Comparação de Algoritmos Paralelos para a Extração de Regras de Associação no Modelo de Memória Distribuída

• Ano de defesa: 2011
• Autor(a) principal: Mariano, Marcos Alves
• Orientador(a): Mongelli, Henrique
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Algorítmos Paralelos; Parallel Algorithms; Mineração de Dados (Computação); Data Mining; Inteligência Artificial; Artificial Intelligence; Banco de Dados Distribuído; Distributed Databases; Processamento Eletrônico de Dados - processamento distribuído; Electronic Data Processing - distributed processing
• Link de acesso: https://repositorio.ufms.br/handle/123456789/1674

Nos ultimos anos, a extra c~ao de conhecimento a partir de grandes volumes de dados t^em sido o objeto de estudo em muitas pesquisas. Com isso, diversas t ecnicas de minera c~ao de dados foram desenvolvidas com o prop osito de descobrir informa c~oes para auxiliar os gestores de empresas e organiza c~oes na tomada de decis~oes. Uma das t ecnicas mais predominantes na minera c~ao de dados e a de extra c~ao de regras de associa c~ao, devido a sua e ci^encia e simplicidade no tratamento das informa c~oes. Com a utiliza c~ao do paralelismo em diversos problemas computacionais, algoritmos paralelos para a minera c~ao de dados foram constru dos utilizando a t ecnica de extra c~ao de regras de associa c~ao. Dentre os algoritmos paralelos mais conhecidos, utilizando o modelo de mem oria distribu da, est a o Apriori, o Eclat e o FP-Growth. Assim, o objetivo deste trabalho e implementar e comparar o desempenho dos algoritmos paralelos Apriori, Eclat e FP-Growth com diferentes n umeros de processadores e tamanhos de bases de dados de entrada.