Notice: Undefined index: linkPowrot in C:\wwwroot\wwwroot\publikacje\publikacje.php on line 1275

Strona główna > Publikacje

Publikacje

[79440] Artykuł:

Analysis of parallel computational models for clustering

Czasopismo: Proceedings of SPIE Tom: 10808, Strony: 492-502
ISSN: 1996-756X
ISBN: 978-1-5106-2204-3
Wydawca: SPIE-INT SOC OPTICAL ENGINEERING, 1000 20TH ST, PO BOX 10, BELLINGHAM, WA 98227-0010 USA
Opublikowano: Pażdziernik 2018
Seria wydawnicza: Proceedings of SPIE

Autorzy / Redaktorzy / Twórcy

Imię i nazwisko	Wydział	Katedra	Do oświadczenia nr 3	Grupa przynależności	Dyscyplina naukowa	Procent udziału	Liczba punktów do oceny pracownika	Liczba punktów wg kryteriów ewaluacji
Małgorzata Płaza	WEAiI	Katedra Systemów Informatycznych *	Nie	spoza "N" jednostki	Automatyka, elektronika, elektrotechnika i technologie kosmiczne	20	3.75	.00
Roman Stanisław Deniziak	WEAiI	Katedra Systemów Informatycznych *	Tak	zaliczony do "N"	Automatyka, elektronika, elektrotechnika i technologie kosmiczne	20	3.75	3.00
Mirosław Płaza	WEAiI	Katedra Systemów Informatycznych *	Tak	zaliczony do "N"	Automatyka, elektronika, elektrotechnika i technologie kosmiczne	20	3.75	3.00
Radosław Belka	WEAiI	Katedra Systemów Informatycznych *	Nie	zaliczony do "N"	Informatyka techniczna i telekomunikacja	20	15.00	3.00
Paweł Pięta	WEAiI	Katedra Systemów Informatycznych *	Tak	zaliczony do "N"	Automatyka, elektronika, elektrotechnika i technologie kosmiczne	20	3.75	3.00

Grupa MNiSW: Materiały z konferencji międzynarodowej (zarejestrowane w Web of Science)
Punkty MNiSW: 15
Klasyfikacja Web of Science: Proceedings Paper

DOI

Keywords:

big data clustering cluster analysis data mining machine learning parallel algorithms

Abstract:

Clustering is one of the main task of data mining, where groups of similar objects are discovered and grouping of similar data as well as outliers detection are performed. Processing of huge datasets requires scalable models of computations and distributed computing environments, therefore efficient parallel clustering methods are required for this purpose. Usually for parallel data analytics the MapReduce processing model is used. But growing computer power of heterogeneous platforms based on graphic processors and FPGA accelerators causes that CUDA and OpenCL models may be interesting alternative to MapReduce. This paper presents comparative analysis of effectiveness of applying MapReduce and CUDA/OpenCL processing models for clustering. We compare different methods of clustering in terms of their possibilities of parallelization using both models of computation. The conclusions indicate directions for further work in this area.

Strona główna > Publikacje