ترجمه مقاله تجزیه و تحلیل تراکم داده های بزرگ با استفاده از مختصات موازی تجسم

ترجمه مقاله: Big Data Density Analytics using Parallel Coordinate Visualization

عنوان فارسی: تجزیه و تحلیل تراکم داده های بزرگ با استفاده از مختصات موازی تجسم

بخشی از متن اصلی:

Parallel coordinate is a popular tool for visualizing high-dimensional data and analyzing multivariate data. With the rapid growth of data size and complexity, data clutter in parallel coordinates is a major issue for Big Data visualization. This has given rise to three problems; 1) how to rearrange the parallel axes without the loss of data patterns, 2) how to shrink data attributes on each axis without the loss of data trends, 3) how to visualize the structured and unstructured data patterns for Big Data analysis. In this paper, we introduce the 5Ws dimensions as the parallel axes and establish the 5Ws sending density and receiving density as additional axes for Big Data visualization.

Our model not only demonstrates Big Data attributes and patterns, but also reduces data over- apping by up to 80 percent without the loss of data patterns. Experiments show that this new model can be efficiently used for Big Data analysis and visualization.

بخشی از متن فارسی:

مختصات موازی یک ابزار محبوب برای نمایش داده ها با ابعاد بالا و تجزیه و تحلیل داده های چند متغیره است. با رشد سریع اندازه و پیچیدگی داده ها، نامنظم بودن داده ها در مختصات موازی یک مسئله مهم برای تجسم داده های بزرگ می باشد. این مساله موجب بروز سه مشکل شده است. 1) چگونگی تنظیم مجدد محور موازی بدون از دست دادن الگوی داده ها، 2) چگونگی جمع شدن ویژگی های داده ها در هر محور بدون از دست دادن روند داده ها، 3) چگونگی تجسم الگوی داده های ساختار یافته و غیر ساختار یافته برای تجزیه و تحلیل داده های بزرگ. در این مقاله، ابعاد 5Wها را به عنوان محورهای موازی معرفی می کنیم و تراکم ارسال 5Wها و دریافت تراکم اضافی محورها برای تجسم داده های بزرگ را تعیین خواهیم کرد. مدل ما نه تنها نشان دهنده الگوها و ویژگی های داده های بزرگ است، بلکه همچنین همپوشانی داده ها را بدون از دست دادن الگوهای داده ها، تا 80 درصد کاهش می دهد. آزمایشات نشان می دهد که این مدل جدید می تواند برای تجزیه و تحلیل و تجسم داده های بزرگ به طور موثر استفاده شود.