- سياستگذاران-توسعه دهندگان- سرويس‌دهندگان- مخاطبين <br /> سرویس ها در آن عبارتند از آناليز آفلاين به عنوان سرويس - آناليز برخط و پيوسته به عنوان سرويس - پايگاه داده به عنوان سرويس - داده به عنوان سرويس - دانش به عنوان سرويس - اطلاعات به عنوان سرويس - هوشمندي به عنوان سرويس<br /> اقلام نوع داده عبارتند از ساخت يافته: داراي اسکيما و مدلهاي از قبل تعريف شده - غير ساخت يافته: بدون هيچ مدل از پيش تعريف شده - نيمه ساخت يافته: فاقد مدل ساخت يافته - ترکيب: انواع متفاوت داده در کنار يکديگر<br /> <br /> <br /> ''چالشها و فرصتهاي پيش رو در مواجهه با داده هاي عظيم''<br /> چالشها عبارتند از :<br /> امنيت<br /> بودجه<br /> نيروي انساني ماهر در پياده سازي و به کارگيري داده عظيم<br /> دشواري در يکپارچگي با سيستم­هاي فعلي<br /> فروشندگان محدود در اين حوزه<br /> همچنين عدم آمادگي سازمان <br /> <br /> مهمترین فاکتورهای موفقیت عبارتند از:<br /> توجه به بين رشته اي بودن پديده داده عظيم <br /> تعامل تيم هاي کسب و کار و فناوري اطلاعات<br /> برخورداري از حمايت مديران ارشد<br /> <br /> <br /> ''زمينه هاي نوين تحقيقاتي داده هاي عظيم''<br /> زيرساخت ها و بسترهاي داده هاي عظيم - امنيت، مسائل حقوقي و استانداردهاي داده هاي عظيم - مدل ها، الگوريتم ها و راهکارهاي ذخيره، دسترسي، جستجو، تحليل، پالايش، پردازش، کاوش و مديريت داده هاي عظيم - سرمايه گذاري، راهبرد و الگوهاي مهاجرت به داده هاي عظيم - مديريت مصرف انرژي در داده هاي عظيم<br /> <br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید:'''<br /> به دنبال راهکارها و روش های مناسبی باشیم تا داده های عطیم را هوشمندانه تر ذخیره کنیم تا بهره گیری از آنها بهتر گردد.<br /> بهتر است به جای عبارت &quot;دانش بعنوان سرویس&quot; از عبارت &quot;استفاده از دانش بعنوان سرویس&quot; بهره بگیریم.<br /> <br /> ==مقاله 2==<br /> عنوان مقاله: مدیریت داده های عظیم در موتورهای جستجو<br /> <br /> نام ارائه دهنده: دکتر علیمحمد زارع بیدکی<br /> <br /> '''چالش مطرح شده''': چالشهای دنیای وب از جمله حجم زياد اطلاعات با رشد نمايي (11 ميليارد صفحه در 2005 (ايران ده ميليون)، 150 ميليارد صفحه در 2014 ( ايران ششصد ميليون)) و همچنین محيط پويا (صفحات جديد با نرخ 8درصد در هفته توليد ميشوند، 20 درصد صفحات موجود بعد از يكسال قابل دسترس نيستند، محيطي با اطلاعات متنوع HTML، DOC، PDF، MP3 و غيره)<br /> <br /> '''خلاصه مطالب ارائه شده''':<br /> در این ارائه بر روی موتور جستجو پارسی جو تمرکز شد و آمارها بصورت زیر ارائه گردید:<br /> پوشش پانصد ميليون سند فارسي -<br /> داراي خزشگري به نام ايساتيس با قدرت خزش دو ميليارد سند به صورت متوالي -<br /> هوشمند در تشخيص اسناد مهم -<br /> خزش دوره اي در بازه هاي منظم -<br /> نمايه سازي و پردازش سريع اطلاعات -<br /> طراحيِ مبتني بر بستر توزيع شده و مقياس پذير -<br /> استفاده از پردازشگر هوشمند زبان فارسي -<br /> طراحي و پياده سازي يك خطاياب هوشمند -<br /> پياده سازي پردازشگر متون فارسي -<br /> استفاده از روش رتبه بندي كارا -<br /> بهينه سازي و ارتقاء مداوم الگوريتم -<br /> <br /> همچنین به پردازش گراف وب با گراف با پانصد ميليون گره و بيش از ده ميليارد يال، اجراي الگوريتم هاي رتبه بندي مبتني بر گراف (محبوبيت) و اجراي الگوريتم هاي تشخيص صفحات اسپم اشاره گردید که اینها همگی نیازمند کار با داده ای در حجم عظیم و کلان است.<br /> <br /> '''راه‌حل‌های ارائه‌شده برای چالش مطرح‌شده'''<br /> در این ارائه راه حل مدونی برای این چالش ها مطرح نشد و بیشتر بر روی مقیاس بزرگ داده صحبت شد.<br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید'''<br /> حضار عدم ارائه راه حل توسط ارائه دهنده را به عنوان نقصی بر ارائه مطرح نمودند.<br /> <br /> ==مقاله 3==<br /> عنوان مقاله: داده های عظیم در دوران پساژنوم<br /> <br /> نام ارائه دهنده: دکتر مهدی صادقی<br /> <br /> '''چالش مطرح‌شده'''<br /> استفاده از کلان داده در زیست شناسی به امری ضروری و غیر قابل اجتناب تبدیل شده است. زیرا در زیست شناسی نیز به شدت تکنولوژی رشد پیدا کرده است و به همین دلیل داده به شدت بسیار زیادی تولید می گردد که قطعا این حجم عظیم داده باید آنالیز شده و از آن معنا استخراج گردد. بعنوان نمونه اطلاعات تنها یک ژنوم انسان در حدود چند میلیارد کاراکتر است. این داده در واقع حافظه سلول ماست و بدن انسان شبکه عظیمی از این سلول هاست.<br /> <br /> '''خلاصه مطالب ارائه شده'''<br /> اطلاعات بسیاری در باره پیچیدگی و وسعت اطلاعات ژنوم ارائه شد تا تصدیقی بر عظیم بودن، پیچیدگی و تنوع اطلاعات آن باشد. <br /> علم زیست شناسی به سمتی پیش می رود که در آینده نزدیک در دنیا هر کس داروی مخصوص به خود را خواهد داشت که این دارو با توجه به اطلاعات ژنوم او تجویز خواهد شد. بدین منظور روزانه اطلاعات سلامت فرد که در حدود چند پتا بایت است پردازش می گردد.<br /> آنالیز این داده عظیم می تواند مواردی چون طول عمر بیمار، بیماری های آینده و ... را پیش بینی نماید که البته نگرانی برای حقوقدانان محسوب می شود.<br /> <br /> '''راه‌حل‌های ارائه‌شده برای چالش مطرح‌شده'''<br /> در واقع این ارائه بر روی کاربرد و نقش مهم کلان داده در زیست شناسی تمرکز کرده بود و به دنبال راه حلی نبود.<br /> <br /> '''نکته کاربردی'''<br /> باید همواره توجه داشت که چنین حجم عظیمی از داده نیازمند این است که حتما در '''حین تولید''' آن '''الگوها استخراج''' گردند تا جمع آوری و پردازش آن هوشمندانه تر صورت گیرد.<br /> <br /> <br /> ==مقاله 4==<br /> '''عنوان مقاله:''' ارائه مدل داده مناسب برای داده های عظیم<br /> <br /> '''نام ارائه دهنده:''' دکتر علی اصغر صفایی<br /> <br /> '''چالش مطرح‌شده'''<br /> ارائه یک مدل داده پیشنهادی که برای کلان داده مناسب و کارآمد باشد در حالیکه مدل های سنتی برای داده های جدید، کاربردهای جدید و ارتباطات جدید، ضعیف بوده و مقیاس پذیر نیستند.<br /> <br /> '''خلاصه مطالب ارائه شده'''<br /> مدل هاي داده مورد استفاده براي داده هاي عظيم به 3 دسته تقسیم می شوند:<br /> 1.رابطه اي و شيء-رابطه اي که دارای خواص ساخت یافته، ضعف در پشتيباني از ارتباط ها، عدم مقياس پذيري می باشد.<br /> 2.XML که انعطاف پذير اما با امنيت پايين و همچنین دارای ساختار درختواره می باشد.<br /> 3. (NoSQL (Column, Document, Key-value, Graph که پشتيباني از ارتباط ها، نسبتاً مقياس پذير، در اغلب کاربردهای فعلي داده هاي عظيم نظير شبکه هاي اجتماعي از جمله ویژگی های آن است.<br /> <br /> '''راه‌حل‌های ارائه‌شده برای چالش مطرح‌شده'''<br /> در روش پیشنهادی برای رسیدن به ویژگی های یک مدل داده مناسب و خوب، مدلی با نام گراف تو در تو معرفی می گردد که مبتني بر مدل گراف بوده و هر نمونه در قالب يک گره است که با ساير نمونه ها در ارتباط است (انواع گوناگون ارتباط). همچنین هر گره خود مي تواند شامل داده، يا زيرگره باشد (تعريف بازگشتي). در آن هرگره شامل داده ذخيره شده براي آن موجوديت (صفت هاي خاصه) در قالب هاي ساختيافته (Row)، نيمه ساختيافته (المان XML) يا <br /> غيرساختيافته (يک document مثلاً از نوع متني) می باشد. بعلاوه هر گره می تواند شامل زيرگره هايي ديگر (با استفاده از نوع داده ارجاع (ref)) نیز باشد.<br /> <br /> برای مدل پیشنهادی می توان مزایایی از قبیل مقياس پذيری از نظر اندازه (Volume) و همچنین جغرافيا، انعطاف پذيري در پشتيباني انواع داده (Variety)، سازگاري <br /> با مدل هاي داده سنتي (رابطه اي، شيء-رابطه اي)، کارايي در پيمايش سريع و راحت ارتباط ها (بين گره ها و زيرگره ها) (Velocity) و نسبتاً ساده بودن را ادعا کرد.<br /> <br /> <br /> ==مقاله 5==<br /> '''عنوان مقاله:''' خوشه‌بندی انعطاف‌پذیر مبتنی بر چگالی داده‌های عظیم شبکه<br /> <br /> '''نام ارائه دهنده:''' مهندس سعید عادل مهربان<br /> <br /> '''چالش مطرح‌شده'''<br /> چالش‌های پردازش داده‌های عظیم همچون محدودیت ذخیره‌سازی، محدودیت پردازشی و خرابی گره‌ها مورد توجه قرار گرفته که خوشه‌بندی داده‌های عظیم و توسعهٔ روش‌های کلاسیک برای سکّوهای پردازش داده‌های عظیم برای رفع این چالش ها به عنوان هدف مطرح است.<br /> <br /> '''راه‌حل‌های ارائه‌شده برای چالش مطرح‌شده'''<br /> الگوریتمی که ارائه می گردد دارای ویژگی های زیر است:<br /> * روش خوشه‌بندی مبتنی بر چگالی (تمرکز بر خوشه‌هایی با چگالی متفاوت) KNNCA<br /> * چارچوب پردازش توزیع‌شده نگاشت‌کاهش و توسعهٔ روش خوشه‌بندی MR-KNNCA<br /> * رویکرد انتخابی تقسیم فضا و خوشه‌بندی محلّی و استفاده از آمار موجود در داده‌ها جهت تقسیم فضا<br /> <br /> بنابراین مراحل زیر را دنبال می کند:<br /> # تقسیم فضا جهت ممکن کردن پردازش داده‌ها در یک گره<br /> # خوشه‌بندی داده‌های هر قسمت در یک گره<br /> # ادغام نتایج خوشه‌های قسمت‌های مختلف<br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید'''<br /> دیتا ست تولیدی برای ارزیابی روش خیلی معتبر نیست.<br /> <br /> <br /> ==مقاله 6==<br /> '''عنوان مقاله:''' تحلیل داده های عظیم ثبت وقایع موتور جستجوی بومی با هدف رفتارشناسی و ذائقه سنجی کاربران فارسی زبان<br /> <br /> '''نام ارائه دهنده:''' مهندس مریم محمودی<br /> <br /> '''چالش مطرح شده:'''<br /> شناخت رفتار و علائق كاربران فارسي زبان در وب و توليد ابزار ارزيابي و نظارت بر موتور جستجوي بومي هدف این پژوهش بوده است که برای این منظور چالش های پیش رو حجم بالاي داده‏ ها، استخراج اطلاعات مفيد از ميان انبوهي از داده‏هاي لاگ و سرعت پاسخگويي بالا از جمله آنها می باشد.<br /> <br /> '''خلاصه مطالب ارائه شده:'''<br /> نتايج تحليل­ها نشان می دهد که به طور متوسط طول پرس ­وجوي مورد استفاده كاربران فارسي­ زبان بيشتر از طول پرس­ وجوي كاربران غيرفارسي­ زبان است. <br /> كاربران اين موتور جستجو بيشتر از سرويس متني استفاده مي­كنند و علاقمند به جستجوي موضوعات خبري، تفريحي، و اقتصادي مي­باشند.همچنین مراجعات بستر موبايل متوسط آمار كليك قابل توجهي دارد. باید دانست که داده ­هاي فايل ثبت وقايع حاوي اطلاعات ارزشمندي هستند كه براي فعالان و برنامه ­ريزان حوزه فناوري اطلاعات، تجارت الكترونيك، دولت­الكترونيك قابل استفاده است. <br /> <br /> <br /> '''راه حل های ارائه شده:'''<br /> به طور کلي به منظور تحليل رفتار کاربران موتور جستجوي پارسي­جو از طريق داده­هاي فايل ثبت وقايع، پنج مرحله جمع‌آوري داده، استخراج و پاكسازي داده­ها، يكپارچه­سازي و جمع­بندي داده­ ها،‌ تحليل داده­ها، و تفسير داده صورت گرفت. با توجه به حجم انبوه داده­هاي فايل ثبت وقايع و متعاقباً پردازش­هاي سنگين، در مراحل پاكسازي و استخراج اطلاعات از داده­ها از بستر هدوپ استفاده شده است.<br /> <br /> = بحث و تبادل نظر و جمع بندی=<br /> <br /> <br /> =لینک های مرتبط=<br /> * [[مستند سازی همایش کلان داده دی ۱۳۹۳]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست زیرساخت ها و بسترهای داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست سرمایه گذاری، راهبرد و الگوهای مهاجرت به داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست امنیت، مسائل حقوقی و استانداردهای داده های عظیم]]</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=%D9%87%D9%85%D8%A7%DB%8C%D8%B4_%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87_%D8%AF%DB%8C_%DB%B1%DB%B3%DB%B9%DB%B3:%D9%86%D8%B4%D8%B3%D8%AA_%DA%A9%D8%A7%D8%A8%D8%B1%D8%AF%D9%87%D8%A7_%D9%88_%D8%B1%D8%A7%D9%87%DA%A9%D8%A7%D8%B1%D9%87%D8%A7%DB%8C_%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA_%D8%AF%D8%A7%D8%AF%D9%87_%D9%87%D8%A7%DB%8C_%D8%B9%D8%B8%DB%8C%D9%85&diff=6302 2015-01-24T10:24:10Z

<p>معصومه رضائی جم: /* مقالات ارائه شده */</p> <hr /> <div>مستند شده توسط: معصومه رضائی جم<br /> <br /> =مقالات ارائه شده=<br /> ==مقاله 1==<br /> '''عنوان مقاله:''' ارائه مدل مفهومی روندها و حوزه های تحقیقاتی داده های عظیم<br /> <br /> '''نام ارائه دهنده:''' دکتر علیرضا یاری<br /> <br /> '''چالش مطرح شده:'''<br /> حوزه های تحقیقاتی در کلان داده چیست؟<br /> <br /> '''خلاصه مطالب ارائه شده:'''<br /> به رشد بسیار سریع داده ها و جایگاه و اهمیت مباحث کلان داده در دنیا اشاره شد و مباحثی از جمله تعریف، خواص سه گانه و خواهش هفتگانه آن بیان گردید که قبلا در [http://%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87 صفحه تعاریف کلان داده در ویکی] مطرح شده است.<br /> <br /> '''راه حل های ارائه شده:'''<br /> مدل مفهومی در حوزه کلان داده پیشنهاد می شود تا به وسیله آن نگاه های مختلفی که به کلان داده وجود دارد نشان داده شود. این مدل دارای 2 سطح است. یکی در سطح اول یعنی سطح فنی که مراحل، سیاست ها ، فرآیندها و متدولوژی ها را بیان می کند و سطح دوم یعنی سطح کلان که در نگاه کلانتر، نیازمندی های محیطی، کاربردها، سناریو، سرویس ها و از این قبیل را مورد بررسی قرار می دهد.<br /> ''سطح اول یا همان سطح فنی:''<br /> مراحل شامل تولید ، دریافت و انتقال ، ذخیره سازی ، تحلیل است. که فرایند دریافت شامل جمع آوری ، انتقال ، پیش پردازش است و فرایند تحلیل شامل ایجاد منابع داده ، مدیریت و نگهداری داده ، مدلسازی داده ، تحلیل نتیجه و نمایش آن می باشد. همچنین تحلیل دارای سیاستهایی است که شامل انواع توصیفی ، پیش بینی ، تجویزی می باشد.<br /> متدولوژی های این سطح متشکل است از : داده كاوي - بهينه سازي - تشخيص الگو - يادگيري ماشين - شبكه عصبي - پردازش سيگنال - آمار و رياضيات محض<br /> <br /> ''سطح دوم یا همان سطح کلان''<br /> بعنوان نمونه در این سطح موارد زیر مطرح است:<br /> ذينفعان در آن عبارتند از توليدکنندگان داده هاي عظيم- سياستگذاران-توسعه دهندگان- سرويس‌دهندگان- مخاطبين <br /> سرویس ها در آن عبارتند از آناليز آفلاين به عنوان سرويس - آناليز برخط و پيوسته به عنوان سرويس - پايگاه داده به عنوان سرويس - داده به عنوان سرويس - دانش به عنوان سرويس - اطلاعات به عنوان سرويس - هوشمندي به عنوان سرويس<br /> اقلام نوع داده عبارتند از ساخت يافته: داراي اسکيما و مدلهاي از قبل تعريف شده - غير ساخت يافته: بدون هيچ مدل از پيش تعريف شده - نيمه ساخت يافته: فاقد مدل ساخت يافته - ترکيب: انواع متفاوت داده در کنار يکديگر<br /> <br /> <br /> ''چالشها و فرصتهاي پيش رو در مواجهه با داده هاي عظيم''<br /> چالشها عبارتند از :<br /> امنيت<br /> بودجه<br /> نيروي انساني ماهر در پياده سازي و به کارگيري داده عظيم<br /> دشواري در يکپارچگي با سيستم­هاي فعلي<br /> فروشندگان محدود در اين حوزه<br /> همچنين عدم آمادگي سازمان <br /> <br /> مهمترین فاکتورهای موفقیت عبارتند از:<br /> توجه به بين رشته اي بودن پديده داده عظيم <br /> تعامل تيم هاي کسب و کار و فناوري اطلاعات<br /> برخورداري از حمايت مديران ارشد<br /> <br /> <br /> ''زمينه هاي نوين تحقيقاتي داده هاي عظيم''<br /> زيرساخت ها و بسترهاي داده هاي عظيم - امنيت، مسائل حقوقي و استانداردهاي داده هاي عظيم - مدل ها، الگوريتم ها و راهکارهاي ذخيره، دسترسي، جستجو، تحليل، پالايش، پردازش، کاوش و مديريت داده هاي عظيم - سرمايه گذاري، راهبرد و الگوهاي مهاجرت به داده هاي عظيم - مديريت مصرف انرژي در داده هاي عظيم<br /> <br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید:'''<br /> به دنبال راهکارها و روش های مناسبی باشیم تا داده های عطیم را هوشمندانه تر ذخیره کنیم تا بهره گیری از آنها بهتر گردد.<br /> بهتر است به جای عبارت &quot;دانش بعنوان سرویس&quot; از عبارت &quot;استفاده از دانش بعنوان سرویس&quot; بهره بگیریم.<br /> <br /> ==مقاله 2==<br /> عنوان مقاله: مدیریت داده های عظیم در موتورهای جستجو<br /> <br /> نام ارائه دهنده: دکتر علیمحمد زارع بیدکی<br /> <br /> '''چالش مطرح شده''': چالشهای دنیای وب از جمله حجم زياد اطلاعات با رشد نمايي (11 ميليارد صفحه در 2005 (ايران ده ميليون)، 150 ميليارد صفحه در 2014 ( ايران ششصد ميليون)) و همچنین محيط پويا (صفحات جديد با نرخ 8درصد در هفته توليد ميشوند، 20 درصد صفحات موجود بعد از يكسال قابل دسترس نيستند، محيطي با اطلاعات متنوع HTML، DOC، PDF، MP3 و غيره)<br /> <br /> '''خلاصه مطالب ارائه شده''':<br /> در این ارائه بر روی موتور جستجو پارسی جو تمرکز شد و آمارها بصورت زیر ارائه گردید:<br /> پوشش پانصد ميليون سند فارسي -<br /> داراي خزشگري به نام ايساتيس با قدرت خزش دو ميليارد سند به صورت متوالي -<br /> هوشمند در تشخيص اسناد مهم -<br /> خزش دوره اي در بازه هاي منظم -<br /> نمايه سازي و پردازش سريع اطلاعات -<br /> طراحيِ مبتني بر بستر توزيع شده و مقياس پذير -<br /> استفاده از پردازشگر هوشمند زبان فارسي -<br /> طراحي و پياده سازي يك خطاياب هوشمند -<br /> پياده سازي پردازشگر متون فارسي -<br /> استفاده از روش رتبه بندي كارا -<br /> بهينه سازي و ارتقاء مداوم الگوريتم -<br /> <br /> همچنین به پردازش گراف وب با گراف با پانصد ميليون گره و بيش از ده ميليارد يال، اجراي الگوريتم هاي رتبه بندي مبتني بر گراف (محبوبيت) و اجراي الگوريتم هاي تشخيص صفحات اسپم اشاره گردید که اینها همگی نیازمند کار با داده ای در حجم عظیم و کلان است.<br /> <br /> '''راه‌حل‌های ارائه‌شده برای چالش مطرح‌شده'''<br /> در این ارائه راه حل مدونی برای این چالش ها مطرح نشد و بیشتر بر روی مقیاس بزرگ داده صحبت شد.<br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید'''<br /> حضار عدم ارائه راه حل توسط ارائه دهنده را به عنوان نقصی بر ارائه مطرح نمودند.<br /> <br /> ==مقاله 3==<br /> عنوان مقاله: داده های عظیم در دوران پساژنوم<br /> <br /> نام ارائه دهنده: دکتر مهدی صادقی<br /> <br /> '''چالش مطرح‌شده'''<br /> استفاده از کلان داده در زیست شناسی به امری ضروری و غیر قابل اجتناب تبدیل شده است. زیرا در زیست شناسی نیز به شدت تکنولوژی رشد پیدا کرده است و به همین دلیل داده به شدت بسیار زیادی تولید می گردد که قطعا این حجم عظیم داده باید آنالیز شده و از آن معنا استخراج گردد. بعنوان نمونه اطلاعات تنها یک ژنوم انسان در حدود چند میلیارد کاراکتر است. این داده در واقع حافظه سلول ماست و بدن انسان شبکه عظیمی از این سلول هاست.<br /> <br /> '''خلاصه مطالب ارائه شده'''<br /> اطلاعات بسیاری در باره پیچیدگی و وسعت اطلاعات ژنوم ارائه شد تا تصدیقی بر عظیم بودن، پیچیدگی و تنوع اطلاعات آن باشد. <br /> علم زیست شناسی به سمتی پیش می رود که در آینده نزدیک در دنیا هر کس داروی مخصوص به خود را خواهد داشت که این دارو با توجه به اطلاعات ژنوم او تجویز خواهد شد. بدین منظور روزانه اطلاعات سلامت فرد که در حدود چند پتا بایت است پردازش می گردد.<br /> آنالیز این داده عظیم می تواند مواردی چون طول عمر بیمار، بیماری های آینده و ... را پیش بینی نماید که البته نگرانی برای حقوقدانان محسوب می شود.<br /> <br /> '''راه‌حل‌های ارائه‌شده برای چالش مطرح‌شده'''<br /> در واقع این ارائه بر روی کاربرد و نقش مهم کلان داده در زیست شناسی تمرکز کرده بود و به دنبال راه حلی نبود.<br /> <br /> '''نکته کاربردی'''<br /> باید همواره توجه داشت که چنین حجم عظیمی از داده نیازمند این است که حتما در '''حین تولید''' آن '''الگوها استخراج''' گردند تا جمع آوری و پردازش آن هوشمندانه تر صورت گیرد.<br /> <br /> <br /> ==مقاله 4==<br /> '''عنوان مقاله:''' ارائه مدل داده مناسب برای داده های عظیم<br /> <br /> '''نام ارائه دهنده:''' دکتر علی اصغر صفایی<br /> <br /> '''چالش مطرح‌شده'''<br /> ارائه یک مدل داده پیشنهادی که برای کلان داده مناسب و کارآمد باشد در حالیکه مدل های سنتی برای داده های جدید، کاربردهای جدید و ارتباطات جدید، ضعیف بوده و مقیاس پذیر نیستند.<br /> <br /> '''خلاصه مطالب ارائه شده'''<br /> مدل هاي داده مورد استفاده براي داده هاي عظيم به 3 دسته تقسیم می شوند:<br /> 1.رابطه اي و شيء-رابطه اي که دارای خواص ساخت یافته، ضعف در پشتيباني از ارتباط ها، عدم مقياس پذيري می باشد.<br /> 2.XML که انعطاف پذير اما با امنيت پايين و همچنین دارای ساختار درختواره می باشد.<br /> 3. (NoSQL (Column, Document, Key-value, Graph که پشتيباني از ارتباط ها، نسبتاً مقياس پذير، در اغلب کاربردهای فعلي داده هاي عظيم نظير شبکه هاي اجتماعي از جمله ویژگی های آن است.<br /> <br /> '''راه‌حل‌های ارائه‌شده برای چالش مطرح‌شده'''<br /> در روش پیشنهادی برای رسیدن به ویژگی های یک مدل داده مناسب و خوب، مدلی با نام گراف تو در تو معرفی می گردد که مبتني بر مدل گراف بوده و هر نمونه در قالب يک گره است که با ساير نمونه ها در ارتباط است (انواع گوناگون ارتباط). همچنین هر گره خود مي تواند شامل داده، يا زيرگره باشد (تعريف بازگشتي). در آن هرگره شامل داده ذخيره شده براي آن موجوديت (صفت هاي خاصه) در قالب هاي ساختيافته (Row)، نيمه ساختيافته (المان XML) يا <br /> غيرساختيافته (يک document مثلاً از نوع متني) می باشد. بعلاوه هر گره می تواند شامل زيرگره هايي ديگر (با استفاده از نوع داده ارجاع (ref)) نیز باشد.<br /> <br /> برای مدل پیشنهادی می توان مزایایی از قبیل مقياس پذيری از نظر اندازه (Volume) و همچنین جغرافيا، انعطاف پذيري در پشتيباني انواع داده (Variety)، سازگاري <br /> با مدل هاي داده سنتي (رابطه اي، شيء-رابطه اي)، کارايي در پيمايش سريع و راحت ارتباط ها (بين گره ها و زيرگره ها) (Velocity) و نسبتاً ساده بودن را ادعا کرد.<br /> <br /> <br /> ==مقاله 5==<br /> '''عنوان مقاله:''' خوشه‌بندی انعطاف‌پذیر مبتنی بر چگالی داده‌های عظیم شبکه<br /> <br /> '''نام ارائه دهنده:''' مهندس سعید عادل مهربان<br /> <br /> '''چالش مطرح‌شده'''<br /> چالش‌های پردازش داده‌های عظیم همچون محدودیت ذخیره‌سازی، محدودیت پردازشی و خرابی گره‌ها مورد توجه قرار گرفته که خوشه‌بندی داده‌های عظیم و توسعهٔ روش‌های کلاسیک برای سکّوهای پردازش داده‌های عظیم برای رفع این چالش ها به عنوان هدف مطرح است.<br /> <br /> '''راه‌حل‌های ارائه‌شده برای چالش مطرح‌شده'''<br /> الگوریتمی که ارائه می گردد دارای ویژگی های زیر است:<br /> * روش خوشه‌بندی مبتنی بر چگالی (تمرکز بر خوشه‌هایی با چگالی متفاوت) KNNCA<br /> * چارچوب پردازش توزیع‌شده نگاشت‌کاهش و توسعهٔ روش خوشه‌بندی MR-KNNCA<br /> * رویکرد انتخابی تقسیم فضا و خوشه‌بندی محلّی و استفاده از آمار موجود در داده‌ها جهت تقسیم فضا<br /> <br /> بنابراین مراحل زیر را دنبال می کند:<br /> # تقسیم فضا جهت ممکن کردن پردازش داده‌ها در یک گره<br /> # خوشه‌بندی داده‌های هر قسمت در یک گره<br /> # ادغام نتایج خوشه‌های قسمت‌های مختلف<br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید'''<br /> دیتا ست تولیدی برای ارزیابی روش خیلی معتبر نیست.<br /> <br /> = بحث و تبادل نظر و جمع بندی=<br /> <br /> <br /> =لینک های مرتبط=<br /> * [[مستند سازی همایش کلان داده دی ۱۳۹۳]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست زیرساخت ها و بسترهای داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست سرمایه گذاری، راهبرد و الگوهای مهاجرت به داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست امنیت، مسائل حقوقی و استانداردهای داده های عظیم]]</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=%D9%87%D9%85%D8%A7%DB%8C%D8%B4_%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87_%D8%AF%DB%8C_%DB%B1%DB%B3%DB%B9%DB%B3:%D9%86%D8%B4%D8%B3%D8%AA_%DA%A9%D8%A7%D8%A8%D8%B1%D8%AF%D9%87%D8%A7_%D9%88_%D8%B1%D8%A7%D9%87%DA%A9%D8%A7%D8%B1%D9%87%D8%A7%DB%8C_%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA_%D8%AF%D8%A7%D8%AF%D9%87_%D9%87%D8%A7%DB%8C_%D8%B9%D8%B8%DB%8C%D9%85&diff=6299 2015-01-24T09:42:21Z

<p>معصومه رضائی جم: /* مقالات ارائه شده */</p> <hr /> <div>مستند شده توسط: معصومه رضائی جم<br /> <br /> =مقالات ارائه شده=<br /> ==مقاله 1==<br /> '''عنوان مقاله:''' ارائه مدل مفهومی روندها و حوزه های تحقیقاتی داده های عظیم<br /> <br /> '''نام ارائه دهنده:''' دکتر علیرضا یاری<br /> <br /> '''چالش مطرح شده:'''<br /> حوزه های تحقیقاتی در کلان داده چیست؟<br /> <br /> '''خلاصه مطالب ارائه شده:'''<br /> به رشد بسیار سریع داده ها و جایگاه و اهمیت مباحث کلان داده در دنیا اشاره شد و مباحثی از جمله تعریف، خواص سه گانه و خواهش هفتگانه آن بیان گردید که قبلا در [http://%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87 صفحه تعاریف کلان داده در ویکی] مطرح شده است.<br /> <br /> '''راه حل های ارائه شده:'''<br /> مدل مفهومی در حوزه کلان داده پیشنهاد می شود تا به وسیله آن نگاه های مختلفی که به کلان داده وجود دارد نشان داده شود. این مدل دارای 2 سطح است. یکی در سطح اول یعنی سطح فنی که مراحل، سیاست ها ، فرآیندها و متدولوژی ها را بیان می کند و سطح دوم یعنی سطح کلان که در نگاه کلانتر، نیازمندی های محیطی، کاربردها، سناریو، سرویس ها و از این قبیل را مورد بررسی قرار می دهد.<br /> ''سطح اول یا همان سطح فنی:''<br /> مراحل شامل تولید ، دریافت و انتقال ، ذخیره سازی ، تحلیل است. که فرایند دریافت شامل جمع آوری ، انتقال ، پیش پردازش است و فرایند تحلیل شامل ایجاد منابع داده ، مدیریت و نگهداری داده ، مدلسازی داده ، تحلیل نتیجه و نمایش آن می باشد. همچنین تحلیل دارای سیاستهایی است که شامل انواع توصیفی ، پیش بینی ، تجویزی می باشد.<br /> متدولوژی های این سطح متشکل است از : داده كاوي - بهينه سازي - تشخيص الگو - يادگيري ماشين - شبكه عصبي - پردازش سيگنال - آمار و رياضيات محض<br /> <br /> ''سطح دوم یا همان سطح کلان''<br /> بعنوان نمونه در این سطح موارد زیر مطرح است:<br /> ذينفعان در آن عبارتند از توليدکنندگان داده هاي عظيم- سياستگذاران-توسعه دهندگان- سرويس‌دهندگان- مخاطبين <br /> سرویس ها در آن عبارتند از آناليز آفلاين به عنوان سرويس - آناليز برخط و پيوسته به عنوان سرويس - پايگاه داده به عنوان سرويس - داده به عنوان سرويس - دانش به عنوان سرويس - اطلاعات به عنوان سرويس - هوشمندي به عنوان سرويس<br /> اقلام نوع داده عبارتند از ساخت يافته: داراي اسکيما و مدلهاي از قبل تعريف شده - غير ساخت يافته: بدون هيچ مدل از پيش تعريف شده - نيمه ساخت يافته: فاقد مدل ساخت يافته - ترکيب: انواع متفاوت داده در کنار يکديگر<br /> <br /> <br /> ''چالشها و فرصتهاي پيش رو در مواجهه با داده هاي عظيم''<br /> چالشها عبارتند از :<br /> امنيت<br /> بودجه<br /> نيروي انساني ماهر در پياده سازي و به کارگيري داده عظيم<br /> دشواري در يکپارچگي با سيستم­هاي فعلي<br /> فروشندگان محدود در اين حوزه<br /> همچنين عدم آمادگي سازمان <br /> <br /> مهمترین فاکتورهای موفقیت عبارتند از:<br /> توجه به بين رشته اي بودن پديده داده عظيم <br /> تعامل تيم هاي کسب و کار و فناوري اطلاعات<br /> برخورداري از حمايت مديران ارشد<br /> <br /> <br /> ''زمينه هاي نوين تحقيقاتي داده هاي عظيم''<br /> زيرساخت ها و بسترهاي داده هاي عظيم - امنيت، مسائل حقوقي و استانداردهاي داده هاي عظيم - مدل ها، الگوريتم ها و راهکارهاي ذخيره، دسترسي، جستجو، تحليل، پالايش، پردازش، کاوش و مديريت داده هاي عظيم - سرمايه گذاري، راهبرد و الگوهاي مهاجرت به داده هاي عظيم - مديريت مصرف انرژي در داده هاي عظيم<br /> <br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید:'''<br /> به دنبال راهکارها و روش های مناسبی باشیم تا داده های عطیم را هوشمندانه تر ذخیره کنیم تا بهره گیری از آنها بهتر گردد.<br /> بهتر است به جای عبارت &quot;دانش بعنوان سرویس&quot; از عبارت &quot;استفاده از دانش بعنوان سرویس&quot; بهره بگیریم.<br /> <br /> ==مقاله 2==<br /> عنوان مقاله: مدیریت داده های عظیم در موتورهای جستجو<br /> <br /> نام ارائه دهنده: دکتر علیمحمد زارع بیدکی<br /> <br /> '''چالش مطرح شده''': چالشهای دنیای وب از جمله حجم زياد اطلاعات با رشد نمايي (11 ميليارد صفحه در 2005 (ايران ده ميليون)، 150 ميليارد صفحه در 2014 ( ايران ششصد ميليون)) و همچنین محيط پويا (صفحات جديد با نرخ 8درصد در هفته توليد ميشوند، 20 درصد صفحات موجود بعد از يكسال قابل دسترس نيستند، محيطي با اطلاعات متنوع HTML، DOC، PDF، MP3 و غيره)<br /> <br /> '''خلاصه مطالب ارائه شده''':<br /> در این ارائه بر روی موتور جستجو پارسی جو تمرکز شد و آمارها بصورت زیر ارائه گردید:<br /> پوشش پانصد ميليون سند فارسي -<br /> داراي خزشگري به نام ايساتيس با قدرت خزش دو ميليارد سند به صورت متوالي -<br /> هوشمند در تشخيص اسناد مهم -<br /> خزش دوره اي در بازه هاي منظم -<br /> نمايه سازي و پردازش سريع اطلاعات -<br /> طراحيِ مبتني بر بستر توزيع شده و مقياس پذير -<br /> استفاده از پردازشگر هوشمند زبان فارسي -<br /> طراحي و پياده سازي يك خطاياب هوشمند -<br /> پياده سازي پردازشگر متون فارسي -<br /> استفاده از روش رتبه بندي كارا -<br /> بهينه سازي و ارتقاء مداوم الگوريتم -<br /> <br /> همچنین به پردازش گراف وب با گراف با پانصد ميليون گره و بيش از ده ميليارد يال، اجراي الگوريتم هاي رتبه بندي مبتني بر گراف (محبوبيت) و اجراي الگوريتم هاي تشخيص صفحات اسپم اشاره گردید که اینها همگی نیازمند کار با داده ای در حجم عظیم و کلان است.<br /> <br /> '''راه‌حل‌های ارائه‌شده برای چالش مطرح‌شده'''<br /> در این ارائه راه حل مدونی برای این چالش ها مطرح نشد و بیشتر بر روی مقیاس بزرگ داده صحبت شد.<br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید'''<br /> حضار عدم ارائه راه حل توسط ارائه دهنده را به عنوان نقصی بر ارائه مطرح نمودند.<br /> <br /> ==مقاله 3==<br /> عنوان مقاله: داده های عظیم در دوران پساژنوم<br /> <br /> نام ارائه دهنده: دکتر مهدی صادقی<br /> <br /> '''چالش مطرح‌شده'''<br /> استفاده از کلان داده در زیست شناسی به امری ضروری و غیر قابل اجتناب تبدیل شده است. زیرا در زیست شناسی نیز به شدت تکنولوژی رشد پیدا کرده است و به همین دلیل داده به شدت بسیار زیادی تولید می گردد که قطعا این حجم عظیم داده باید آنالیز شده و از آن معنا استخراج گردد. بعنوان نمونه اطلاعات تنها یک ژنوم انسان در حدود چند میلیارد کاراکتر است. این داده در واقع حافظه سلول ماست و بدن انسان شبکه عظیمی از این سلول هاست.<br /> <br /> '''خلاصه مطالب ارائه شده'''<br /> اطلاعات بسیاری در باره پیچیدگی و وسعت اطلاعات ژنوم ارائه شد تا تصدیقی بر عظیم بودن، پیچیدگی و تنوع اطلاعات آن باشد. <br /> علم زیست شناسی به سمتی پیش می رود که در آینده نزدیک در دنیا هر کس داروی مخصوص به خود را خواهد داشت که این دارو با توجه به اطلاعات ژنوم او تجویز خواهد شد. بدین منظور روزانه اطلاعات سلامت فرد که در حدود چند پتا بایت است پردازش می گردد.<br /> آنالیز این داده عظیم می تواند مواردی چون طول عمر بیمار، بیماری های آینده و ... را پیش بینی نماید که البته نگرانی برای حقوقدانان محسوب می شود.<br /> <br /> '''راه‌حل‌های ارائه‌شده برای چالش مطرح‌شده'''<br /> در واقع این ارائه بر روی کاربرد و نقش مهم کلان داده در زیست شناسی تمرکز کرده بود و به دنبال راه حلی نبود.<br /> <br /> '''نکته کاربردی'''<br /> باید همواره توجه داشت که چنین حجم عظیمی از داده نیازمند این است که حتما در '''حین تولید''' آن '''الگوها استخراج''' گردند تا جمع آوری و پردازش آن هوشمندانه تر صورت گیرد.<br /> <br /> <br /> ==مقاله 4==<br /> '''عنوان مقاله:''' ارائه مدل داده مناسب برای داده های عظیم<br /> <br /> '''نام ارائه دهنده:''' دکتر علی اصغر صفایی<br /> <br /> '''چالش مطرح‌شده'''<br /> ارائه یک مدل داده پیشنهادی که برای کلان داده مناسب و کارآمد باشد در حالیکه مدل های سنتی برای داده های جدید، کاربردهای جدید و ارتباطات جدید، ضعیف بوده و مقیاس پذیر نیستند.<br /> <br /> '''خلاصه مطالب ارائه شده'''<br /> مدل هاي داده مورد استفاده براي داده هاي عظيم به 3 دسته تقسیم می شوند:<br /> 1.رابطه اي و شيء-رابطه اي که دارای خواص ساخت یافته، ضعف در پشتيباني از ارتباط ها، عدم مقياس پذيري می باشد.<br /> 2.XML که انعطاف پذير اما با امنيت پايين و همچنین دارای ساختار درختواره می باشد.<br /> 3. (NoSQL (Column, Document, Key-value, Graph که پشتيباني از ارتباط ها، نسبتاً مقياس پذير، در اغلب کاربردهای فعلي داده هاي عظيم نظير شبکه هاي اجتماعي از جمله ویژگی های آن است.<br /> <br /> '''راه‌حل‌های ارائه‌شده برای چالش مطرح‌شده'''<br /> در روش پیشنهادی برای رسیدن به ویژگی های یک مدل داده مناسب و خوب، مدلی با نام گراف تو در تو معرفی می گردد که مبتني بر مدل گراف بوده و هر نمونه در قالب يک گره است که با ساير نمونه ها در ارتباط است (انواع گوناگون ارتباط). همچنین هر گره خود مي تواند شامل داده، يا زيرگره باشد (تعريف بازگشتي). در آن هرگره شامل داده ذخيره شده براي آن موجوديت (صفت هاي خاصه) در قالب هاي ساختيافته (Row)، نيمه ساختيافته (المان XML) يا <br /> غيرساختيافته (يک document مثلاً از نوع متني) می باشد. بعلاوه هر گره می تواند شامل زيرگره هايي ديگر (با استفاده از نوع داده ارجاع (ref)) نیز باشد.<br /> <br /> برای مدل پیشنهادی می توان مزایایی از قبیل مقياس پذيری از نظر اندازه (Volume) و همچنین جغرافيا، انعطاف پذيري در پشتيباني انواع داده (Variety)، سازگاري <br /> با مدل هاي داده سنتي (رابطه اي، شيء-رابطه اي)، کارايي در پيمايش سريع و راحت ارتباط ها (بين گره ها و زيرگره ها) (Velocity) و نسبتاً ساده بودن را ادعا کرد.<br /> <br /> = بحث و تبادل نظر و جمع بندی=<br /> <br /> <br /> =لینک های مرتبط=<br /> * [[مستند سازی همایش کلان داده دی ۱۳۹۳]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست زیرساخت ها و بسترهای داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست سرمایه گذاری، راهبرد و الگوهای مهاجرت به داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست امنیت، مسائل حقوقی و استانداردهای داده های عظیم]]</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=%D9%87%D9%85%D8%A7%DB%8C%D8%B4_%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87_%D8%AF%DB%8C_%DB%B1%DB%B3%DB%B9%DB%B3:%D9%86%D8%B4%D8%B3%D8%AA_%DA%A9%D8%A7%D8%A8%D8%B1%D8%AF%D9%87%D8%A7_%D9%88_%D8%B1%D8%A7%D9%87%DA%A9%D8%A7%D8%B1%D9%87%D8%A7%DB%8C_%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA_%D8%AF%D8%A7%D8%AF%D9%87_%D9%87%D8%A7%DB%8C_%D8%B9%D8%B8%DB%8C%D9%85&diff=6298 2015-01-24T09:06:41Z

<p>معصومه رضائی جم: /* مقاله 3 */</p> <hr /> <div>مستند شده توسط: معصومه رضائی جم<br /> <br /> =مقالات ارائه شده=<br /> ==مقاله 1==<br /> '''عنوان مقاله:''' ارائه مدل مفهومی روندها و حوزه های تحقیقاتی داده های عظیم<br /> <br /> '''نام ارائه دهنده:''' دکتر علیرضا یاری<br /> <br /> '''چالش مطرح شده:'''<br /> حوزه های تحقیقاتی در کلان داده چیست؟<br /> <br /> '''خلاصه مطالب ارائه شده:'''<br /> به رشد بسیار سریع داده ها و جایگاه و اهمیت مباحث کلان داده در دنیا اشاره شد و مباحثی از جمله تعریف، خواص سه گانه و خواهش هفتگانه آن بیان گردید که قبلا در [http://%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87 صفحه تعاریف کلان داده در ویکی] مطرح شده است.<br /> <br /> '''راه حل های ارائه شده:'''<br /> مدل مفهومی در حوزه کلان داده پیشنهاد می شود تا به وسیله آن نگاه های مختلفی که به کلان داده وجود دارد نشان داده شود. این مدل دارای 2 سطح است. یکی در سطح اول یعنی سطح فنی که مراحل، سیاست ها ، فرآیندها و متدولوژی ها را بیان می کند و سطح دوم یعنی سطح کلان که در نگاه کلانتر، نیازمندی های محیطی، کاربردها، سناریو، سرویس ها و از این قبیل را مورد بررسی قرار می دهد.<br /> ''سطح اول یا همان سطح فنی:''<br /> مراحل شامل تولید ، دریافت و انتقال ، ذخیره سازی ، تحلیل است. که فرایند دریافت شامل جمع آوری ، انتقال ، پیش پردازش است و فرایند تحلیل شامل ایجاد منابع داده ، مدیریت و نگهداری داده ، مدلسازی داده ، تحلیل نتیجه و نمایش آن می باشد. همچنین تحلیل دارای سیاستهایی است که شامل انواع توصیفی ، پیش بینی ، تجویزی می باشد.<br /> متدولوژی های این سطح متشکل است از : داده كاوي - بهينه سازي - تشخيص الگو - يادگيري ماشين - شبكه عصبي - پردازش سيگنال - آمار و رياضيات محض<br /> <br /> ''سطح دوم یا همان سطح کلان''<br /> بعنوان نمونه در این سطح موارد زیر مطرح است:<br /> ذينفعان در آن عبارتند از توليدکنندگان داده هاي عظيم- سياستگذاران-توسعه دهندگان- سرويس‌دهندگان- مخاطبين <br /> سرویس ها در آن عبارتند از آناليز آفلاين به عنوان سرويس - آناليز برخط و پيوسته به عنوان سرويس - پايگاه داده به عنوان سرويس - داده به عنوان سرويس - دانش به عنوان سرويس - اطلاعات به عنوان سرويس - هوشمندي به عنوان سرويس<br /> اقلام نوع داده عبارتند از ساخت يافته: داراي اسکيما و مدلهاي از قبل تعريف شده - غير ساخت يافته: بدون هيچ مدل از پيش تعريف شده - نيمه ساخت يافته: فاقد مدل ساخت يافته - ترکيب: انواع متفاوت داده در کنار يکديگر<br /> <br /> <br /> ''چالشها و فرصتهاي پيش رو در مواجهه با داده هاي عظيم''<br /> چالشها عبارتند از :<br /> امنيت<br /> بودجه<br /> نيروي انساني ماهر در پياده سازي و به کارگيري داده عظيم<br /> دشواري در يکپارچگي با سيستم­هاي فعلي<br /> فروشندگان محدود در اين حوزه<br /> همچنين عدم آمادگي سازمان <br /> <br /> مهمترین فاکتورهای موفقیت عبارتند از:<br /> توجه به بين رشته اي بودن پديده داده عظيم <br /> تعامل تيم هاي کسب و کار و فناوري اطلاعات<br /> برخورداري از حمايت مديران ارشد<br /> <br /> <br /> ''زمينه هاي نوين تحقيقاتي داده هاي عظيم''<br /> زيرساخت ها و بسترهاي داده هاي عظيم - امنيت، مسائل حقوقي و استانداردهاي داده هاي عظيم - مدل ها، الگوريتم ها و راهکارهاي ذخيره، دسترسي، جستجو، تحليل، پالايش، پردازش، کاوش و مديريت داده هاي عظيم - سرمايه گذاري، راهبرد و الگوهاي مهاجرت به داده هاي عظيم - مديريت مصرف انرژي در داده هاي عظيم<br /> <br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید:'''<br /> به دنبال راهکارها و روش های مناسبی باشیم تا داده های عطیم را هوشمندانه تر ذخیره کنیم تا بهره گیری از آنها بهتر گردد.<br /> بهتر است به جای عبارت &quot;دانش بعنوان سرویس&quot; از عبارت &quot;استفاده از دانش بعنوان سرویس&quot; بهره بگیریم.<br /> <br /> ==مقاله 2==<br /> عنوان مقاله: مدیریت داده های عظیم در موتورهای جستجو<br /> <br /> نام ارائه دهنده: دکتر علیمحمد زارع بیدکی<br /> <br /> '''چالش مطرح شده''': چالشهای دنیای وب از جمله حجم زياد اطلاعات با رشد نمايي (11 ميليارد صفحه در 2005 (ايران ده ميليون)، 150 ميليارد صفحه در 2014 ( ايران ششصد ميليون)) و همچنین محيط پويا (صفحات جديد با نرخ 8درصد در هفته توليد ميشوند، 20 درصد صفحات موجود بعد از يكسال قابل دسترس نيستند، محيطي با اطلاعات متنوع HTML، DOC، PDF، MP3 و غيره)<br /> <br /> '''خلاصه مطالب ارائه شده''':<br /> در این ارائه بر روی موتور جستجو پارسی جو تمرکز شد و آمارها بصورت زیر ارائه گردید:<br /> پوشش پانصد ميليون سند فارسي -<br /> داراي خزشگري به نام ايساتيس با قدرت خزش دو ميليارد سند به صورت متوالي -<br /> هوشمند در تشخيص اسناد مهم -<br /> خزش دوره اي در بازه هاي منظم -<br /> نمايه سازي و پردازش سريع اطلاعات -<br /> طراحيِ مبتني بر بستر توزيع شده و مقياس پذير -<br /> استفاده از پردازشگر هوشمند زبان فارسي -<br /> طراحي و پياده سازي يك خطاياب هوشمند -<br /> پياده سازي پردازشگر متون فارسي -<br /> استفاده از روش رتبه بندي كارا -<br /> بهينه سازي و ارتقاء مداوم الگوريتم -<br /> <br /> همچنین به پردازش گراف وب با گراف با پانصد ميليون گره و بيش از ده ميليارد يال، اجراي الگوريتم هاي رتبه بندي مبتني بر گراف (محبوبيت) و اجراي الگوريتم هاي تشخيص صفحات اسپم اشاره گردید که اینها همگی نیازمند کار با داده ای در حجم عظیم و کلان است.<br /> <br /> '''راه‌حل‌های ارائه‌شده برای چالش مطرح‌شده'''<br /> در این ارائه راه حل مدونی برای این چالش ها مطرح نشد و بیشتر بر روی مقیاس بزرگ داده صحبت شد.<br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید'''<br /> حضار عدم ارائه راه حل توسط ارائه دهنده را به عنوان نقصی بر ارائه مطرح نمودند.<br /> <br /> ==مقاله 3==<br /> عنوان مقاله: داده های عظیم در دوران پساژنوم<br /> <br /> نام ارائه دهنده: دکتر مهدی صادقی<br /> <br /> '''چالش مطرح‌شده'''<br /> استفاده از کلان داده در زیست شناسی به امری ضروری و غیر قابل اجتناب تبدیل شده است. زیرا در زیست شناسی نیز به شدت تکنولوژی رشد پیدا کرده است و به همین دلیل داده به شدت بسیار زیادی تولید می گردد که قطعا این حجم عظیم داده باید آنالیز شده و از آن معنا استخراج گردد. بعنوان نمونه اطلاعات تنها یک ژنوم انسان در حدود چند میلیارد کاراکتر است. این داده در واقع حافظه سلول ماست و بدن انسان شبکه عظیمی از این سلول هاست.<br /> <br /> '''خلاصه مطالب ارائه شده'''<br /> در این ارائه اطلاعات بسیاری در باره پیچیدگی و وسعت اطلاعات ژنوم ارائه شد تا تصدیقی بر عظیم بودن، پیچیدگی و تنوع اطلاعات آن باشد. <br /> علم زیست شناسی به سمتی پیش می رود که در آینده نزدیک در دنیا هر کس داروی مخصوص به خود را خواهد داشت که این دارو با توجه به اطلاعات ژنوم او تجویز خواهد شد. بدین منظور روزانه اطلاعات سلامت فرد که در حدود چند پتا بایت است پردازش می گردد.<br /> آنالیز این داده عظیم می تواند مواردی چون طول عمر بیمار، بیماری های آینده و ... را پیش بینی نماید که البته نگرانی برای حقوقدانان محسوب می شود.<br /> <br /> '''راه‌حل‌های ارائه‌شده برای چالش مطرح‌شده'''<br /> در واقع این ارائه بر روی کاربرد و نقش مهم کلان داده در زیست شناسی تمرکز کرده بود و به دنبال راه حلی نبود.<br /> <br /> '''نکته کاربردی'''<br /> باید همواره توجه داشت که چنین حجم عظیمی از داده نیازمند این است که حتما در '''حین تولید''' آن '''الگوها استخراج''' گردند تا جمع آوری و پردازش آن هوشمندانه تر صورت گیرد.<br /> <br /> = بحث و تبادل نظر و جمع بندی=<br /> <br /> <br /> =لینک های مرتبط=<br /> * [[مستند سازی همایش کلان داده دی ۱۳۹۳]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست زیرساخت ها و بسترهای داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست سرمایه گذاری، راهبرد و الگوهای مهاجرت به داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست امنیت، مسائل حقوقی و استانداردهای داده های عظیم]]</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=%D9%87%D9%85%D8%A7%DB%8C%D8%B4_%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87_%D8%AF%DB%8C_%DB%B1%DB%B3%DB%B9%DB%B3:%D9%86%D8%B4%D8%B3%D8%AA_%DA%A9%D8%A7%D8%A8%D8%B1%D8%AF%D9%87%D8%A7_%D9%88_%D8%B1%D8%A7%D9%87%DA%A9%D8%A7%D8%B1%D9%87%D8%A7%DB%8C_%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA_%D8%AF%D8%A7%D8%AF%D9%87_%D9%87%D8%A7%DB%8C_%D8%B9%D8%B8%DB%8C%D9%85&diff=6293 2015-01-24T08:27:11Z

<p>معصومه رضائی جم: </p> <hr /> <div>مستند شده توسط: معصومه رضائی جم<br /> <br /> =مقالات ارائه شده=<br /> ==مقاله 1==<br /> '''عنوان مقاله:''' ارائه مدل مفهومی روندها و حوزه های تحقیقاتی داده های عظیم<br /> <br /> '''نام ارائه دهنده:''' دکتر علیرضا یاری<br /> <br /> '''چالش مطرح شده:'''<br /> حوزه های تحقیقاتی در کلان داده چیست؟<br /> <br /> '''خلاصه مطالب ارائه شده:'''<br /> به رشد بسیار سریع داده ها و جایگاه و اهمیت مباحث کلان داده در دنیا اشاره شد و مباحثی از جمله تعریف، خواص سه گانه و خواهش هفتگانه آن بیان گردید که قبلا در [http://%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87 صفحه تعاریف کلان داده در ویکی] مطرح شده است.<br /> <br /> '''راه حل های ارائه شده:'''<br /> مدل مفهومی در حوزه کلان داده پیشنهاد می شود تا به وسیله آن نگاه های مختلفی که به کلان داده وجود دارد نشان داده شود. این مدل دارای 2 سطح است. یکی در سطح اول یعنی سطح فنی که مراحل، سیاست ها ، فرآیندها و متدولوژی ها را بیان می کند و سطح دوم یعنی سطح کلان که در نگاه کلانتر، نیازمندی های محیطی، کاربردها، سناریو، سرویس ها و از این قبیل را مورد بررسی قرار می دهد.<br /> ''سطح اول یا همان سطح فنی:''<br /> مراحل شامل تولید ، دریافت و انتقال ، ذخیره سازی ، تحلیل است. که فرایند دریافت شامل جمع آوری ، انتقال ، پیش پردازش است و فرایند تحلیل شامل ایجاد منابع داده ، مدیریت و نگهداری داده ، مدلسازی داده ، تحلیل نتیجه و نمایش آن می باشد. همچنین تحلیل دارای سیاستهایی است که شامل انواع توصیفی ، پیش بینی ، تجویزی می باشد.<br /> متدولوژی های این سطح متشکل است از : داده كاوي - بهينه سازي - تشخيص الگو - يادگيري ماشين - شبكه عصبي - پردازش سيگنال - آمار و رياضيات محض<br /> <br /> ''سطح دوم یا همان سطح کلان''<br /> بعنوان نمونه در این سطح موارد زیر مطرح است:<br /> ذينفعان در آن عبارتند از توليدکنندگان داده هاي عظيم- سياستگذاران-توسعه دهندگان- سرويس‌دهندگان- مخاطبين <br /> سرویس ها در آن عبارتند از آناليز آفلاين به عنوان سرويس - آناليز برخط و پيوسته به عنوان سرويس - پايگاه داده به عنوان سرويس - داده به عنوان سرويس - دانش به عنوان سرويس - اطلاعات به عنوان سرويس - هوشمندي به عنوان سرويس<br /> اقلام نوع داده عبارتند از ساخت يافته: داراي اسکيما و مدلهاي از قبل تعريف شده - غير ساخت يافته: بدون هيچ مدل از پيش تعريف شده - نيمه ساخت يافته: فاقد مدل ساخت يافته - ترکيب: انواع متفاوت داده در کنار يکديگر<br /> <br /> <br /> ''چالشها و فرصتهاي پيش رو در مواجهه با داده هاي عظيم''<br /> چالشها عبارتند از :<br /> امنيت<br /> بودجه<br /> نيروي انساني ماهر در پياده سازي و به کارگيري داده عظيم<br /> دشواري در يکپارچگي با سيستم­هاي فعلي<br /> فروشندگان محدود در اين حوزه<br /> همچنين عدم آمادگي سازمان <br /> <br /> مهمترین فاکتورهای موفقیت عبارتند از:<br /> توجه به بين رشته اي بودن پديده داده عظيم <br /> تعامل تيم هاي کسب و کار و فناوري اطلاعات<br /> برخورداري از حمايت مديران ارشد<br /> <br /> <br /> ''زمينه هاي نوين تحقيقاتي داده هاي عظيم''<br /> زيرساخت ها و بسترهاي داده هاي عظيم - امنيت، مسائل حقوقي و استانداردهاي داده هاي عظيم - مدل ها، الگوريتم ها و راهکارهاي ذخيره، دسترسي، جستجو، تحليل، پالايش، پردازش، کاوش و مديريت داده هاي عظيم - سرمايه گذاري، راهبرد و الگوهاي مهاجرت به داده هاي عظيم - مديريت مصرف انرژي در داده هاي عظيم<br /> <br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید:'''<br /> به دنبال راهکارها و روش های مناسبی باشیم تا داده های عطیم را هوشمندانه تر ذخیره کنیم تا بهره گیری از آنها بهتر گردد.<br /> بهتر است به جای عبارت &quot;دانش بعنوان سرویس&quot; از عبارت &quot;استفاده از دانش بعنوان سرویس&quot; بهره بگیریم.<br /> <br /> ==مقاله 2==<br /> عنوان مقاله: مدیریت داده های عظیم در موتورهای جستجو<br /> <br /> نام ارائه دهنده: دکتر علیمحمد زارع بیدکی<br /> <br /> '''چالش مطرح شده''': چالشهای دنیای وب از جمله حجم زياد اطلاعات با رشد نمايي (11 ميليارد صفحه در 2005 (ايران ده ميليون)، 150 ميليارد صفحه در 2014 ( ايران ششصد ميليون)) و همچنین محيط پويا (صفحات جديد با نرخ 8درصد در هفته توليد ميشوند، 20 درصد صفحات موجود بعد از يكسال قابل دسترس نيستند، محيطي با اطلاعات متنوع HTML، DOC، PDF، MP3 و غيره)<br /> <br /> '''خلاصه مطالب ارائه شده''':<br /> در این ارائه بر روی موتور جستجو پارسی جو تمرکز شد و آمارها بصورت زیر ارائه گردید:<br /> پوشش پانصد ميليون سند فارسي -<br /> داراي خزشگري به نام ايساتيس با قدرت خزش دو ميليارد سند به صورت متوالي -<br /> هوشمند در تشخيص اسناد مهم -<br /> خزش دوره اي در بازه هاي منظم -<br /> نمايه سازي و پردازش سريع اطلاعات -<br /> طراحيِ مبتني بر بستر توزيع شده و مقياس پذير -<br /> استفاده از پردازشگر هوشمند زبان فارسي -<br /> طراحي و پياده سازي يك خطاياب هوشمند -<br /> پياده سازي پردازشگر متون فارسي -<br /> استفاده از روش رتبه بندي كارا -<br /> بهينه سازي و ارتقاء مداوم الگوريتم -<br /> <br /> همچنین به پردازش گراف وب با گراف با پانصد ميليون گره و بيش از ده ميليارد يال، اجراي الگوريتم هاي رتبه بندي مبتني بر گراف (محبوبيت) و اجراي الگوريتم هاي تشخيص صفحات اسپم اشاره گردید که اینها همگی نیازمند کار با داده ای در حجم عظیم و کلان است.<br /> <br /> '''راه‌حل‌های ارائه‌شده برای چالش مطرح‌شده'''<br /> در این ارائه راه حل مدونی برای این چالش ها مطرح نشد و بیشتر بر روی مقیاس بزرگ داده صحبت شد.<br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید'''<br /> حضار عدم ارائه راه حل توسط ارائه دهنده را به عنوان نقصی بر ارائه مطرح نمودند.<br /> <br /> ==مقاله 3==<br /> عنوان مقاله:<br /> <br /> نام ارائه دهنده:<br /> <br /> <br /> = بحث و تبادل نظر و جمع بندی=<br /> <br /> <br /> =لینک های مرتبط=<br /> * [[مستند سازی همایش کلان داده دی ۱۳۹۳]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست زیرساخت ها و بسترهای داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست سرمایه گذاری، راهبرد و الگوهای مهاجرت به داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست امنیت، مسائل حقوقی و استانداردهای داده های عظیم]]</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=%D9%87%D9%85%D8%A7%DB%8C%D8%B4_%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87_%D8%AF%DB%8C_%DB%B1%DB%B3%DB%B9%DB%B3:%D9%86%D8%B4%D8%B3%D8%AA_%DA%A9%D8%A7%D8%A8%D8%B1%D8%AF%D9%87%D8%A7_%D9%88_%D8%B1%D8%A7%D9%87%DA%A9%D8%A7%D8%B1%D9%87%D8%A7%DB%8C_%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA_%D8%AF%D8%A7%D8%AF%D9%87_%D9%87%D8%A7%DB%8C_%D8%B9%D8%B8%DB%8C%D9%85&diff=6292 2015-01-24T08:26:04Z

<p>معصومه رضائی جم: /* مقاله 2 */</p> <hr /> <div>مستند شده توسط:<br /> <br /> =مقالات ارائه شده=<br /> ==مقاله 1==<br /> '''عنوان مقاله:''' ارائه مدل مفهومی روندها و حوزه های تحقیقاتی داده های عظیم<br /> <br /> '''نام ارائه دهنده:''' دکتر علیرضا یاری<br /> <br /> '''چالش مطرح شده:'''<br /> حوزه های تحقیقاتی در کلان داده چیست؟<br /> <br /> '''خلاصه مطالب ارائه شده:'''<br /> به رشد بسیار سریع داده ها و جایگاه و اهمیت مباحث کلان داده در دنیا اشاره شد و مباحثی از جمله تعریف، خواص سه گانه و خواهش هفتگانه آن بیان گردید که قبلا در [http://%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87 صفحه تعاریف کلان داده در ویکی] مطرح شده است.<br /> <br /> '''راه حل های ارائه شده:'''<br /> مدل مفهومی در حوزه کلان داده پیشنهاد می شود تا به وسیله آن نگاه های مختلفی که به کلان داده وجود دارد نشان داده شود. این مدل دارای 2 سطح است. یکی در سطح اول یعنی سطح فنی که مراحل، سیاست ها ، فرآیندها و متدولوژی ها را بیان می کند و سطح دوم یعنی سطح کلان که در نگاه کلانتر، نیازمندی های محیطی، کاربردها، سناریو، سرویس ها و از این قبیل را مورد بررسی قرار می دهد.<br /> ''سطح اول یا همان سطح فنی:''<br /> مراحل شامل تولید ، دریافت و انتقال ، ذخیره سازی ، تحلیل است. که فرایند دریافت شامل جمع آوری ، انتقال ، پیش پردازش است و فرایند تحلیل شامل ایجاد منابع داده ، مدیریت و نگهداری داده ، مدلسازی داده ، تحلیل نتیجه و نمایش آن می باشد. همچنین تحلیل دارای سیاستهایی است که شامل انواع توصیفی ، پیش بینی ، تجویزی می باشد.<br /> متدولوژی های این سطح متشکل است از : داده كاوي - بهينه سازي - تشخيص الگو - يادگيري ماشين - شبكه عصبي - پردازش سيگنال - آمار و رياضيات محض<br /> <br /> ''سطح دوم یا همان سطح کلان''<br /> بعنوان نمونه در این سطح موارد زیر مطرح است:<br /> ذينفعان در آن عبارتند از توليدکنندگان داده هاي عظيم- سياستگذاران-توسعه دهندگان- سرويس‌دهندگان- مخاطبين <br /> سرویس ها در آن عبارتند از آناليز آفلاين به عنوان سرويس - آناليز برخط و پيوسته به عنوان سرويس - پايگاه داده به عنوان سرويس - داده به عنوان سرويس - دانش به عنوان سرويس - اطلاعات به عنوان سرويس - هوشمندي به عنوان سرويس<br /> اقلام نوع داده عبارتند از ساخت يافته: داراي اسکيما و مدلهاي از قبل تعريف شده - غير ساخت يافته: بدون هيچ مدل از پيش تعريف شده - نيمه ساخت يافته: فاقد مدل ساخت يافته - ترکيب: انواع متفاوت داده در کنار يکديگر<br /> <br /> <br /> ''چالشها و فرصتهاي پيش رو در مواجهه با داده هاي عظيم''<br /> چالشها عبارتند از :<br /> امنيت<br /> بودجه<br /> نيروي انساني ماهر در پياده سازي و به کارگيري داده عظيم<br /> دشواري در يکپارچگي با سيستم­هاي فعلي<br /> فروشندگان محدود در اين حوزه<br /> همچنين عدم آمادگي سازمان <br /> <br /> مهمترین فاکتورهای موفقیت عبارتند از:<br /> توجه به بين رشته اي بودن پديده داده عظيم <br /> تعامل تيم هاي کسب و کار و فناوري اطلاعات<br /> برخورداري از حمايت مديران ارشد<br /> <br /> <br /> ''زمينه هاي نوين تحقيقاتي داده هاي عظيم''<br /> زيرساخت ها و بسترهاي داده هاي عظيم - امنيت، مسائل حقوقي و استانداردهاي داده هاي عظيم - مدل ها، الگوريتم ها و راهکارهاي ذخيره، دسترسي، جستجو، تحليل، پالايش، پردازش، کاوش و مديريت داده هاي عظيم - سرمايه گذاري، راهبرد و الگوهاي مهاجرت به داده هاي عظيم - مديريت مصرف انرژي در داده هاي عظيم<br /> <br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید:'''<br /> به دنبال راهکارها و روش های مناسبی باشیم تا داده های عطیم را هوشمندانه تر ذخیره کنیم تا بهره گیری از آنها بهتر گردد.<br /> بهتر است به جای عبارت &quot;دانش بعنوان سرویس&quot; از عبارت &quot;استفاده از دانش بعنوان سرویس&quot; بهره بگیریم.<br /> <br /> ==مقاله 2==<br /> عنوان مقاله: مدیریت داده های عظیم در موتورهای جستجو<br /> <br /> نام ارائه دهنده: دکتر علیمحمد زارع بیدکی<br /> <br /> '''چالش مطرح شده''': چالشهای دنیای وب از جمله حجم زياد اطلاعات با رشد نمايي (11 ميليارد صفحه در 2005 (ايران ده ميليون)، 150 ميليارد صفحه در 2014 ( ايران ششصد ميليون)) و همچنین محيط پويا (صفحات جديد با نرخ 8درصد در هفته توليد ميشوند، 20 درصد صفحات موجود بعد از يكسال قابل دسترس نيستند، محيطي با اطلاعات متنوع HTML، DOC، PDF، MP3 و غيره)<br /> <br /> '''خلاصه مطالب ارائه شده''':<br /> در این ارائه بر روی موتور جستجو پارسی جو تمرکز شد و آمارها بصورت زیر ارائه گردید:<br /> پوشش پانصد ميليون سند فارسي -<br /> داراي خزشگري به نام ايساتيس با قدرت خزش دو ميليارد سند به صورت متوالي -<br /> هوشمند در تشخيص اسناد مهم -<br /> خزش دوره اي در بازه هاي منظم -<br /> نمايه سازي و پردازش سريع اطلاعات -<br /> طراحيِ مبتني بر بستر توزيع شده و مقياس پذير -<br /> استفاده از پردازشگر هوشمند زبان فارسي -<br /> طراحي و پياده سازي يك خطاياب هوشمند -<br /> پياده سازي پردازشگر متون فارسي -<br /> استفاده از روش رتبه بندي كارا -<br /> بهينه سازي و ارتقاء مداوم الگوريتم -<br /> <br /> همچنین به پردازش گراف وب با گراف با پانصد ميليون گره و بيش از ده ميليارد يال، اجراي الگوريتم هاي رتبه بندي مبتني بر گراف (محبوبيت) و اجراي الگوريتم هاي تشخيص صفحات اسپم اشاره گردید که اینها همگی نیازمند کار با داده ای در حجم عظیم و کلان است.<br /> <br /> '''راه‌حل‌های ارائه‌شده برای چالش مطرح‌شده'''<br /> در این ارائه راه حل مدونی برای این چالش ها مطرح نشد و بیشتر بر روی مقیاس بزرگ داده صحبت شد.<br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید'''<br /> حضار عدم ارائه راه حل توسط ارائه دهنده را به عنوان نقصی بر ارائه مطرح نمودند.<br /> <br /> ==مقاله 3==<br /> عنوان مقاله:<br /> <br /> نام ارائه دهنده:<br /> <br /> <br /> = بحث و تبادل نظر و جمع بندی=<br /> <br /> <br /> =لینک های مرتبط=<br /> * [[مستند سازی همایش کلان داده دی ۱۳۹۳]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست زیرساخت ها و بسترهای داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست سرمایه گذاری، راهبرد و الگوهای مهاجرت به داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست امنیت، مسائل حقوقی و استانداردهای داده های عظیم]]</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=%D9%87%D9%85%D8%A7%DB%8C%D8%B4_%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87_%D8%AF%DB%8C_%DB%B1%DB%B3%DB%B9%DB%B3:%D9%86%D8%B4%D8%B3%D8%AA_%DA%A9%D8%A7%D8%A8%D8%B1%D8%AF%D9%87%D8%A7_%D9%88_%D8%B1%D8%A7%D9%87%DA%A9%D8%A7%D8%B1%D9%87%D8%A7%DB%8C_%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA_%D8%AF%D8%A7%D8%AF%D9%87_%D9%87%D8%A7%DB%8C_%D8%B9%D8%B8%DB%8C%D9%85&diff=6291 2015-01-24T07:32:21Z

<p>معصومه رضائی جم: /* مقاله 1 */</p> <hr /> <div>مستند شده توسط:<br /> <br /> =مقالات ارائه شده=<br /> ==مقاله 1==<br /> '''عنوان مقاله:''' ارائه مدل مفهومی روندها و حوزه های تحقیقاتی داده های عظیم<br /> <br /> '''نام ارائه دهنده:''' دکتر علیرضا یاری<br /> <br /> '''چالش مطرح شده:'''<br /> حوزه های تحقیقاتی در کلان داده چیست؟<br /> <br /> '''خلاصه مطالب ارائه شده:'''<br /> به رشد بسیار سریع داده ها و جایگاه و اهمیت مباحث کلان داده در دنیا اشاره شد و مباحثی از جمله تعریف، خواص سه گانه و خواهش هفتگانه آن بیان گردید که قبلا در [http://%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87 صفحه تعاریف کلان داده در ویکی] مطرح شده است.<br /> <br /> '''راه حل های ارائه شده:'''<br /> مدل مفهومی در حوزه کلان داده پیشنهاد می شود تا به وسیله آن نگاه های مختلفی که به کلان داده وجود دارد نشان داده شود. این مدل دارای 2 سطح است. یکی در سطح اول یعنی سطح فنی که مراحل، سیاست ها ، فرآیندها و متدولوژی ها را بیان می کند و سطح دوم یعنی سطح کلان که در نگاه کلانتر، نیازمندی های محیطی، کاربردها، سناریو، سرویس ها و از این قبیل را مورد بررسی قرار می دهد.<br /> ''سطح اول یا همان سطح فنی:''<br /> مراحل شامل تولید ، دریافت و انتقال ، ذخیره سازی ، تحلیل است. که فرایند دریافت شامل جمع آوری ، انتقال ، پیش پردازش است و فرایند تحلیل شامل ایجاد منابع داده ، مدیریت و نگهداری داده ، مدلسازی داده ، تحلیل نتیجه و نمایش آن می باشد. همچنین تحلیل دارای سیاستهایی است که شامل انواع توصیفی ، پیش بینی ، تجویزی می باشد.<br /> متدولوژی های این سطح متشکل است از : داده كاوي - بهينه سازي - تشخيص الگو - يادگيري ماشين - شبكه عصبي - پردازش سيگنال - آمار و رياضيات محض<br /> <br /> ''سطح دوم یا همان سطح کلان''<br /> بعنوان نمونه در این سطح موارد زیر مطرح است:<br /> ذينفعان در آن عبارتند از توليدکنندگان داده هاي عظيم- سياستگذاران-توسعه دهندگان- سرويس‌دهندگان- مخاطبين <br /> سرویس ها در آن عبارتند از آناليز آفلاين به عنوان سرويس - آناليز برخط و پيوسته به عنوان سرويس - پايگاه داده به عنوان سرويس - داده به عنوان سرويس - دانش به عنوان سرويس - اطلاعات به عنوان سرويس - هوشمندي به عنوان سرويس<br /> اقلام نوع داده عبارتند از ساخت يافته: داراي اسکيما و مدلهاي از قبل تعريف شده - غير ساخت يافته: بدون هيچ مدل از پيش تعريف شده - نيمه ساخت يافته: فاقد مدل ساخت يافته - ترکيب: انواع متفاوت داده در کنار يکديگر<br /> <br /> <br /> ''چالشها و فرصتهاي پيش رو در مواجهه با داده هاي عظيم''<br /> چالشها عبارتند از :<br /> امنيت<br /> بودجه<br /> نيروي انساني ماهر در پياده سازي و به کارگيري داده عظيم<br /> دشواري در يکپارچگي با سيستم­هاي فعلي<br /> فروشندگان محدود در اين حوزه<br /> همچنين عدم آمادگي سازمان <br /> <br /> مهمترین فاکتورهای موفقیت عبارتند از:<br /> توجه به بين رشته اي بودن پديده داده عظيم <br /> تعامل تيم هاي کسب و کار و فناوري اطلاعات<br /> برخورداري از حمايت مديران ارشد<br /> <br /> <br /> ''زمينه هاي نوين تحقيقاتي داده هاي عظيم''<br /> زيرساخت ها و بسترهاي داده هاي عظيم - امنيت، مسائل حقوقي و استانداردهاي داده هاي عظيم - مدل ها، الگوريتم ها و راهکارهاي ذخيره، دسترسي، جستجو، تحليل، پالايش، پردازش، کاوش و مديريت داده هاي عظيم - سرمايه گذاري، راهبرد و الگوهاي مهاجرت به داده هاي عظيم - مديريت مصرف انرژي در داده هاي عظيم<br /> <br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید:'''<br /> به دنبال راهکارها و روش های مناسبی باشیم تا داده های عطیم را هوشمندانه تر ذخیره کنیم تا بهره گیری از آنها بهتر گردد.<br /> بهتر است به جای عبارت &quot;دانش بعنوان سرویس&quot; از عبارت &quot;استفاده از دانش بعنوان سرویس&quot; بهره بگیریم.<br /> <br /> ==مقاله 2==<br /> عنوان مقاله:<br /> <br /> نام ارائه دهنده: <br /> <br /> ==مقاله 3==<br /> عنوان مقاله:<br /> <br /> نام ارائه دهنده:<br /> <br /> <br /> = بحث و تبادل نظر و جمع بندی=<br /> <br /> <br /> =لینک های مرتبط=<br /> * [[مستند سازی همایش کلان داده دی ۱۳۹۳]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست زیرساخت ها و بسترهای داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست سرمایه گذاری، راهبرد و الگوهای مهاجرت به داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست امنیت، مسائل حقوقی و استانداردهای داده های عظیم]]</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=%D9%87%D9%85%D8%A7%DB%8C%D8%B4_%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87_%D8%AF%DB%8C_%DB%B1%DB%B3%DB%B9%DB%B3:%D9%86%D8%B4%D8%B3%D8%AA_%DA%A9%D8%A7%D8%A8%D8%B1%D8%AF%D9%87%D8%A7_%D9%88_%D8%B1%D8%A7%D9%87%DA%A9%D8%A7%D8%B1%D9%87%D8%A7%DB%8C_%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA_%D8%AF%D8%A7%D8%AF%D9%87_%D9%87%D8%A7%DB%8C_%D8%B9%D8%B8%DB%8C%D9%85&diff=6290 2015-01-24T07:26:39Z

<p>معصومه رضائی جم: /* مقاله 1 */</p> <hr /> <div>مستند شده توسط:<br /> <br /> =مقالات ارائه شده=<br /> ==مقاله 1==<br /> '''عنوان مقاله:''' ارائه مدل مفهومی روندها و حوزه های تحقیقاتی داده های عظیم<br /> <br /> '''نام ارائه دهنده:''' دکتر علیرضا یاری<br /> <br /> '''چالش مطرح شده:'''<br /> حوزه های تحقیقاتی در کلان داده چیست؟<br /> <br /> '''خلاصه مطالب ارائه شده:'''<br /> به رشد بسیار سریع داده ها و جایگاه و اهمیت مباحث کلان داده در دنیا اشاره شد و مباحثی از جمله تعریف، خواص سه گانه و خواهش هفتگانه آن بیان گردید که قبلا در [http://%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87 صفحه تعاریف کلان داده در ویکی] مطرح شده است.<br /> <br /> '''راه حل های ارائه شده:'''<br /> مدل مفهومی در حوزه کلان داده پیشنهاد می شود تا به وسیله آن نگاه های مختلفی که به کلان داده وجود دارد نشان داده شود. این مدل دارای 2 سطح است. یکی در سطح اول یعنی سطح فنی که مراحل، سیاست ها ، فرآیندها و متدولوژی ها را بیان می کند و سطح دوم یعنی سطح کلان که در نگاه کلانتر، نیازمندی های محیطی، کاربردها، سناریو، سرویس ها و از این قبیل را مورد بررسی قرار می دهد.<br /> ''سطح اول یا همان سطح فنی:''<br /> مراحل شامل تولید ، دریافت و انتقال ، ذخیره سازی ، تحلیل است. که فرایند دریافت شامل جمع آوری ، انتقال ، پیش پردازش است و فرایند تحلیل شامل ایجاد منابع داده ، مدیریت و نگهداری داده ، مدلسازی داده ، تحلیل نتیجه و نمایش آن می باشد. همچنین تحلیل دارای سیاستهایی است که شامل انواع توصیفی ، پیش بینی ، تجویزی می باشد.<br /> متدولوژی های این سطح متشکل است از : داده كاوي - بهينه سازي - تشخيص الگو - يادگيري ماشين - شبكه عصبي - پردازش سيگنال - آمار و رياضيات محض<br /> <br /> ''سطح دوم یا همان سطح کلان''<br /> بعنوان نمونه در این سطح موارد زیر مطرح است:<br /> ذينفعان در آن عبارتند از توليدکنندگان داده هاي عظيم- سياستگذاران-توسعه دهندگان- سرويس‌دهندگان- مخاطبين <br /> سرویس ها در آن عبارتند از آناليز آفلاين به عنوان سرويس - آناليز برخط و پيوسته به عنوان سرويس - پايگاه داده به عنوان سرويس - داده به عنوان سرويس - دانش به عنوان سرويس - اطلاعات به عنوان سرويس - هوشمندي به عنوان سرويس<br /> اقلام نوع داده عبارتند از ساخت يافته: داراي اسکيما و مدلهاي از قبل تعريف شده - غير ساخت يافته: بدون هيچ مدل از پيش تعريف شده - نيمه ساخت يافته: فاقد مدل ساخت يافته - ترکيب: انواع متفاوت داده در کنار يکديگر<br /> <br /> ''چالشها و فرصتهاي پيش رو در مواجهه با داده هاي عظيم''<br /> چالشها عبارتند از :<br /> امنيت<br /> بودجه<br /> نيروي انساني ماهر در پياده سازي و به کارگيري داده عظيم<br /> دشواري در يکپارچگي با سيستم­هاي فعلي<br /> فروشندگان محدود در اين حوزه<br /> همچنين عدم آمادگي سازمان <br /> <br /> مهمترین فاکتورهای موفقیت عبارتند از:<br /> توجه به بين رشته اي بودن پديده داده عظيم <br /> تعامل تيم هاي کسب و کار و فناوري اطلاعات<br /> برخورداري از حمايت مديران ارشد<br /> <br /> ''زمينه هاي نوين تحقيقاتي داده هاي عظيم''<br /> زيرساخت ها و بسترهاي داده هاي عظيم - امنيت، مسائل حقوقي و استانداردهاي داده هاي عظيم - مدل ها، الگوريتم ها و راهکارهاي ذخيره، دسترسي، جستجو، تحليل، پالايش، پردازش، کاوش و مديريت داده هاي عظيم - سرمايه گذاري، راهبرد و الگوهاي مهاجرت به داده هاي عظيم - مديريت مصرف انرژي در داده هاي عظيم<br /> <br /> <br /> '''اشکالات وارد بر ارائه:'''<br /> زمان به خوبی مدیریت نشد و بحث های انتهایی که مهمتر بود، شرح داده نشد.<br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید:'''<br /> به دنبال راهکارها و روش های مناسبی باشیم تا داده های عطیم را هوشمندانه تر ذخیره کنیم تا بهره گیری از آنها بهتر گردد.<br /> بهتر است به جای عبارت &quot;دانش بعنوان سرویس&quot; از عبارت &quot;استفاده از دانش بعنوان سرویس&quot; بهره بگیریم.<br /> <br /> ==مقاله 2==<br /> عنوان مقاله:<br /> <br /> نام ارائه دهنده: <br /> <br /> ==مقاله 3==<br /> عنوان مقاله:<br /> <br /> نام ارائه دهنده:<br /> <br /> <br /> = بحث و تبادل نظر و جمع بندی=<br /> <br /> <br /> =لینک های مرتبط=<br /> * [[مستند سازی همایش کلان داده دی ۱۳۹۳]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست زیرساخت ها و بسترهای داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست سرمایه گذاری، راهبرد و الگوهای مهاجرت به داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست امنیت، مسائل حقوقی و استانداردهای داده های عظیم]]</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=%D9%87%D9%85%D8%A7%DB%8C%D8%B4_%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87_%D8%AF%DB%8C_%DB%B1%DB%B3%DB%B9%DB%B3:%D9%86%D8%B4%D8%B3%D8%AA_%DA%A9%D8%A7%D8%A8%D8%B1%D8%AF%D9%87%D8%A7_%D9%88_%D8%B1%D8%A7%D9%87%DA%A9%D8%A7%D8%B1%D9%87%D8%A7%DB%8C_%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA_%D8%AF%D8%A7%D8%AF%D9%87_%D9%87%D8%A7%DB%8C_%D8%B9%D8%B8%DB%8C%D9%85&diff=6289 2015-01-24T07:25:07Z

<p>معصومه رضائی جم: </p> <hr /> <div>مستند شده توسط:<br /> <br /> =مقالات ارائه شده=<br /> ==مقاله 1==<br /> '''عنوان مقاله:''' ارائه مدل مفهومی روندها و حوزه های تحقیقاتی داده های عظیم<br /> <br /> '''نام ارائه دهنده:''' دکتر علیرضا یاری<br /> <br /> '''چالش مطرح شده:'''<br /> حوزه های تحقیقاتی در کلان داده چیست؟<br /> <br /> '''خلاصه مطالب ارائه شده:'''<br /> به رشد بسیار سریع داده ها و جایگاه و اهمیت مباحث کلان داده در دنیا اشاره شد و مباحثی از جمله تعریف، خواص سه گانه و خواهش هفتگانه آن بیان گردید که قبلا در [http://%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87 صفحه تعاریف کلان داده در ویکی] مطرح شده است.<br /> <br /> '''راه حل های ارائه شده:'''<br /> مدل مفهومی در حوزه کلان داده پیشنهاد می شود تا به وسیله آن نگاه های مختلفی که به کلان داده وجود دارد نشان داده شود. این مدل دارای 2 سطح است. یکی در سطح اول یعنی سطح فنی که مراحل، سیاست ها ، فرآیندها و متدولوژی ها را بیان می کند و سطح دوم یعنی سطح کلان که در نگاه کلانتر، نیازمندی های محیطی، کاربردها، سناریو، سرویس ها و از این قبیل را مورد بررسی قرار می دهد.<br /> ''سطح اول یا همان سطح فنی:''<br /> مراحل شامل تولید ، دریافت و انتقال ، ذخیره سازی ، تحلیل است. که فرایند دریافت شامل جمع آوری ، انتقال ، پیش پردازش است و فرایند تحلیل شامل ایجاد منابع داده ، مدیریت و نگهداری داده ، مدلسازی داده ، تحلیل نتیجه و نمایش آن می باشد. همچنین تحلیل دارای سیاستهایی است که شامل انواع توصیفی ، پیش بینی ، تجویزی می باشد.<br /> متدولوژی های این سطح متشکل است از : داده كاوي - بهينه سازي - تشخيص الگو - يادگيري ماشين - شبكه عصبي - پردازش سيگنال - آمار و رياضيات محض<br /> <br /> ''سطح دوم یا همان سطح کلان''<br /> بعنوان نمونه در این سطح موارد زیر مطرح است:<br /> ذينفعان در آن عبارتند از توليدکنندگان داده هاي عظيم- سياستگذاران-توسعه دهندگان- سرويس‌دهندگان- مخاطبين <br /> سرویس ها در آن عبارتند از آناليز آفلاين به عنوان سرويس - آناليز برخط و پيوسته به عنوان سرويس - پايگاه داده به عنوان سرويس - داده به عنوان سرويس - دانش به عنوان سرويس - اطلاعات به عنوان سرويس - هوشمندي به عنوان سرويس<br /> اقلام نوع داده عبارتند از ساخت يافته: داراي اسکيما و مدلهاي از قبل تعريف شده - غير ساخت يافته: بدون هيچ مدل از پيش تعريف شده - نيمه ساخت يافته: فاقد مدل ساخت يافته - ترکيب: انواع متفاوت داده در کنار يکديگر<br /> <br /> ''چالشها و فرصتهاي پيش رو در مواجهه با داده هاي عظيم''<br /> چالشها عبارتند از :<br /> امنيت<br /> بودجه<br /> نيروي انساني ماهر در پياده سازي و به کارگيري داده عظيم<br /> دشواري در يکپارچگي با سيستم­هاي فعلي<br /> فروشندگان محدود در اين حوزه<br /> همچنين عدم آمادگي سازمان <br /> <br /> مهمترین فاکتورهای موفقیت عبارتند از:<br /> توجه به بين رشته اي بودن پديده داده عظيم <br /> تعامل تيم هاي کسب و کار و فناوري اطلاعات<br /> برخورداري از حمايت مديران ارشد<br /> <br /> ''زمينه هاي نوين تحقيقاتي داده هاي عظيم''<br /> زيرساخت ها و بسترهاي داده هاي عظيم - امنيت، مسائل حقوقي و استانداردهاي داده هاي عظيم - مدل ها، الگوريتم ها و راهکارهاي ذخيره، دسترسي، جستجو، تحليل، پالايش، پردازش، کاوش و مديريت داده هاي عظيم - سرمايه گذاري، راهبرد و الگوهاي مهاجرت به داده هاي عظيم - مديريت مصرف انرژي در داده هاي عظيم<br /> <br /> <br /> '''اشکالات وارد بر ارائه:'''<br /> زمان به خوبی مدیریت نشد و بحث های انتهایی که مهمتر بود، شرح داده نشد.<br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید:'''<br /> به دنبال راهکارها و روش های مناسبی باشیم تا داده های عطیم را هوشمندانه تر ذخیره کنیم تا بهره گیری از آنها بهتر گردد.<br /> بهتر است به جای عبارت &quot;دانش بعنوان سرویس&quot; از عبارت &quot;استفاده از دانش بعنوان سرویس&quot; بهره بگیریم.<br /> <br /> <br /> ==مقاله 2==<br /> عنوان مقاله:<br /> <br /> نام ارائه دهنده: <br /> <br /> ==مقاله 3==<br /> عنوان مقاله:<br /> <br /> نام ارائه دهنده:<br /> <br /> <br /> = بحث و تبادل نظر و جمع بندی=<br /> <br /> <br /> =لینک های مرتبط=<br /> * [[مستند سازی همایش کلان داده دی ۱۳۹۳]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست زیرساخت ها و بسترهای داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست سرمایه گذاری، راهبرد و الگوهای مهاجرت به داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست امنیت، مسائل حقوقی و استانداردهای داده های عظیم]]</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=%D9%87%D9%85%D8%A7%DB%8C%D8%B4_%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87_%D8%AF%DB%8C_%DB%B1%DB%B3%DB%B9%DB%B3:%D9%86%D8%B4%D8%B3%D8%AA_%DA%A9%D8%A7%D8%A8%D8%B1%D8%AF%D9%87%D8%A7_%D9%88_%D8%B1%D8%A7%D9%87%DA%A9%D8%A7%D8%B1%D9%87%D8%A7%DB%8C_%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA_%D8%AF%D8%A7%D8%AF%D9%87_%D9%87%D8%A7%DB%8C_%D8%B9%D8%B8%DB%8C%D9%85&diff=6288 2015-01-24T07:20:40Z

<p>معصومه رضائی جم: </p> <hr /> <div>==مقاله 1==<br /> '''عنوان مقاله:''' ارائه مدل مفهومی روندها و حوزه های تحقیقاتی داده های عظیم<br /> <br /> '''نام ارائه دهنده:''' دکتر علیرضا یاری<br /> <br /> '''چالش مطرح شده:'''<br /> حوزه های تحقیقاتی در کلان داده چیست؟<br /> <br /> '''خلاصه مطالب ارائه شده:'''<br /> به رشد بسیار سریع داده ها و جایگاه و اهمیت مباحث کلان داده در دنیا اشاره شد و مباحثی از جمله تعریف، خواص سه گانه و خواهش هفتگانه آن بیان گردید که قبلا در [http://%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87 صفحه تعاریف کلان داده در ویکی] مطرح شده است.<br /> <br /> '''راه حل های ارائه شده:'''<br /> مدل مفهومی در حوزه کلان داده پیشنهاد می شود تا به وسیله آن نگاه های مختلفی که به کلان داده وجود دارد نشان داده شود. این مدل دارای 2 سطح است. یکی در سطح اول یعنی سطح فنی که مراحل، سیاست ها ، فرآیندها و متدولوژی ها را بیان می کند و سطح دوم یعنی سطح کلان که در نگاه کلانتر، نیازمندی های محیطی، کاربردها، سناریو، سرویس ها و از این قبیل را مورد بررسی قرار می دهد.<br /> ''سطح اول یا همان سطح فنی:''<br /> مراحل شامل تولید ، دریافت و انتقال ، ذخیره سازی ، تحلیل است. که فرایند دریافت شامل جمع آوری ، انتقال ، پیش پردازش است و فرایند تحلیل شامل ایجاد منابع داده ، مدیریت و نگهداری داده ، مدلسازی داده ، تحلیل نتیجه و نمایش آن می باشد. همچنین تحلیل دارای سیاستهایی است که شامل انواع توصیفی ، پیش بینی ، تجویزی می باشد.<br /> متدولوژی های این سطح متشکل است از : داده كاوي - بهينه سازي - تشخيص الگو - يادگيري ماشين - شبكه عصبي - پردازش سيگنال - آمار و رياضيات محض<br /> <br /> ''سطح دوم یا همان سطح کلان''<br /> بعنوان نمونه در این سطح موارد زیر مطرح است:<br /> ذينفعان در آن عبارتند از توليدکنندگان داده هاي عظيم- سياستگذاران-توسعه دهندگان- سرويس‌دهندگان- مخاطبين <br /> سرویس ها در آن عبارتند از آناليز آفلاين به عنوان سرويس - آناليز برخط و پيوسته به عنوان سرويس - پايگاه داده به عنوان سرويس - داده به عنوان سرويس - دانش به عنوان سرويس - اطلاعات به عنوان سرويس - هوشمندي به عنوان سرويس<br /> اقلام نوع داده عبارتند از ساخت يافته: داراي اسکيما و مدلهاي از قبل تعريف شده - غير ساخت يافته: بدون هيچ مدل از پيش تعريف شده - نيمه ساخت يافته: فاقد مدل ساخت يافته - ترکيب: انواع متفاوت داده در کنار يکديگر<br /> <br /> ''چالشها و فرصتهاي پيش رو در مواجهه با داده هاي عظيم''<br /> چالشها عبارتند از :<br /> امنيت<br /> بودجه<br /> نيروي انساني ماهر در پياده سازي و به کارگيري داده عظيم<br /> دشواري در يکپارچگي با سيستم­هاي فعلي<br /> فروشندگان محدود در اين حوزه<br /> همچنين عدم آمادگي سازمان <br /> <br /> مهمترین فاکتورهای موفقیت عبارتند از:<br /> توجه به بين رشته اي بودن پديده داده عظيم <br /> تعامل تيم هاي کسب و کار و فناوري اطلاعات<br /> برخورداري از حمايت مديران ارشد<br /> <br /> ''زمينه هاي نوين تحقيقاتي داده هاي عظيم''<br /> زيرساخت ها و بسترهاي داده هاي عظيم - امنيت، مسائل حقوقي و استانداردهاي داده هاي عظيم - مدل ها، الگوريتم ها و راهکارهاي ذخيره، دسترسي، جستجو، تحليل، پالايش، پردازش، کاوش و مديريت داده هاي عظيم - سرمايه گذاري، راهبرد و الگوهاي مهاجرت به داده هاي عظيم - مديريت مصرف انرژي در داده هاي عظيم<br /> <br /> <br /> '''اشکالات وارد بر ارائه:'''<br /> زمان به خوبی مدیریت نشد و بحث های انتهایی که مهمتر بود، شرح داده نشد.<br /> <br /> '''بحث‌های پیرامونی و نظر حضار و اساتید:'''<br /> به دنبال راهکارها و روش های مناسبی باشیم تا داده های عطیم را هوشمندانه تر ذخیره کنیم تا بهره گیری از آنها بهتر گردد.<br /> بهتر است به جای عبارت &quot;دانش بعنوان سرویس&quot; از عبارت &quot;استفاده از دانش بعنوان سرویس&quot; بهره بگیریم.</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=%D9%87%D9%85%D8%A7%DB%8C%D8%B4_%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87_%D8%AF%DB%8C_%DB%B1%DB%B3%DB%B9%DB%B3:%D9%86%D8%B4%D8%B3%D8%AA_%DA%A9%D8%A7%D8%A8%D8%B1%D8%AF%D9%87%D8%A7_%D9%88_%D8%B1%D8%A7%D9%87%DA%A9%D8%A7%D8%B1%D9%87%D8%A7%DB%8C_%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA_%D8%AF%D8%A7%D8%AF%D9%87_%D9%87%D8%A7%DB%8C_%D8%B9%D8%B8%DB%8C%D9%85&diff=6198 2015-01-22T10:39:46Z

<p>معصومه رضائی جم: /* مقاله 1 */</p> <hr /> <div>مستند شده توسط:<br /> <br /> =مقالات ارائه شده=<br /> ==مقاله 1==<br /> عنوان مقاله: ارائه مدل مفهومی روندها و حوزه های تحقیقاتی داده های عظیم<br /> <br /> نام ارائه دهنده: دکتر علیرضا یاری<br /> <br /> چالش مطرح شده:<br /> حوزه های تحقیقاتی در کلان داده چیست؟<br /> <br /> خلاصه مطالب ارائه شده:<br /> به رشد بسیار سریع داده ها و جایگاه و اهمیت مباحث کلان داده در دنیا اشاره شد و مباحثی از جمله تعریف، خواص سه گانه و خواهش هفتگانه آن بیان گردید که قبلا در [http://%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87 صفحه تعاریف کلان داده در ویکی] مطرح شده است.<br /> <br /> راه حل های ارائه شده:<br /> مدل مفهومی در حوزه کلان داده پیشنهاد می شود تا به وسیله آن نگاه های مختلفی که به کلان داده وجود دارد نشان داده شود. این مدل دارای 2 سطح است. یکی در سطح اول یعنی سطح فنی که مراحل، سیاست ها ، فرآیندها و متدولوژی ها را بیان می کند و سطح دوم یعنی سطح کلان که در نگاه کلانتر، نیازمندی های محیطی، کاربردها، سناریو، سرویس ها و از این قبیل را مورد بررسی قرار می دهد.<br /> <br /> <br /> اشکالات وارد بر ارائه:<br /> زمان به خوبی مدیریت نشد و بحث های انتهایی که مهمتر لود، شرح داده نشد.<br /> <br /> بحث‌های پیرامونی و نظر حضار و اساتید:<br /> بهتر است به جای عبارت &quot;دانش بعنوان سرویس&quot; از عبارت &quot;استفاده از دانش بعنوان سرویس&quot; بهره بگیریم.<br /> <br /> ==مقاله 2==<br /> عنوان مقاله:<br /> <br /> نام ارائه دهنده: <br /> <br /> ==مقاله 3==<br /> عنوان مقاله:<br /> <br /> نام ارائه دهنده:<br /> <br /> <br /> = بحث و تبادل نظر و جمع بندی=<br /> <br /> <br /> =لینک های مرتبط=<br /> * [[مستند سازی همایش کلان داده دی ۱۳۹۳]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست زیرساخت ها و بسترهای داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست سرمایه گذاری، راهبرد و الگوهای مهاجرت به داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست امنیت، مسائل حقوقی و استانداردهای داده های عظیم]]</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=%D9%87%D9%85%D8%A7%DB%8C%D8%B4_%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87_%D8%AF%DB%8C_%DB%B1%DB%B3%DB%B9%DB%B3:%D9%86%D8%B4%D8%B3%D8%AA_%DA%A9%D8%A7%D8%A8%D8%B1%D8%AF%D9%87%D8%A7_%D9%88_%D8%B1%D8%A7%D9%87%DA%A9%D8%A7%D8%B1%D9%87%D8%A7%DB%8C_%D9%85%D8%AF%DB%8C%D8%B1%DB%8C%D8%AA_%D8%AF%D8%A7%D8%AF%D9%87_%D9%87%D8%A7%DB%8C_%D8%B9%D8%B8%DB%8C%D9%85&diff=6197 2015-01-22T10:09:44Z

<p>معصومه رضائی جم: </p> <hr /> <div>مستند شده توسط:<br /> <br /> =مقالات ارائه شده=<br /> ==مقاله 1==<br /> عنوان مقاله: ارائه مدل مفهومی روندها و حوزه های تحقیقاتی داده های عظیم<br /> <br /> نام ارائه دهنده: دکتر علیرضا یاری<br /> <br /> چالش مطرح شده:<br /> حوزه های تحقیقاتی در کلان داده چیست؟<br /> <br /> خلاصه مطالب ارائه شده:<br /> به رشد بسیار سریع داده ها و جایگاه و اهمیت مباحث کلان داده در دنیا اشاره شد و مباحثی از جمله تعریف، خواص سه گانه و خواهش هفتگانه آن بیان گردید که قبلا در [http://%DA%A9%D9%84%D8%A7%D9%86_%D8%AF%D8%A7%D8%AF%D9%87 صفحه تعاریف کلان داده در ویکی] مطرح شده است.<br /> <br /> راه حل های ارائه شده:<br /> مدل مفهومی در حوزه کلان داده پیشنهاد می شود تا به وسیله آن نگاه های مختلفی که به کلان داده وجود دارد نشان داده شود. این مدل دارای 2 سطح است. یکی در سطح اول یعنی سطح فنی که مراحل، سیاست ها ، فرآیندها و متدولوژی ها را بیان می کند و سطح دوم یعنی سطح کلان که نیازمندی های محیطی، کاربردها، سناریو، سرویس ها و از این قبیل را مورد بررسی قرار می دهد.<br /> <br /> <br /> <br /> <br /> <br /> ==مقاله 2==<br /> عنوان مقاله:<br /> <br /> نام ارائه دهنده: <br /> <br /> ==مقاله 3==<br /> عنوان مقاله:<br /> <br /> نام ارائه دهنده:<br /> <br /> <br /> = بحث و تبادل نظر و جمع بندی=<br /> <br /> <br /> =لینک های مرتبط=<br /> * [[مستند سازی همایش کلان داده دی ۱۳۹۳]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست زیرساخت ها و بسترهای داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست سرمایه گذاری، راهبرد و الگوهای مهاجرت به داده های عظیم]]<br /> * [[همایش کلان داده دی ۱۳۹۳:نشست امنیت، مسائل حقوقی و استانداردهای داده های عظیم]]</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=%D8%AC%D9%84%D8%B3%D9%87_27_%D8%AC%D8%A7%D9%85%D8%B9%D9%87_%D8%A2%D8%B2%D8%A7%D8%AF_%D8%B1%D8%A7%DB%8C%D8%A7%D9%86%D8%B4_%D8%A7%D8%A8%D8%B1%DB%8C_%D8%A7%DB%8C%D8%B1%D8%A7%D9%86&diff=5410 2014-12-29T10:02:22Z

<p>معصومه رضائی جم: /* اعلام حضور در جلسه */</p> <hr /> <div>جلسه 27 جامعه آزاد رایانش ابری ایران در تاریخ سه شنبه 9 دی 93 ساعت 16:00 الی 19:30 برگزار خواهد شد. میزبانی این جلسه را «[http://xamin.ir زمین]» در پژوهشگاه ارتباطات و فناوری اطلاعات (مرکز تحقیقات مخابرات ایران) بر عهده خواهد داشت. اطلاعات رسمی در خصوص این جلسه در [http://occc.ir/index.php/2014-04-27-19-44-41/86-931009 اینجا] قرار گرفته است. برای مشاهده آدرس میتوانید به [http://occc.ir/index.php/2-uncategorised/2-location اینجا] مراجعه نمایید.<br /> <br /> '''برنامه های این جلسه:'''<br /> <br /> * کارگاه عملی از ساعت ۱۶ الی ۱۷:۳۰ (کارگاه اپن استک: بخش احراز هویت)<br /> * جمع بندی کارگاه و پرسش و پاسخ از ساعت ۱۷:۳۰ الی ۱۸<br /> * جلسه عمومی با بحث آزاد از ساعت ۱۸ الی ۱۹:۳۰<br /> <br /> '''پیشنیازهای کارگاه:'''<br /> <br /> * برای حضور در کارگاه حتما لپ‌تاپ به همراه داشته باشید.<br /> * آشنایی با [http://occc.ir/index.php/2014-04-27-19-44-41/74-930904 مبانی مجازی‌سازی]<br /> * آشنایی با اصول اولیه شبکه<br /> * آشنایی اولیه با [http://occc.ir/index.php/2014-04-27-19-44-41/72-930827 معماری اپن استک]<br /> <br /> <br /> نکات قابل توجه:<br /> <br /> * شرکت در این جلسات برای عموم علاقه‌مندان آزاد و رایگان می‌باشد.<br /> * خواهشمند است برای داشتن تخمین درستی از افراد شرکت کننده در جلسه و به منظور تعیین مکان مناسب از نظر حجم و تعداد صندلی، در صورت شرکت در جلسه، نام خود را در بخش زیر بنویسید.<br /> * درصورت تمایل به همکاری با این گروه یا اطلاع از جلسات بعد می‌توانید به صفحه [[تازه واردان به جامعه آزاد رایانش ابری]] مراجعه نمایید.<br /> <br /> <br /> {| cellspacing=&quot;5&quot; cellpadding=&quot;2&quot; width=&quot;100%&quot;<br /> |- valign=&quot;top&quot; <br /> |style=&quot;background: #FDF4F4;border: 1px solid black;padding-left:1em;padding-right:0.5em;&quot; width=&quot;50%&quot;|<br /> <br /> == اعلام حضور در جلسه ==<br /> شرکت برای عموم آزاد است، اما برای هماهنگی بیشتر، اگر تمایل به شرکت در این جلسه دارید، اسم خود را به این لیست اضافه نمایید: <br /> <br /> # مرتضی سرگلزایی جوان<br /> # [[احسان بنی هاشم]]<br /> # [[میلاد محمدی زیوه]]<br /> # [[حمید رضا قوامی]]<br /> #سامانی<br /> # روزبه شفیعی<br /> #سید یحیی زاهدی فرد<br /> #سمیه محمدی<br /> #رسمیه پروانه<br /> #اويتا بختياري<br /> # پريا قلي زاده<br /> # عباس عباسی<br /> #احسان شاهرخی<br /> #مریم کاظم تاش<br /> #اکرم اسماعیل زاده<br /> #هادی ناصری<br /> #نیما نوروزی<br /> #محمدرضا امینی<br /> #سمیه نجفی<br /> #تیناتعویذی<br /> #محسن احمدی<br /> #مهدی زارع<br /> #محمودی<br /> #مهدی شیخ حسینی<br /> #حسن صالح<br /> #کیوان هدایتی<br /> #سید حمید مهدوی<br /> #امیر نعیمی<br /> #سیدمحمدرضا دیباج<br /> #معصومه رضائی جم<br /> |style=&quot;background: #F4FDF6;border: 1px solid black;padding-left:1em;padding-right:0.5em;&quot; width=&quot;50%&quot;|<br /> <br /> == پیشنهاد موضوع برای بحث آزاد ==<br /> * پایتون و رایانش ابری (با حضور آقای مهندس [https://github.com/mahmoud محمود هاشمی] و بررسی تجربیات ایشان در دو شرکت ای بی و پی پال)، ایشون نویسنده مقاله [https://www.paypal-engineering.com/2014/12/10/10-myths-of-enterprise-python/ ‎10 Myths of Enterprise Python] نیز هستند <br /> <br /> |}<br /> <br /> == مسائل مطرح شده/تصمیمات اتخاذ شده==<br /> <br /> *<br /> *<br /> *<br /> <br /> <br /> <br /> {{#widget:DISQUS<br /> |id=wiki-occc<br /> |uniqid={{PAGENAME}}<br /> |url={{fullurl:{{PAGENAME}}}}<br /> }}<br /> <br /> == لینک های مرتبط ==<br /> <br /> * از آخرین اخبار این جلسه در [https://trello.com/c/Sy1FWc68 بورد عمومی] مطلع شوید یا روی آن بحث کنید.<br /> * اگر بطور کلی پیشنهادی دارید که در جامعه بهتر است روی آن بحث شود یا ارایه فنی انجام شود میتوانید در [https://trello.com/c/tRXjMR2q اینجا] مطرح نمایید.<br /> * [[آرشیو جلسات جامعه آزاد رایانش ابری ایران]]<br /> <br /> __NOTOC__</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=%D9%85%D8%B9%D8%B5%D9%88%D9%85%D9%87_%D8%B1%D8%B6%D8%A7%D8%A6%DB%8C_%D8%AC%D9%85&diff=5144 2014-12-26T09:08:25Z

<p>معصومه رضائی جم: </p> <hr /> <div>'''مشخصات فردی''' <br /> <br /> نام و نام خانوادگی : معصومه رضائی جم<br /> <br /> تاریخ تولد : 09/01/1367<br /> <br /> تلفن همراه: <br /> <br /> پست الکترونیکی: masoumehrj@gmail.com و m_rezaeijam90@ms.tabrizu.ac.ir <br /> <br /> '''تحصیلات'''<br /> <br /> • کارشناس ارشد مهندسی کامپیوتر گرایش نرم افزار از دانشگاه سراسری تبریز با معدل 17.78 <br /> <br /> • کارشناس مهندسی کامپیوتر گرایش نرم افزار از دانشگاه علم و فرهنگ تهران با معدل 17.22<br /> <br /> • اخذ دیپلم ریاضی فیزیک با معدل کل 19.5<br /> <br /> <br /> '''سوابق کاری'''<br /> <br /> • مدرس دروس اسمبلی و برنامه نویسی c در دانشگاه آزاد اسلامی<br /> <br /> • مدرس دروس &quot;برنامه نویسی پیشرفته c++&quot; و &quot;نظریه زبانها و ماشینها&quot; و &quot;کارگاه سیستم عامل (لینوکس و جاوا) &quot; و &quot;فناوری اطلاعات 2&quot; و &quot;مباحث نو در فناوری اطلاعات&quot; و &quot;شیوه ارائه مطالب&quot; در دانشگاه غیرانتفاعی غیاث الدین جمشید کاشانی آبیک<br /> <br /> • تدریس یار درس برنامه نویسی پیشرفته در دانشگاه علم و فرهنگ تهران<br /> <br /> <br /> '''دستاورد‌ها'''<br /> <br /> • عضو فعال آزمایشگاه و مرکز تحقیقات رایانش ابری دانشگاه صنعتی امیرکبیر<br /> <br /> • عضو فعال آزمایشگاه و مرکز تحقیقات رایانش ابری دانشگاه تبریز<br /> <br /> • همکاری در راه اندازی ابر واقعی در اولین همایش ملی رایانش ابری ایران آبان 1391 – دانشگاه صنعتی امیرکبیر<br /> <br /> • برگزاری ارائه با موضوع &quot;مقیاس‌پذیری هادوپ&quot; در جامعه آزاد رایانش ابری- زمستان 1392<br /> <br /> • همکاری و عضویت در اولین دوره مسابقات درون دانشگاهی ACM در دانشگاه علم و فرهنگ به عنوان شرکت کننده و کادر اجرایی- سال 1386<br /> <br /> <br /> <br /> '''سوابق پژوهشی کارشناسی ارشد و کارشناسی'''<br /> <br /> • موضوع پایان‌نامه کارشناسی ارشد: افزودن قابلیت مدیریت منابع و مقیاس پذیری خودکار براساس افزایش یا کاهش میزان بار به بستر پردازشی هدوپ به راهنمایی دکتر لیلی محمدخانلی از دانشگاه تبریز و مشاوره دکتر محمدکاظم اکبری از دانشگاه صنعتی امیرکبیر<br /> <br /> • موضوع سمینار کارشناسی ارشد: بررسی سازوکار مقیاس‌پذیری در هادوپ به راهنمایی دکتر لیلی محمدخانلی از دانشگاه تبریز و مشاوره دکتر محمدکاظم اکبری از دانشگاه صنعتی امیرکبیر<br /> <br /> • موضوع پروژه پایانی کارشناسی: مروری بر مدلها و زبانهای هماهنگ ساز به راهنمایی دکتر محمد ایزدی از دانشگاه شریف<br /> <br /> • پذیرش مقاله در پنجمین کنفرانس بین المللی فناوری اطلاعات و دانش (IKT 2013) با درصد پذیرش 30 درصد - عنوان Survey on Improved Auto Scaling in Hadoop into Cloud Environments– دانشگاه شیراز – خردادماه 1392<br /> <br /> • پذیرش مقاله در چهارمین کنفرانس بین المللی کامپیوتر و مهندسی دانش (ICCKE 2014) - عنوان Survey on Security of Hadoop – دانشگاه فردوسی مشهد – آبان ماه 1393<br /> دوره های تخصصی گذرانده شده <br /> <br /> • اخذ گواهینامه گذراندن دوره آموزشی Cloud Computing از پژوهشگاه دانشهای بنیادی (IPM) ایران <br /> <br /> • شرکت در دوره آموزش مقدماتی سیستم عامل بومی زمین در دانشگاه علم و صنعت<br /> <br /> <br /> '''مهارت ها'''<br /> <br /> • مسلط به زبانهای برنامه نویسی Java ، C ، C++ ، Assembly<br /> <br /> • مسلط به برنامه نویسی موازی با POSIX (Parallel Programming in Linux)<br /> <br /> • مسلط در برنامه نویسی باابزارهای مانیتورینگ Cacti و SNMP<br /> <br /> • مسلط در مدیریت بستر ذخیره سازی و پردازشی Hadoop<br /> <br /> • مسلط در برنامه نویسی باابزار ذخیره سازی RRDtool<br /> <br /> • آشنایی با برنامه نویسی پوسته سیستم عامل Linux <br /> <br /> • آشنایی با بستر ساخت ابر Eucalyptus <br /> <br /> • آشنایی به زبان برنامه نویسی HTML</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=%D9%85%D8%B9%D8%B5%D9%88%D9%85%D9%87_%D8%B1%D8%B6%D8%A7%D8%A6%DB%8C_%D8%AC%D9%85&diff=5143 2014-12-26T08:47:04Z

<p>معصومه رضائی جم: </p> <hr /> <div>'''مشخصات فردی''' <br /> <br /> نام و نام خانوادگی : معصومه رضائی جم<br /> <br /> تاریخ تولد : 09/01/1367<br /> <br /> تلفن همراه: <br /> <br /> پست الکترونیکی: masoumehrj@gmail.com و m_rezaeijam90@ms.tabrizu.ac.ir <br /> <br /> '''تحصیلات'''<br /> <br /> • کارشناس ارشد مهندسی کامپیوتر گرایش نرم افزار از دانشگاه سراسری تبریز با معدل 17.78 <br /> <br /> • کارشناس مهندسی کامپیوتر گرایش نرم افزار از دانشگاه علم و فرهنگ تهران با معدل 17.22<br /> <br /> • اخذ دیپلم ریاضی فیزیک با معدل کل 19.5<br /> <br /> <br /> '''سوابق کاری'''<br /> <br /> • مدرس درس اسمبلی و برناه نویسی c در دانشگاه آزاد اسلامی از نیمسال دوم سال 92 تاکنون<br /> <br /> • مدرس دروس &quot;برنامه نویسی پیشرفته c++&quot; و &quot;نظریه زبانها و ماشینها&quot; و &quot;کارگاه سیستم عامل (لینوکس و جاوا) &quot; و &quot;فناوری اطلاعات 2&quot; و &quot;مباحث نو در فناوری اطلاعات&quot; و &quot;شیوه ارائه مطالب&quot; در دانشگاه غیرانتفاعی غیاث الدین جمشید کاشانی آبیک نیمسال دوم سال 92<br /> <br /> • تدریس یار درس برنامه نویسی پیشرفته در دانشگاه علم و فرهنگ تهران در نیمسال اول سال 86<br /> <br /> <br /> '''دستاورد‌ها'''<br /> <br /> • عضو فعال آزمایشگاه و مرکز تحقیقات رایانش ابری دانشگاه صنعتی امیرکبیر<br /> <br /> • عضو فعال آزمایشگاه و مرکز تحقیقات رایانش ابری دانشگاه تبریز<br /> <br /> • همکاری در راه اندازی ابر واقعی در اولین همایش ملی رایانش ابری ایران آبان 1391 – دانشگاه صنعتی امیرکبیر<br /> <br /> • برگزاری ارائه با موضوع &quot;مقیاس‌پذیری هادوپ&quot; در جامعه آزاد رایانش ابری- زمستان 1392<br /> <br /> • همکاری و عضویت در اولین دوره مسابقات درون دانشگاهی ACM در دانشگاه علم و فرهنگ به عنوان شرکت کننده و کادر اجرایی- سال 1386<br /> <br /> <br /> <br /> '''سوابق پژوهشی کارشناسی ارشد و کارشناسی'''<br /> <br /> • موضوع پایان‌نامه کارشناسی ارشد: افزودن قابلیت مدیریت منابع و مقیاس پذیری خودکار براساس افزایش یا کاهش میزان بار به بستر پردازشی هدوپ به راهنمایی دکتر لیلی محمدخانلی از دانشگاه تبریز و مشاوره دکتر محمدکاظم اکبری از دانشگاه صنعتی امیرکبیر<br /> <br /> • موضوع سمینار کارشناسی ارشد: بررسی سازوکار مقیاس‌پذیری در هادوپ به راهنمایی دکتر لیلی محمدخانلی از دانشگاه تبریز و مشاوره دکتر محمدکاظم اکبری از دانشگاه صنعتی امیرکبیر<br /> <br /> • موضوع پروژه پایانی کارشناسی: مروری بر مدلها و زبانهای هماهنگ ساز به راهنمایی دکتر محمد ایزدی از دانشگاه شریف<br /> <br /> • پذیرش مقاله در پنجمین کنفرانس بین المللی فناوری اطلاعات و دانش (IKT 2013) با درصد پذیرش 30 درصد - عنوان Survey on Improved Auto Scaling in Hadoop into Cloud Environments– دانشگاه شیراز – خردادماه 1392<br /> <br /> • پذیرش مقاله در چهارمین کنفرانس بین المللی کامپیوتر و مهندسی دانش (ICCKE 2014) - عنوان Survey on Security of Hadoop – دانشگاه فردوسی مشهد – آبان ماه 1393<br /> دوره های تخصصی گذرانده شده <br /> <br /> • اخذ گواهینامه گذراندن دوره آموزشی Cloud Computing از پژوهشگاه دانشهای بنیادی (IPM) ایران <br /> <br /> • شرکت در دوره آموزش مقدماتی سیستم عامل بومی زمین در دانشگاه علم و صنعت<br /> <br /> <br /> '''مهارت ها'''<br /> <br /> • مسلط به زبانهای برنامه نویسی Java ، C ، C++ ، Assembly<br /> <br /> • مسلط به برنامه نویسی موازی با POSIX (Parallel Programming in Linux)<br /> <br /> • مسلط در برنامه نویسی باابزارهای مانیتورینگ Cacti و SNMP<br /> <br /> • مسلط در مدیریت بستر ذخیره سازی و پردازشی Hadoop<br /> <br /> • مسلط در برنامه نویسی باابزار ذخیره سازی RRDtool<br /> <br /> • آشنایی با برنامه نویسی پوسته سیستم عامل Linux <br /> <br /> • آشنایی با بستر ساخت ابر Eucalyptus <br /> <br /> • آشنایی به زبان برنامه نویسی HTML</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=%D8%AC%D9%84%D8%B3%D9%87_22_%D8%AC%D8%A7%D9%85%D8%B9%D9%87_%D8%A2%D8%B2%D8%A7%D8%AF_%D8%B1%D8%A7%DB%8C%D8%A7%D9%86%D8%B4_%D8%A7%D8%A8%D8%B1%DB%8C_%D8%A7%DB%8C%D8%B1%D8%A7%D9%86&diff=3205 2014-11-09T23:18:19Z

<p>معصومه رضائی جم: /* اعلام حضور در جلسه */</p> <hr /> <div>جلسه 22 جامعه آزاد رایانش ابری ایران در تاریخ سه شنبه 20 آبان 93 ساعت 17:30 الی 19:30 در محل مرکز تحقیقات مخابرات ایران برگزار خواهد شد. اطلاعات رسمی در خصوص این جلسه در [http://occc.ir/index.php/2014-04-27-19-44-41/71-22-20-93 اینجا] قرار گرفته است. برای مشاهده آدرس میتوانید به [http://occc.ir/index.php/2-uncategorised/2-location اینجا] مراجعه نمایید.<br /> <br /> نکات قابل توجه:<br /> <br /> * شرکت در این جلسات برای عموم علاقه‌مندان آزاد و رایگان می‌باشد.<br /> * خواهشمند است برای داشتن تخمین درستی از افراد شرکت کننده در جلسه و به منظور تعیین مکان مناسب از نظر حجم و تعداد صندلی، در صورت شرکت در جلسه، نام خود را در بخش زیر بنویسید.<br /> * درصورت تمایل به همکاری با این گروه یا اطلاع از جلسات بعد می‌توانید به صفحه [[تازه واردان به جامعه آزاد رایانش ابری]] مراجعه نمایید.<br /> <br /> <br /> {| cellspacing=&quot;5&quot; cellpadding=&quot;2&quot; width=&quot;100%&quot;<br /> |- valign=&quot;top&quot; <br /> |style=&quot;background: #FDF4F4;border: 1px solid black;padding-left:1em;padding-right:0.5em;&quot; width=&quot;50%&quot;|<br /> <br /> == اعلام حضور در جلسه ==<br /> شرکت برای عموم آزاد است، اما برای هماهنگی بیشتر، اگر تمایل به شرکت در این جلسه دارید، اسم خود را به این لیست اضافه نمایید: <br /> <br /> * [[مرتضی سرگلزایی جوان]]<br /> * سید محمد صادق صالحی<br /> *اصغر پورعبداله<br /> *سعید علیجانی<br /> * آرمین رنجبر <br /> * سجاد سلجوقی<br /> * [[احمد بابایی]]<br /> * علیرضا فرهانیان<br /> * پريا قلي زاده<br /> * [[احسان بنی هاشم]]<br /> * [[معصومه رضائی جم]]<br /> <br /> <br /> |style=&quot;background: #F4FDF6;border: 1px solid black;padding-left:1em;padding-right:0.5em;&quot; width=&quot;50%&quot;|<br /> <br /> == پیشنهاد موضوع برای بحث آزاد ==<br /> * موضوع اصلی: '''نقش دولت در توسعه اکوسیستم رایانش ابری در ایران''' <br /> # دولت برای توسعه اکوسیستم رایانش ابری چه کارهایی میتواند انجام دهد؟ چه کارهایی نباید انجام دهد؟<br /> # پروژه های کلان فعلی چه نقشی در اکوسیستم رایانش ابری میتوانند داشته باشند؟<br /> #<br /> <br /> |}<br /> <br /> == مسائل مطرح شده/تصمیمات اتخاذ شده==<br /> <br /> *<br /> *<br /> *<br /> <br /> <br /> == لینک های مرتبط ==<br /> <br /> * از آخرین اخبار این جلسه در [https://trello.com/c/JfYh3iPt بورد عمومی] مطلع شوید یا روی آن بحث کنید.<br /> * اگر بطور کلی پیشنهادی دارید که در جامعه بهتر است روی آن بحث شود یا ارایه فنی انجام شود میتوانید در [https://trello.com/c/tRXjMR2q اینجا] مطرح نمایید.<br /> * [[آرشیو جلسات جامعه آزاد رایانش ابری ایران]]<br /> <br /> __NOTOC__</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=%DA%A9%D8%A7%D8%B1%D8%A8%D8%B1:%D9%85%D8%B9%D8%B5%D9%88%D9%85%D9%87_%D8%B1%D8%B6%D8%A7%D8%A6%DB%8C_%D8%AC%D9%85&diff=3156 2014-11-09T01:44:37Z

<p>معصومه رضائی جم: صفحه‌ای جدید حاوی «'''مشخصات فردی''' نام و نام خانوادگی : معصومه رضائی جم تاریخ تولد : 09/01/...» ایجاد کرد</p> <hr /> <div>'''مشخصات فردی''' <br /> <br /> نام و نام خانوادگی : معصومه رضائی جم<br /> <br /> تاریخ تولد : 09/01/1367<br /> <br /> تلفن همراه: 09126482038<br /> <br /> پست الکترونیکی: masoumehrj@gmail.com و m_rezaeijam90@ms.tabrizu.ac.ir <br /> <br /> '''تحصیلات'''<br /> <br /> • کارشناس ارشد مهندسی کامپیوتر گرایش نرم افزار از دانشگاه سراسری تبریز با معدل 17.78 <br /> <br /> • کارشناس مهندسی کامپیوتر گرایش نرم افزار از دانشگاه علم و فرهنگ تهران با معدل 17.22<br /> <br /> • اخذ دیپلم ریاضی فیزیک با معدل کل 19.5<br /> <br /> <br /> '''سوابق کاری'''<br /> <br /> • مدرس درس اسمبلی و برناه نویسی c در دانشگاه آزاد اسلامی از نیمسال دوم سال 92 تاکنون<br /> <br /> • مدرس دروس &quot;برنامه نویسی پیشرفته c++&quot; و &quot;نظریه زبانها و ماشینها&quot; و &quot;کارگاه سیستم عامل (لینوکس و جاوا) &quot; و &quot;فناوری اطلاعات 2&quot; و &quot;مباحث نو در فناوری اطلاعات&quot; و &quot;شیوه ارائه مطالب&quot; در دانشگاه غیرانتفاعی غیاث الدین جمشید کاشانی آبیک نیمسال دوم سال 92<br /> <br /> • تدریس یار درس برنامه نویسی پیشرفته در دانشگاه علم و فرهنگ تهران در نیمسال اول سال 86<br /> <br /> <br /> '''دستاورد‌ها'''<br /> <br /> • عضو فعال آزمایشگاه و مرکز تحقیقات رایانش ابری دانشگاه صنعتی امیرکبیر<br /> <br /> • عضو فعال آزمایشگاه و مرکز تحقیقات رایانش ابری دانشگاه تبریز<br /> <br /> • همکاری در راه اندازی ابر واقعی در اولین همایش ملی رایانش ابری ایران آبان 1391 – دانشگاه صنعتی امیرکبیر<br /> <br /> • برگزاری ارائه با موضوع &quot;مقیاس‌پذیری هادوپ&quot; در جامعه آزاد رایانش ابری- زمستان 1392<br /> <br /> • همکاری و عضویت در اولین دوره مسابقات درون دانشگاهی ACM در دانشگاه علم و فرهنگ به عنوان شرکت کننده و کادر اجرایی- سال 1386<br /> <br /> <br /> <br /> '''سوابق پژوهشی کارشناسی ارشد و کارشناسی'''<br /> <br /> • موضوع پایان‌نامه کارشناسی ارشد: افزودن قابلیت مدیریت منابع و مقیاس پذیری خودکار براساس افزایش یا کاهش میزان بار به بستر پردازشی هدوپ به راهنمایی دکتر لیلی محمدخانلی از دانشگاه تبریز و مشاوره دکتر محمدکاظم اکبری از دانشگاه صنعتی امیرکبیر<br /> <br /> • موضوع سمینار کارشناسی ارشد: بررسی سازوکار مقیاس‌پذیری در هادوپ به راهنمایی دکتر لیلی محمدخانلی از دانشگاه تبریز و مشاوره دکتر محمدکاظم اکبری از دانشگاه صنعتی امیرکبیر<br /> <br /> • موضوع پروژه پایانی کارشناسی: مروری بر مدلها و زبانهای هماهنگ ساز به راهنمایی دکتر محمد ایزدی از دانشگاه شریف<br /> <br /> • پذیرش مقاله در پنجمین کنفرانس بین المللی فناوری اطلاعات و دانش (IKT 2013) با درصد پذیرش 30 درصد - عنوان Survey on Improved Auto Scaling in Hadoop into Cloud Environments– دانشگاه شیراز – خردادماه 1392<br /> <br /> • پذیرش مقاله در چهارمین کنفرانس بین المللی کامپیوتر و مهندسی دانش (ICCKE 2014) - عنوان Survey on Security of Hadoop – دانشگاه فردوسی مشهد – آبان ماه 1393<br /> دوره های تخصصی گذرانده شده <br /> <br /> • اخذ گواهینامه گذراندن دوره آموزشی Cloud Computing از پژوهشگاه دانشهای بنیادی (IPM) ایران <br /> <br /> • شرکت در دوره آموزش مقدماتی سیستم عامل بومی زمین در دانشگاه علم و صنعت<br /> <br /> <br /> '''مهارت ها'''<br /> <br /> • مسلط به زبانهای برنامه نویسی Java ، C ، C++ ، Assembly<br /> <br /> • مسلط به برنامه نویسی موازی با POSIX (Parallel Programming in Linux)<br /> <br /> • مسلط در برنامه نویسی باابزارهای مانیتورینگ Cacti و SNMP<br /> <br /> • مسلط در مدیریت بستر ذخیره سازی و پردازشی Hadoop<br /> <br /> • مسلط در برنامه نویسی باابزار ذخیره سازی RRDtool<br /> <br /> • آشنایی با برنامه نویسی پوسته سیستم عامل Linux <br /> <br /> • آشنایی با بستر ساخت ابر Eucalyptus <br /> <br /> • آشنایی به زبان برنامه نویسی HTML</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=MapReduce&diff=3155 2014-11-09T01:24:10Z

<p>معصومه رضائی جم: </p> <hr /> <div>Mapreduce (که آنرا تحت عنوان &quot;نگاشت کاهش&quot; ترجمه نموده اند) یک مدل برنامه نویسی برای پردازش مجموعه داده های بزرگ است. در چارچوب نگاشت‌کاهش، کاربر، محاسبات را در قالب '''یک تابع نگاشت''' و '''یک تابع کاهش''' می‌نویسد و ''سیستم زمان‌اجرای زیرین''، '''بصورت خودکار''' محاسبات را در بین خوشه‌های بزرگی از ماشین‌ها موازی می‌کند و خرابی‌های ماشین را مدیریت می‌کند و ارتباطات بین‌ماشینی را زمانبندی می‌کند تا استفاده از شبکه و دیسک‌ها ساده تر و سودمندتر گردد. بدین ترتیب برنامه نویس تنها بر روی نوشتن این دو تابع تمرکز کرده و موازی سازی محاسبات انبوه و بکار بردن سیستم و مدیریت خرابی ها برایش ساده می‌شود.<br /> <br /> در هنگام انجام پردازش با MapReduce، بصورت خودکار، داده های ورودی به چندین بلوک شکسته می شوند که هر بلوک توسط یک تابع map() پردازش می شود و سپس نتایج تمامی توابع map، بعنوان ورودی به تابع reduce() ارجاع داده شده و توسط تابع reduce() ترکیب می شوند.<br /> <br /> MapReduce قلب هادوپ است. روش برنامه نویسی است که امکان مقیاس پذیری گسترده در سطح صدها یا هزاران سرور در یک خوشه هادوپ را می دهد. MapReduce در حقیقت به دو وظیفه جداگانه و مجزا که در برنامه های هادوپ انجام می شود، اشاره می کند. اولین کار، نگاشت (map) است که یک مجموعه داده را می گیرد و آن را به مجموعه دیگری از داده تبدیل می کند، که در آن عناصر فردی به تاپل ها شکسته می شوند (جقت کلید/مقدار). مرحله کاهش (reduce) خروجی را از یک نگاشت می گیرد و تاپل های داده را به یک مجموعه تاپل کوچک تر ترکیب می کند. همانطور که ترتیب نام MapReduce اشاره دارد، مرحله کاهش همیشه بعد از مرحله نگاشت انجام می شود.<br /> <br /> <br /> == لینک های مرتبط ==<br /> * [[Hadoop]]<br /> * [[Big Data]]</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=%D9%86%D8%B5%D8%A8_%D8%AF%D8%B1_UBUNTU&diff=3154 2014-11-09T00:53:56Z

<p>معصومه رضائی جم: </p> <hr /> <div>[http://www.michael-noll.com/tutorials/running-hadoop-on-ubuntu-linux-single-node-cluster/ نصب هادوپ نسخه 1 بر روی Ubuntu]<br /> <br /> [http://bigdatahandler.com/hadoop-hdfs/installing-single-node-hadoop-2-2-0-on-ubuntu/ نصب هادوپ نسخه 2 بر روی Ubuntu]</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=Hadoop&diff=2173 2014-10-20T04:31:12Z

<p>معصومه رضائی جم: </p> <hr /> <div>هادوپ یک سکوی نرم افزای متن باز می باشد که از طریق آن می توان بسادگی حجم بسیار بزرگی از داده ها را ذخیره، تحلیل و پردازش کرد. برای مثال، هادوپ می تواند برای کارهایی نظیر شاخص گذاری صفحات وب، داده کاوی، تحلیل فایل های log، یادگیری ماشین، تحلیل های مالی، شبیه سازی های علمی و یا تحقیقات در زمینه بیوانفورماتیک مورد استفاده قرار بگیرد. <br /> <br /> == ویژگی ها ==<br /> سکوی هادوپ دارای ویژگی های زیر می باشد:<br /> <br /> * '''مقیاس پذیری:''' توسط سکوی هادوپ این امکان وجود داردکه مجموعه داده هایی با حجمی در مقیاس چندین پتابایت داده را توسط توزیع داده ها در مقیاس چندین هزار نود در یک کلاستر را مدیریت و پردازش کرد.<br /> * '''کارآمدی:''' پردازش موازی داده ها و وجود یک سیستم فایل توزیع شده این امکان را فراهم می کند که بتوان با سرعت بیشتری داده ها را پردازش کرد.<br /> * '''قابلیت اعتماد:''' چندین تکرار از داده ها می تواند ایجاد و در سطح کلاستر توزیع شود. در هنگام ایجاد خطا در یکی از نود ها، پلاتفرم می تواند بدون دخالت کاربر به سازماندهی مجدد بپردازد. در نتیجه، تصحیح خطا خودکار نیز امکان پذیر است.<br /> * '''سادگی:''' با هادوپ، نوشتن کدهای موازی کارا به سرعت و سهولت میسر است و جزئیات پردازش موازی، مانند توزیع داده میان گره‌های پردازشی، راه‌اندازی مجددِ زیر‌وظیفه‌های از کار‌افتاده، و ذخیره‌ی نتایج نهایی محاسبات در سیستم‌فایل، از دید کاربر پنهان می‌ماند . همچنین حتی دانشجوها هم می‌توانند به سرعت و با هزینه‌ی پایین برای خود یک خوشه هادوپ ایجاد کنند.<br /> <br /> == معماری هادوپ ==<br /> معماری هادوپ یک معماری Master/Slave می باشد. در این معماری، بر روی ماشینی که به عنوان ماشین Master انتخاب می شود، سرویس هایی برای مدیریت و پیکربندی کل سیستم و مدیریت برنامه ها اجرا می شوند. همچنین در ماشین Master ابزارهایی برای مدیریت داده ها و تحویل برنامه به سیستم وجود دارد که کاربرانِ سیستم برای کار با هادوپ می توانند از آنها استفاده کنند. در ماشین Slave نیز سرویس هایی برای اجرای وظایفی که از سمت ماشین Master به آن ارسال می شود، به اجرا در می آیند. <br /> <br /> سکوی هادوپ از دو قسمت اصلی تشکیل شده است که این قسمت ها شامل 1) [[سیستم فایل توزیع شده هادوپ (HDFS )]] و 2) چهارچوب برنامه نویسی [[MapReduce]] می باشند. HDFS وظیفه ذخیره سازی و مدیریت داده ها در سیستم فایل را بر عهده داشته و داده های ورودی را به بلوک های مساوی تقسیم می کند و به ماشین های Slave تحویل می دهد. این سیستم فایل از طریق تکرار داده ها به مقابله با خطا می پردازد. چهارچوب MapReduce نیز یک مدل برنامه نویسی با هدف پردازش و تولید مجموعه ی عظیمی از داده ها فراهم می کند.<br /> <br /> == روش های استقرار ==<br /> هادوپ به چند شکل قابل استقرار است:<br /> <br /> * [http://hadoop.apache.org/docs/r1.2.1/single_node_setup.html Single Node Setup]: در این حالت چند روش عملکردی وجود دارد: Standalone، Pseudo-Distributed و Fully-Distributed <br /> * [http://hadoop.apache.org/docs/r1.2.1/cluster_setup.html Cluster Setup]<br /> * [http://hadoop.apache.org/docs/r1.2.1/cli_minicluster.html CLI MiniCluster]<br /> <br /> یک مستند دیگر در خصوص ایجاد یک کلاستر هادوپ در [http://docs.hortonworks.com/HDPDocuments/HDP1/HDP-1.3.0/bk_cluster-planning-guide/content/typical-hadoop-cluster-hardware.html اینجا] ارایه شده است. در این مستند به انواع بار کاری و مشخصات سخت افزاری و نرم افزاری اشاره شده است.<br /> <br /> == کاربران و ارائه دهندگان سرویس هادوپ ==<br /> در اثبات قدرتمندی و کارامدی هادوپ می توان بیان کرد که امروزه بسیاری از شرکتهای بزرگ و مطرح دنیا در حوزه فناوری اطلاعات و کلان داده از هادوپ برای ذخیره سازی و پردازش کلان داده های خود استفاده می نمایند که از جمله آنها می توان به گوگل، یاهو، فیسبوک، آمازون، linkedIn و IBM اشاره نمود. همچنین شرکت هایی همچون گوگل و آمازون و مایکروسافت سرویس های ابری هادوپ را در اختیار کاربران قرار می دهند.<br /> <br /> == نصب و راه‌اندازی ==<br /> [[نصب در UBUNTU ]]<br /> <br /> == منابع مرتبط ==<br /> فیلم آموزشی در رابطه با آپاچی هادوپ که محصول شرکت CBT Nuggets می باشد. برای دانلود روی لینک زیر کلیک نمایید.<br /> <br /> [http://p30download.com/fa/entry/53338/ فیلم آموزشی هادوپ]</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=Hadoop&diff=2161 2014-10-20T04:19:40Z

<p>معصومه رضائی جم: </p> <hr /> <div>هادوپ یک سکوی نرم افزای متن باز می باشد که از طریق آن می توان بسادگی حجم بسیار بزرگی از داده ها را تحلیل و پردازش کرد. برای مثال، هادوپ می تواند برای کارهایی نظیر شاخص گذاری صفحات وب، داده کاوی، تحلیل فایل های log، یادگیری ماشین، تحلیل های مالی، شبیه سازی های علمی و یا تحقیقات در زمینه بیوانفورماتیک مورد استفاده قرار بگیرد. <br /> <br /> == ویژگی ها ==<br /> سکوی هادوپ دارای ویژگی های زیر می باشد:<br /> <br /> * '''مقیاس پذیری:''' توسط سکوی هادوپ این امکان وجود داردکه مجموعه داده هایی با حجمی در مقیاس چندین پتابایت داده را توسط توزیع داده ها در مقیاس چندین هزار نود در یک کلاستر را مدیریت و پردازش کرد.<br /> * '''کارآمدی:''' پردازش موازی داده ها و وجود یک سیستم فایل توزیع شده این امکان را فراهم می کند که بتوان با سرعت بیشتری داده ها را پردازش کرد.<br /> * '''قابلیت اعتماد:''' چندین تکرار از داده ها می تواند ایجاد و در سطح کلاستر توزیع شود. در هنگام ایجاد خطا در یکی از نود ها، پلاتفرم می تواند بدون دخالت کاربر به سازماندهی مجدد بپردازد. در نتیجه، تصحیح خطا خودکار نیز امکان پذیر است.<br /> * '''سادگی:''' با هادوپ، نوشتن کدهای موازی کارا به سرعت و سهولت میسر است. همچنین حتی دانشجوها هم می‌توانند به سرعت و با هزینه‌ی پایین برای خود یک خوشه هادوپ ایجاد کنند.<br /> <br /> == معماری هادوپ ==<br /> معماری هادوپ یک معماری Master/Slave می باشد. در این معماری، بر روی ماشینی که به عنوان ماشین Master انتخاب می شود، سرویس هایی برای مدیریت و پیکربندی کل سیستم و مدیریت برنامه ها اجرا می شوند. همچنین در ماشین Master ابزارهایی برای مدیریت داده ها و تحویل برنامه به سیستم وجود دارد که کاربرانِ سیستم برای کار با هادوپ می توانند از آنها استفاده کنند. در ماشین Slave نیز سرویس هایی برای اجرای وظایفی که از سمت ماشین Master به آن ارسال می شود، به اجرا در می آیند. <br /> <br /> سکوی هادوپ از دو قسمت اصلی تشکیل شده است که این قسمت ها شامل 1) [[سیستم فایل توزیع شده هادوپ (HDFS )]] و 2) چهارچوب برنامه نویسی [[MapReduce]] می باشند. HDFS وظیفه ذخیره سازی و مدیریت داده ها در سیستم فایل را بر عهده داشته و داده های ورودی را به بلوک های مساوی تقسیم می کند و به ماشین های Slave تحویل می دهد. این سیستم فایل از طریق تکرار داده ها به مقابله با خطا می پردازد. چهارچوب MapReduce نیز یک مدل برنامه نویسی با هدف پردازش و تولید مجموعه ی عظیمی از داده ها فراهم می کند.<br /> <br /> == روش های استقرار ==<br /> هادوپ به چند شکل قابل استقرار است:<br /> <br /> * [http://hadoop.apache.org/docs/r1.2.1/single_node_setup.html Single Node Setup]: در این حالت چند روش عملکردی وجود دارد: Standalone، Pseudo-Distributed و Fully-Distributed <br /> * [http://hadoop.apache.org/docs/r1.2.1/cluster_setup.html Cluster Setup]<br /> * [http://hadoop.apache.org/docs/r1.2.1/cli_minicluster.html CLI MiniCluster]<br /> <br /> یک مستند دیگر در خصوص ایجاد یک کلاستر هادوپ در [http://docs.hortonworks.com/HDPDocuments/HDP1/HDP-1.3.0/bk_cluster-planning-guide/content/typical-hadoop-cluster-hardware.html اینجا] ارایه شده است. در این مستند به انواع بار کاری و مشخصات سخت افزاری و نرم افزاری اشاره شده است.<br /> <br /> == کاربران و ارائه دهندگان هادوپ ==<br /> در اثبات قدرتمندی و کارامدی هادوپ می توان بیان کرد که امروزه بسیاری از شرکتهای بزرگ و مطرح دنیا در حوزه فناوری اطلاعات و کلان داده از هادوپ برای ذخیره سازی و پردازش کلان داده های خود استفاده می نمایند که از جمله آنها می توان به گوگل، یاهو، فیسبوک، آمازون، linkedIn و IBM اشاره نمود. همچنین شرکت هایی همچون گوگل و آمازون و مایکروسافت سرویس های ابری هادوپ را در اختیار کاربران قرار می دهند.<br /> <br /> == نصب و راه‌اندازی ==<br /> [[نصب در UBUNTU ]]<br /> <br /> == منابع مرتبط ==<br /> فیلم آموزشی در رابطه با آپاچی هادوپ که محصول شرکت CBT Nuggets می باشد. برای دانلود روی لینک زیر کلیک نمایید.<br /> <br /> [http://p30download.com/fa/entry/53338/ فیلم آموزشی هادوپ]</div>

معصومه رضائی جم http://wiki.occc.ir/index.php?title=Hadoop&diff=2157 2014-10-20T04:04:21Z

<p>معصومه رضائی جم: /* ویژگی ها */</p> <hr /> <div>هادوپ یک سکوی نرم افزای متن باز می باشد که از طریق آن می توان بسادگی حجم بسیار بزرگی از داده ها را تحلیل و پردازش کرد. برای مثال، هادوپ می تواند برای کارهایی نظیر شاخص گذاری صفحات وب، داده کاوی، تحلیل فایل های log، یادگیری ماشین، تحلیل های مالی، شبیه سازی های علمی و یا تحقیقات در زمینه بیوانفورماتیک مورد استفاده قرار بگیرد. <br /> <br /> == ویژگی ها ==<br /> سکوی هادوپ دارای ویژگی های زیر می باشد:<br /> <br /> * '''مقیاس پذیری:''' توسط سکوی هادوپ این امکان وجود داردکه مجموعه داده هایی با حجمی در مقیاس چندین پتابایت داده را توسط توزیع داده ها در مقیاس چندین هزار نود در یک کلاستر را مدیریت و پردازش کرد.<br /> * '''کارآمدی:''' پردازش موازی داده ها و وجود یک سیستم فایل توزیع شده این امکان را فراهم می کند که بتوان با سرعت بیشتری داده ها را پردازش کرد.<br /> * '''قابلیت اعتماد:''' چندین تکرار از داده ها می تواند ایجاد و در سطح کلاستر توزیع شود. در هنگام ایجاد خطا در یکی از نود ها، پلاتفرم می تواند بدون دخالت کاربر به سازماندهی مجدد بپردازد. در نتیجه، تصحیح خطا خودکار نیز امکان پذیر است.<br /> * '''سادگی:''' با هادوپ، نوشتن کدهای موازی کارا به سرعت و سهولت میسر است. همچنین حتی دانشجوها هم می‌توانند به سرعت و با هزینه‌ی پایین برای خود یک خوشه هادوپ ایجاد کنند.<br /> <br /> == معماری هادوپ ==<br /> معماری هادوپ یک معماری Master/Slave می باشد. در این معماری، بر روی ماشینی که به عنوان ماشین Master انتخاب می شود، سرویس هایی برای مدیریت و پیکربندی کل سیستم و مدیریت برنامه ها اجرا می شوند. همچنین در ماشین Master ابزارهایی برای مدیریت داده ها و تحویل برنامه به سیستم وجود دارد که کاربرانِ سیستم برای کار با هادوپ می توانند از آنها استفاده کنند. در ماشین Slave نیز سرویس هایی برای اجرای وظایفی که از سمت ماشین Master به آن ارسال می شود، به اجرا در می آیند. <br /> <br /> سکوی هادوپ از دو قسمت اصلی تشکیل شده است که این قسمت ها شامل 1) [[سیستم فایل توزیع شده هادوپ (HDFS )]] و 2) چهارچوب برنامه نویسی [[MapReduce]] می باشند. HDFS وظیفه ذخیره سازی و مدیریت داده ها در سیستم فایل را بر عهده داشته و داده های ورودی را به بلوک های مساوی تقسیم می کند و به ماشین های Slave تحویل می دهد. این سیستم فایل از طریق تکرار داده ها به مقابله با خطا می پردازد. چهارچوب MapReduce نیز یک مدل برنامه نویسی با هدف پردازش و تولید مجموعه ی عظیمی از داده ها فراهم می کند.<br /> <br /> == روش های استقرار ==<br /> هادوپ به چند شکل قابل استقرار است:<br /> <br /> * [http://hadoop.apache.org/docs/r1.2.1/single_node_setup.html Single Node Setup]: در این حالت چند روش عملکردی وجود دارد: Standalone، Pseudo-Distributed و Fully-Distributed <br /> * [http://hadoop.apache.org/docs/r1.2.1/cluster_setup.html Cluster Setup]<br /> * [http://hadoop.apache.org/docs/r1.2.1/cli_minicluster.html CLI MiniCluster]<br /> <br /> یک مستند دیگر در خصوص ایجاد یک کلاستر هادوپ در [http://docs.hortonworks.com/HDPDocuments/HDP1/HDP-1.3.0/bk_cluster-planning-guide/content/typical-hadoop-cluster-hardware.html اینجا] ارایه شده است. در این مستند به انواع بار کاری و مشخصات سخت افزاری و نرم افزاری اشاره شده است.<br /> <br /> == نصب و راه‌اندازی ==<br /> [[نصب در UBUNTU ]]<br /> <br /> == منابع مرتبط ==<br /> فیلم آموزشی در رابطه با آپاچی هادوپ که محصول شرکت CBT Nuggets می باشد. برای دانلود روی لینک زیر کلیک نمایید.<br /> <br /> [http://p30download.com/fa/entry/53338/ فیلم آموزشی هادوپ]</div>

معصومه رضائی جم