استخراج دادههای پرت از مجموعه دادههای بزرگ

یک DSS ، فرایند تصمیمگیری است که به بعضی از عواملی که کیفیت سیستم های اطلاعاتی و نتایج مربوط به آن را تعیین میکنند، وابسته است. امروزه، دادهکاوی و کشف دانش بعنوان ماژولهای اصلی در توسعه DSS پیشرفته در نظر گرفتهمیشوند. روشهای سنتی قادر به اجرای حجم زیادی از دادههای واقعی نیستند و معمولا فرایندهای آنها بسیار کند هستند.امروزه تمامی داده کاوی ها عموما بررویمجموعه دادههای عظیم انجام میشود . دادههایی که میبایست اشتباه-های انسانی در آن وجود نداشته،عاری ازهرگونه داده نویزدار و پرتوحاویدادههاییصحیحباشند.در اینجا و برروی این مجموعه هادیگر نمیتوان به صورت محلی عمل کرد.راهبردهاو الگوریتمهایی را نیازداریم که مارا درتشخیص این دادههایاری میرسانند.این الگوریتمهاکه درگذشته برروی آنها پژوهش هایی صورت پذیرفتهدرابتدا ذکر خواهند شدودرادامه نیز روش جدیدی که مبتنی بر راهبرد توزیعی،استخراج ویژگیها، خوشهبندی و غیره است را مورد بررسی قرار خواهیم داد. در نهایت نشان خواهیم دادکه باروش پیشنهادی نتایج خروجی ما دقیقتر و سریعتر از روش مجموعه پاسخ توزیعی عمل خواهد نمود

کلیدواژه ها:

سیستم های توزیع شده ، موازی سازی ، داده کاوی ، داده پرت