Mineração de Dados: Uma Implementação Fortemente Acoplada a um Sistema Gerenciador de Banco de Dados Paralelos

Autores

1665
Mauro Sérgio Ribeiro de Souza
705,51,706
1666
Marta Lima de Queirós Mattoso
(Orientador)
705,51,706
1667
Nelson Francisco Favilla Ebecken
(Co-orientador)
705,51,706

Informações:

Publicações do PESC

Título
Mineração de Dados: Uma Implementação Fortemente Acoplada a um Sistema Gerenciador de Banco de Dados Paralelos
Linha de pesquisa
Engenharia de Dados e Conhecimento
Tipo de publicação
Dissertação de Mestrado
Número de registro
Data da defesa
12/8/1998
Resumo
PESC: Resumo de Dissertação de Mestrado Resumo da Tese apresentada à COPPE/UFRJ como parte dos requisitos necessários para a obtenção do grau de Mestre em Ciências (M.Sc.)

Mineração de Dados: Uma Implementação Fortemente Acoplada a um Sistema Gerenciador de Banco de Dados Paralelos

Mauro Sérgio Ribeiro de Souza

Agosto/1998
Orientadores: Marta Lima Queirós Mattoso
Nelson F. F. Ebecken 		 

 
Programa: Engenharia de Sistemas e Computação

      As últimas décadas vêm mostrando a necessidade de um processo automatizado para a descoberta de padrões interessantes e desconhecidos em bancos de dados reais, envolvendo grandes volumes de dados. Este tipo de processo implica em um poder computacional muito grande, memória e E/S, os quais podem ser oferecidos por máquinas baseadas em arquiteturas paralelas. Nosso trabalho contribui com uma solução que integra um algoritmo de aprendizado de máquina, paralelismo e a utilização fortemente acoplada de um SGBD, endereçando problemas de desempenho com processamento paralelo e fragmentação de dados.

Abstract
PESC: Master Degree Abstracts Abstract of Thesis presented at COPPE/UFRJ as a partial fulfillment of the requirements for the degree of Master of Science (M.Sc.)

Data Mining: A Tightly-Coupled Implementation on a Parallel Database Server

Mauro Sérgio Ribeiro de Souza

August/1998
Advisors:Marta Lima Queirós Mattoso
Nelson F. F. Ebecken 		 
Department: Systems Engineering and Computer Science

      Recent years have shown the need of an automated process to discover interesting and hidden patterns in real-world databases, handling large volumes of data. This sort of process implies a lot of computational power, memory and disk I/O, which can only be provided by parallel computers. Our work contributes with a solution that integrates a machine learning algorithm, parallelism and a tightly-coupled use of a DBMS, addressing performance problems with parallel processing and data fragmentation.

Arquivo
Topo