इंक्रीमेंटल K-मीन्स ट्रीज़ के साथ बिग डेटा प्रबंधन–GPU-त्वरित निर्माण और दृश्यता

जहां बड़ा डेटा वैज्ञानिक अनुसंधान में क्रांति ला रहा है, डेटा प्रबंधन और विश्लेषण के कार्य पहले से कहीं अधिक चुनौतीपूर्ण होते जा रहे हैं। एक तरीका जो कठिनाई को कम कर सकता है वह है डेटा में निहित बहुस्तरीय श्रेणी को प्राप्त करना। श्रेणी को जानना न केवल डेटा के स्वभाव को उजागर करता है, बल्कि यह अक्सर बड़े डेटा विश्लेषण में पहला कदम भी होता है। हालाँकि, श्रेणी सीखने के लिए वर्तमान एल्गोरिदम आमतौर पर उच्च आयाम के साथ बड़े डेटा वॉल्यूम के लिए स्केलेबल नहीं होते हैं। इस चुनौती का सामना करने के लिए, इस पेपर में, हम डेटा के आधार से वृक्ष संरचना बनाने के लिए एक नया स्केलेबल दृष्टिकोण प्रस्तुत करते हैं। हमारी विधि को अनुकूलित इंक्रीमेंटल K-मीन्स के साथ आधार से ऊपर की ओर वृक्ष बनाती है। बिंदुओं की दूरी के वितरण का संदर्भ लेते हुए, कोई भी वृक्ष की ऊँचाई और प्रत्येक नोड की शाखाओं को लचीले ढंग से नियंत्रित कर सकता है। गणना की क्षमता को बढ़ाने के लिए एक पूर्व-प्रक्रिया के रूप में आयाम में कमी भी की जाती है। यह एल्गोरिदम एक समानांतर डिज़ाइन लेता है और इसे CUDA (कंप्यूट एकीकृत उपकरण आर्किटेक्चर) के साथ लागू किया गया है, ताकि इसे बड़े डेटा पर प्रभावी ढंग से लागू किया जा सके। हम इस एल्गोरिदम का परीक्षण दो वास्तविक दुनिया के डेटा सेट्स के साथ करते हैं, और परिणामों को विस्तारित वृत्ताकार डेंड्रोग्राम और अन्य दृश्यता तकनीकों के साथ दर्शाया जाता है।