SlideShare una empresa de Scribd logo
1 de 37
Descargar para leer sin conexión
‫داده‬‫کالن‬ ‫مقیاس‬ ‫در‬ ‫انجمن‬ ‫تشخیص‬
‫پور‬‫صدیق‬ ‫نوید‬
‫سمینار‬ ‫استاد‬:‫میبدی‬ ‫دکتر‬
‫سمینار‬ ‫مشاور‬ ‫و‬ ‫راهنما‬ ‫استاد‬:‫باقری‬ ‫دکتر‬
‫ارشد‬ ‫کارشناسی‬ ‫سمینار‬–‫تابستان‬95
‫فهرست‬
‫مقدمه‬
‫های‬‫چالش‬‫تشخیص‬‫انجمن‬
‫داده‬‫کالن‬(Spark)
GraphX
‫های‬‫روش‬‫ارزیابی‬
‫بندی‬‫جمع‬
‫مراجع‬
2 / 37
‫مقدمه‬
‫انجمن‬ ‫تعریف‬
‫به‬‫گروهی‬‫از‬‫رئوس‬‫در‬‫گراف‬‫که‬‫تراکم‬‫اتصاالت‬‫بین‬‫ها‬‫آن‬‫نسبت‬‫به‬‫سایر‬‫گراف‬‫بیشتر‬
،‫است‬‫انجمن‬‫گفته‬‫شود‬‫می‬.
‫اتصاالت‬‫بین‬‫ها‬‫انجمن‬‫در‬،‫گراف‬‫اسپارس‬‫است‬.
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
4 / 37
‫مطالعه‬‫ساختار‬‫گراف‬
‫تحلیل‬‫گراف‬
‫کسب‬‫اطالعات‬‫دار‬‫معنی‬‫از‬‫گراف‬
‫باشیم؟‬ ‫انجمنی‬ ‫ساختار‬ ‫دنبال‬ ‫به‬ ‫چرا‬
5 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫داده‬ ‫سریع‬ ‫بسیار‬ ‫رشد‬
‫رشد‬‫ها‬‫داده‬‫به‬‫صورت‬‫نمایی‬‫است‬.
‫از‬‫سال‬2008‫تا‬،‫امسال‬‫ها‬‫داده‬‫از‬1ZB‫به‬11ZB‫اند‬‫رسیده‬‫و‬‫بینی‬‫پیش‬‫شود‬‫می‬‫تا‬‫سال‬
2020‫تقریبا‬45ZB‫داده‬‫داشته‬‫باشیم‬.(1ZB = 1021 bytes)
6 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫شبکه‬ ‫گراف‬ ‫رشد‬
‫همراه‬‫با‬‫رشد‬‫داده‬‫در‬،‫جهان‬‫ساحتار‬‫گراف‬‫هم‬‫بزرگ‬‫و‬‫بزرگ‬‫تر‬‫شود‬‫می‬.
‫سال‬2009 ‫سال‬2015
7 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫انجمن‬ ‫تشخیص‬
(‫ها‬‫چالش‬)
‫پوشانی‬‫هم‬
‫در‬‫صورتی‬‫که‬‫ها‬‫انجمن‬‫دارای‬‫راس‬‫مشترک‬‫باشند‬.
‫بسیاری‬‫از‬‫های‬‫شبکه‬،‫پیچیده‬‫دارای‬‫انجمن‬‫پوشان‬‫هم‬‫هستند‬.
‫کشف‬‫انجمن‬،‫پوشان‬‫هم‬‫با‬‫ارائه‬‫الگوریتم‬‫معروف‬clique percolation‫آغاز‬‫شد‬‫و‬‫پس‬
‫از‬‫آن‬‫های‬‫الگوریتم‬Copra،Conga،Eagle‫و‬...‫ارائه‬‫شد‬.
9 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫پویایی‬
‫در‬‫پویا‬،‫بودن‬‫مسئله‬‫اصلی‬‫زمان‬‫است‬.‫به‬‫دلیل‬‫که‬‫این‬‫اعضا‬‫در‬،‫انجمن‬‫پس‬‫از‬‫مدت‬‫ی‬‫عالقه‬
‫خود‬‫را‬‫نسبت‬‫به‬‫موضوع‬‫از‬‫دست‬‫خواهند‬‫داد‬.‫در‬‫نظر‬‫گرفتن‬‫که‬‫این‬‫یک‬‫ارتباط‬‫می‬‫تواند‬
‫حذف‬‫شود‬‫یا‬‫اینکه‬‫بوجود‬‫بیاید‬‫بررسی‬‫پویایی‬‫الگوریتم‬‫تشخیص‬‫انجمن‬‫اس‬‫ت‬.
‫زمانی‬‫مطرح‬‫است‬‫که‬‫های‬‫داده‬‫گراف‬‫به‬‫صورت‬‫جاری‬‫باشند‬.
10 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫مدل‬l-partition
𝑃𝑖𝑛:‫احتمال‬‫اینکه‬‫یک‬،‫راس‬‫به‬‫رئوس‬‫همان‬partition‫متصل‬‫باشد‬.
: 𝑃𝑜𝑢𝑡‫احتمال‬‫اینکه‬‫یک‬،‫راس‬‫به‬‫رئوس‬‫خارجی‬‫متصل‬‫باشد‬.
‫تا‬‫زمانی‬‫که‬‫به‬‫ازای‬‫تمام‬،‫رئوس‬𝑃𝑖𝑛 ≥ 𝑃𝑜𝑢𝑡،‫باشد‬‫گراف‬‫دارای‬‫ساختار‬‫انجمنی‬‫است‬‫و‬
‫به‬‫آن‬partition‫یک‬‫انجمن‬‫گفته‬‫شود‬‫می‬.
‫ندارد‬ ‫انجمنی‬ ‫ساختار‬‫دارد‬ ‫انجمنی‬ ‫ساختار‬
11 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫داده‬‫کالن‬
(‫اسپارک‬)
‫پایه‬ ‫مفاهیم‬
‫تعریف‬‫داده‬‫کالن‬:‫داده‬‫های‬‫بزرگ‬‫یا‬‫کالن‬‫داده‬‫معموال‬‫به‬‫مجموعه‬‫از‬‫داده‬‫ها‬‫اطالق‬
‫شود‬‫می‬‫که‬‫اندازه‬‫آنها‬‫فراتر‬‫از‬‫حدی‬‫است‬‫که‬‫با‬‫نرم‬‫افزارهای‬‫معمول‬‫بتوان‬‫ها‬‫آن‬‫را‬‫در‬
‫یک‬‫زمان‬‫معقول‬،‫اخذ‬،‫سازی‬‫دقیق‬‫مدیریت‬‫و‬‫پردازش‬‫کرد‬.
‫اسپارک‬:‫چارچوب‬‫پردازش‬‫موازی‬‫داده‬
‫مقیاس‬‫پذیر‬
‫مقاوم‬‫در‬‫برابر‬‫خطا‬
‫استفاده‬‫از‬RDD
‫سرعت‬‫باال‬
‫استفاده‬‫از‬‫زبان‬‫اسکاال‬
13 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫مفهوم‬RDD (Resilient Distributed Dataset )
RDD‫بیانگر‬‫ای‬‫مجموعه‬‫از‬‫اشیای‬‫فقط‬‫خواندنی‬‫و‬‫شده‬‫توزیع‬‫میان‬‫ها‬‫ماشین‬‫است‬.
RDD‫در‬‫صورت‬‫از‬‫بین‬‫رفتن‬‫یک‬‫جزء‬‫تواند‬‫می‬‫بازسازی‬‫شود‬.
RDD‫ها‬‫پس‬‫از‬‫عملیات‬‫مختلف‬‫مانند‬map،group-by‫و‬...‫بوجود‬‫آیند‬‫می‬.
‫به‬‫عنوان‬‫مثال؛‬RDD (visitID, URL)‫بازدیدها‬‫از‬‫یک‬‫وبسایت‬‫را‬‫نشان‬‫دهد‬‫می‬.‫توان‬‫می‬
RDD(URL, count)‫را‬‫از‬‫طریق‬‫نگاشت‬‫کاهش‬‫محاسبه‬‫کرد؛‬‫بدین‬‫طریق‬‫که‬‫تابع‬‫نگ‬،‫اشت‬
(URL, 1)‫را‬‫محسابه‬‫کند‬‫می‬‫و‬‫سپس‬‫ها‬‫آن‬‫را‬‫بر‬‫اساس‬URL‫کاهش‬‫دهد‬‫می‬.
val visits = spark.hadoopFile("hdfs://...")
val counts = visits.map(v => (v.url, 1))
reduceByKey((a, b) => a + b)
14 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫اسپارک‬ ‫خانواده‬
‫های‬‫کتابخانه‬‫مفید‬‫اسپارک‬‫که‬‫های‬‫قابلیت‬‫بسیاری‬‫در‬‫زمینه‬‫آنالیز‬‫داده‬‫کالن‬‫ارائه‬‫اند‬‫کرده‬.
Spark SQL:‫کتابخانه‬‫اسپارک‬‫برای‬‫کار‬‫با‬‫های‬‫داده‬‫ساخت‬‫یافته‬
Spark Streaming:‫کتابخانه‬‫اسپارک‬‫برای‬‫کار‬‫با‬‫های‬‫داده‬‫جاری‬
Mllib:‫کتابخانه‬‫پذیر‬‫مقیاس‬‫یادگیری‬‫ماشین‬‫اسپارک‬
GraphX:‫کتابخانه‬‫اسپارک‬‫برای‬‫انجام‬‫محاسبات‬‫موازی‬‫روی‬‫ها‬‫گراف‬
15 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
GraphX
GraphX
‫ابزار‬‫اسپارک‬‫برای‬‫تعریف‬‫گراف‬‫و‬‫انجام‬‫محاسبات‬‫موازی‬‫روی‬‫ها‬‫آن‬
‫بسیاری‬‫از‬‫توابع‬‫مرسوم‬‫و‬‫مفید‬‫برای‬‫کار‬‫با‬‫ها‬‫گراف‬‫در‬‫این‬‫ابزار‬‫سازی‬‫پیاده‬‫ش‬‫ده‬‫است‬.
17 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
Graph Parallel vs. Data Parallel
‫های‬‫سیستم‬graph parallel‫برای‬‫سازی‬‫پیاده‬‫های‬‫الگوریتم‬‫بازگشتی‬‫بر‬‫روی‬‫گراف‬
‫بهینه‬‫هستند‬.
‫های‬‫سیستم‬data Parallel‫برای‬‫انجام‬‫محاسبات‬‫روی‬‫های‬‫داده‬‫موازی‬(‫مانند‬‫عملیات‬
map،join،filter‫و‬...)‫بهینه‬‫هستند‬.
18 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
Graph Parallel vs. Data Parallel(‫ادامه‬)..
GraphX‫خواص‬Data Parallel‫و‬Graph Parallel‫را‬‫با‬‫هم‬‫ترکیب‬‫کرده‬‫است‬.‫به‬
‫طوری‬‫که‬‫تواند‬‫می‬‫بدون‬‫جابجایی‬‫داده‬‫یا‬‫تکرار‬(duplicate)،‫آن‬‫شبکه‬‫را‬‫به‬‫صورت‬
‫گراف‬(graph parallel)‫یا‬‫به‬‫صورت‬‫جدول‬(data parallel)‫نمایش‬‫دهد‬.
19 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫مفهوم‬RDG (Resilient Distributed Property Graph)
‫در‬GraphX،RDD‫به‬RDG‫گسترش‬‫یافته‬‫است‬.
RDG‫یک‬‫گراف‬‫دار‬‫جهت‬‫چندگانه‬‫است‬‫که‬‫هر‬‫راس‬‫و‬‫یال‬‫در‬،‫آن‬property‫خاص‬‫خود‬
‫را‬‫دارد‬.
‫هر‬‫راس‬‫یک‬id‫منحصر‬‫به‬‫فرد‬‫دارد‬‫و‬‫هر‬‫یال‬‫با‬id‫مربوط‬‫به‬‫مبدا‬‫و‬‫مقصد‬‫خود‬‫شناسایی‬
‫شود‬‫می‬.
Property‫ها‬‫به‬‫صورت‬scala object‫ذخیره‬‫شوند‬‫می‬.
20 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫در‬ ‫مرسوم‬ ‫توابع‬GraphX
Vertices ():‫مجموعه‬‫رئوس‬‫را‬‫به‬‫صورت‬RDD [(Id,V)]‫گرداند‬‫برمی‬.
Edges ():‫مجموعه‬‫ها‬‫یال‬‫را‬‫به‬‫صورت‬RDD [(Id, Id, E)]‫گرداند‬‫برمی‬‫که‬‫شامل‬Id
‫راس‬،‫مبدا‬Id‫راس‬‫مقصد‬‫و‬attribute‫های‬‫یال‬‫مربوطه‬(E)‫است‬.
mapVertices(f):‫ابتدا‬‫تابع‬f‫را‬‫روی‬‫گراف‬‫اعمال‬‫کند‬‫می‬‫که‬‫در‬‫این‬‫تابع‬‫در‬‫زوج‬‫مرتب‬
(Id,V)‫به‬‫زوج‬‫مرتب‬(Id,V2)‫نگاشت‬‫شود‬‫می‬‫و‬‫در‬‫انتها‬‫گراف‬‫جدید‬‫را‬‫گرداند‬‫برمی‬.
mapEdges(f):‫ابتدا‬‫تابع‬f‫را‬‫روی‬‫گراف‬‫اعمال‬‫کند‬‫می‬‫که‬‫در‬‫این‬‫تابع‬‫در‬‫زوج‬‫مرتب‬
(Id, Id, E)‫به‬‫زوج‬‫مرتب‬(Id, Id, E2)‫نگاشت‬‫شود‬‫می‬‫و‬‫در‬‫انتها‬‫گراف‬‫جدید‬‫را‬
‫گرداند‬‫برمی‬.
filterVertices(pred)‫و‬filterEdges(pred):‫با‬‫اعمال‬‫شرط‬pred،‫زیرگرافی‬‫از‬‫گراف‬
‫اصلی‬‫را‬‫گرداند‬‫برمی‬.
updateVertices(tbl,f):‫یک‬‫یا‬‫چند‬‫راس‬‫را‬‫به‬‫گراف‬‫اضافه‬‫کند‬‫می‬.
reverseEdgeDirection():‫جهت‬‫های‬‫یال‬‫گراف‬‫را‬‫عوض‬‫کند‬‫می‬.
degree():‫درجه‬‫رئوس‬‫گراف‬‫را‬‫به‬‫صورت‬‫یک‬‫لیست‬‫گرداند‬‫برمی‬.
21 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫گراف‬ ‫تقسیم‬ ‫های‬‫روش‬
Edge Cut:
‫در‬‫این‬،‫روش‬‫رئوس‬‫بین‬‫ها‬‫ماشین‬‫تقسیم‬‫شوند؛‬‫می‬‫در‬‫حالی‬‫که‬‫ها‬‫یال‬‫توانند‬‫می‬‫بین‬‫م‬‫ها‬‫اشین‬
‫گسترده‬‫باشند‬.
Vertex Cut:
‫در‬‫این‬،‫روش‬‫ها‬‫یال‬‫بین‬‫ها‬‫ماشین‬‫تقسیم‬‫شوند؛‬‫می‬‫در‬‫حالی‬‫که‬‫رئوس‬‫توانند‬‫می‬‫بین‬‫م‬‫ها‬‫اشین‬
‫گسترده‬‫باشند‬.‫این‬‫روش‬‫عملکرد‬‫بهتری‬‫نسبت‬‫به‬Edge Cut‫دارد‬.
22 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫جدولی‬ ‫نمایش‬GraphX‫از‬Vertex Cut
‫در‬ ‫ها‬‫ماشین‬ ‫بین‬ ‫ها‬‫یال‬ ‫تقسیم‬GraphX‫از‬ ‫استفاده‬ ‫با‬ ‫ها‬‫آن‬ ‫سازی‬‫ذخیره‬ ‫و‬hash table
23 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫موجود‬ ‫های‬‫الگوریتم‬
‫تعداد‬‫های‬‫الگوریتم‬‫تشخیص‬‫انجمن‬‫که‬‫در‬‫چارچوب‬‫نگاشت‬-‫کاهش‬‫سازی‬‫پیاده‬‫ش‬‫اند‬‫ده‬
‫کم‬‫است‬.
‫الگوریتم‬SPB-MRA(Shortest Path Between MapReduce Algorithm)
‫نسخه‬‫موازی‬‫الگوریتم‬Girvan-Newman (GN)
‫الگوریتم‬DEPOLD
‫الگوریتم‬MR-CPM(MapReduce Clique Percolation Method)
‫نسخه‬‫موازی‬‫الگوریتم‬clique percolation‫با‬‫قابلیت‬‫تشخیص‬‫رئوس‬‫پوشان‬‫هم‬
24 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫ارزیابی‬
‫مرسوم‬ ‫معیارهای‬
 Speedup
 Scalability
 Algorithm’s Order
 Coverage
 Modularity
 Conductance
 Precision
 Normalized Mutual Information
 …
26 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫شاخص‬ ‫گراف‬GN(Girvan and Newman)
‫یک‬‫مدل‬‫از‬l-partition‫است‬.
‫رئوس‬‫این‬‫گراف‬‫به‬4‫گروه‬32‫تایی‬‫تقسیم‬‫شوند‬‫می‬.
Danon‫و‬‫همکاران‬‫در‬‫سال‬2005‫از‬‫این‬‫مدل‬‫برای‬‫آزمایش‬‫کارایی‬‫و‬‫مقایسه‬‫کارایی‬‫های‬‫الگوریتم‬‫تشخیص‬
‫انجمن‬‫در‬‫آن‬‫زمان‬‫استفاده‬‫کردند‬.
‫دو‬‫عیب‬‫اساسی‬‫این‬‫مدل‬:
‫همه‬‫رئوس‬‫درجه‬‫مورد‬‫انتظار‬‫مساوی‬‫دارند‬.‫در‬‫حالی‬‫که‬‫در‬‫واقعیت‬‫چنین‬‫اتفاقی‬‫نادر‬‫است‬.
‫تمام‬‫ها‬‫انجمن‬‫داراس‬‫سایز‬‫یکسانی‬‫هستند‬.
‫شاخص‬ ‫گراف‬GN‫رئوس‬ ‫برای‬ ‫متفاوت‬ ‫انتظار‬ ‫مورد‬ ‫درجات‬ ‫با‬27 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫شاخص‬ ‫گراف‬LFR
‫یک‬‫مدل‬‫خاص‬‫از‬l-partition‫که‬‫در‬‫آن‬‫درجه‬‫رئوس‬‫و‬‫سایز‬‫ها‬‫انجمن‬‫تواند‬‫می‬‫متفاوت‬‫باشد‬.
‫شاخص‬ ‫گراف‬ ‫از‬ ‫نمونه‬ ‫یک‬LFR28 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫شاخص‬ ‫گراف‬LFR(‫ادامه‬)..
‫این‬‫گراف‬‫تواند‬‫می‬‫دار‬‫وزن‬‫یا‬،‫وزن‬‫بی‬‫دار‬‫جهت‬‫یا‬‫بدون‬‫جهت‬‫و‬‫دارای‬‫راس‬‫پوشان‬‫هم‬‫یا‬
‫پوشان‬‫غیرهم‬‫باشد‬.
N:‫تعداد‬‫رئوس‬‫شبکه‬
𝐾𝑖
𝑖𝑛
:‫تعداد‬‫های‬‫همسایه‬‫گره‬i‫که‬‫عضو‬c‫هستند‬
𝐾𝑖
𝑜𝑢𝑡
:‫تعداد‬‫های‬‫همسایه‬‫گره‬i‫که‬‫عضو‬c‫نیستند‬
𝐾𝑐
𝑖𝑛:‫تعداد‬‫اتصاالت‬‫ممکن‬‫در‬‫داخل‬‫انجمن‬
𝐾𝑐
𝑜𝑢𝑡
:‫تعداد‬‫اتصاالت‬‫ممکن‬‫در‬‫خارج‬‫از‬‫انجمن‬
μ:‫نسبت‬‫درجه‬‫خروجی‬‫راس‬‫به‬‫درجه‬‫کل‬‫را‬‫نشان‬‫دهد‬‫می‬.
29 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫شاخص‬ ‫گراف‬LFR(‫ادامه‬)..
‫شرط‬‫وجود‬‫ساختار‬‫انجمنی‬:𝑃𝑖𝑛 ≥ 𝑃𝑜𝑢𝑡
‫این‬‫عبارت‬‫را‬‫توان‬‫می‬‫بر‬‫حسب‬μ‫محاسبه‬‫کرد‬:
𝑃𝑖𝑛 ≥ 𝑃𝑜𝑢𝑡
μ < (𝑁 − 𝑛 𝑐
𝑚𝑎𝑥 Τ) 𝑁
30 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫معیار‬NMI (Normalized Mutual Information)
‫معیاری‬‫است‬‫برای‬‫تعیین‬‫کیفیت‬‫الگوریتم‬
‫تشخیص‬‫دقیق‬‫ها‬‫انجمن‬‫در‬‫گراف‬‫یک‬‫مسئله‬NP-Complete‫است‬.‫بنابراین‬
‫های‬‫الگوریتم‬‫این‬‫حوزه‬‫عموما‬‫تقریبی‬‫هستند‬‫که‬‫باید‬‫معیار‬‫مناسبی‬‫برای‬‫تع‬‫یین‬‫کیفیت‬
‫ها‬‫آن‬‫ارائه‬‫شود‬.
‫اگر‬X‫و‬Y‫متغیر‬‫تصادفی‬‫ها‬‫شبکه‬،‫باشند‬mutual information‫نشان‬‫دهد‬‫می‬‫که‬‫اگر‬
X‫را‬،‫بدانیم‬‫چقدر‬‫راجع‬‫به‬Y‫اطالع‬‫داریم‬‫و‬‫برعکس‬.‫رابطه‬‫آن‬‫به‬‫این‬‫صورت‬‫است‬:
{1,2,3} {1} {2,3} {4,5,6}{4,5,6}
‫ان‬ ‫تشخیص‬ ‫الگوریتم‬ ‫اجرای‬ ‫نتیجه‬‫جمن‬Ground Truth
𝐼(𝑋, 𝑌) = ෍
𝑥
෍
𝑦
𝑃 𝑥, 𝑦 𝑙𝑜𝑔
)𝑃(𝑋, 𝑌
)𝑃 𝑋 𝑃(𝑌
31 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫معیار‬NMI (Normalized Mutual Information)(‫ادامه‬)..
‫ایده‬NMI‫این‬‫است‬‫که‬‫اگر‬‫دو‬‫گروه‬‫از‬،‫رئوس‬‫بسیار‬‫شبیه‬‫به‬‫هم‬،‫باشند‬‫یک‬‫گروه‬‫ب‬‫رای‬‫پی‬
‫بردن‬‫به‬‫گروه‬‫دیگر‬‫به‬‫اطالعات‬‫کمی‬‫نیاز‬‫دارد‬.
‫تابع‬H(X)،‫آنتروپی‬‫شانون‬:
𝐻 𝑋 = − ෍
𝑥
𝑃 𝑥 𝑙𝑜𝑔𝑃 𝑥
Mutual information‫با‬‫توجه‬‫به‬‫آنتروپی‬‫شانون‬:
𝐼 𝑋, 𝑌 = 𝐻 𝑋 − 𝐻(𝑋|𝑌)
‫این‬‫معیار‬‫برای‬‫زمانی‬‫که‬𝐻 𝑋|𝑌 = 0،‫است‬‫پاسخ‬‫مطلوبی‬‫دهد‬‫نمی‬.‫بنابراین‬NMI‫تعریف‬
‫شد‬:
𝐼 𝑛𝑜𝑟𝑚 𝑋, 𝑌 =
2𝐼(𝑋, 𝑌)
𝐻 𝑋 + 𝐻(𝑌)
‫اگر‬‫دو‬‫پارتیشن‬‫دقیقا‬‫با‬‫هم‬‫مساوی‬،‫باشند‬NMI‫برابر‬‫با‬‫یک‬‫خواهد‬‫بود‬‫و‬‫در‬‫صورتی‬‫که‬‫هیچ‬
‫تشابهی‬‫نداشته‬،‫باشند‬‫برابر‬‫با‬‫صفر‬‫است‬.
32 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫شاخص‬ ‫گراف‬ ‫از‬ ‫استفاده‬ ‫با‬ ‫ها‬‫الگوریتم‬ ‫آزمایش‬GN
‫بهترین‬‫کارایی‬‫مربوط‬‫به‬‫متدهای‬simulated annealing‫و‬clauset‫است‬.
33 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫شاخص‬ ‫گراف‬ ‫از‬ ‫استفاده‬ ‫با‬ ‫ها‬‫الگوریتم‬ ‫آزمایش‬LFR
‫نتایج‬‫آزمایش‬‫در‬‫گراف‬‫شاخص‬‫بدون‬‫جهت‬‫و‬‫وزن‬‫بی‬LFR:
‫نشان‬‫دهد‬‫می‬‫که‬‫متدهای‬simulated annealing‫و‬clauset‫برای‬‫های‬‫گراف‬‫بزرگ‬‫با‬‫سایز‬
‫انجمن‬‫کوچک‬‫به‬‫خوبی‬‫کار‬‫کنند‬‫نمی‬.
34 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫بندی‬‫جمع‬
‫یک‬‫الگوریتم‬‫تشخیص‬‫انجمن‬،‫خوب‬‫الگوریتمی‬‫است‬‫که‬:
‫در‬‫یافتن‬‫ها‬‫انجمن‬‫دقت‬‫و‬‫کیفیت‬‫باالیی‬‫داشته‬‫باشد‬.
‫در‬‫زمان‬،‫مناسب‬‫پاسخ‬‫مطلوب‬‫را‬‫بدهد‬.
‫برای‬‫های‬‫گراف‬‫بزرگ‬‫به‬‫خوبی‬‫مقیاس‬‫شود‬.
‫های‬‫چالش‬‫تشخیص‬‫انجمن‬‫مانند‬‫پوشانی‬‫هم‬‫را‬‫در‬‫نظر‬‫بگیرد‬.
‫در‬‫ادامه‬‫پروژه‬‫تالش‬‫خواهم‬‫کرد‬‫تا‬:
‫متدهای‬‫فعلی‬‫تشخیص‬‫را‬‫ارزیابی‬‫و‬‫یکی‬‫از‬‫های‬‫روش‬‫مطلوب‬‫را‬‫انتخاب‬‫کنم‬.
‫روشی‬‫برای‬‫سازی‬‫موازی‬‫آن‬‫در‬‫چارچوب‬‫اسپارک‬‫ارائه‬‫کنم‬.
‫الگوریتم‬‫پیشنهادی‬‫را‬‫سازی‬‫پیاده‬‫کنم‬.
‫الگوریتم‬‫را‬‫با‬‫گراف‬‫شاخص‬‫ارزیابی‬‫و‬‫مقایسه‬‫کنم‬.
‫نتیجه‬‫را‬‫به‬‫صورت‬‫ابزار‬‫قابل‬‫استفاده‬‫ارائه‬‫کنم‬.
35 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫اصلی‬ ‫مراجع‬
1. S. Fortunato, "Community detection in graphs ," Physics reports, vol.
486, pp. 75-174, 2010.
2. M. Zaharia, M. Chowdhury, M. J. Franklin, S. Shenker, and I. Stoica,
"Spark: Cluster Computing with Working Sets," HotCloud, vol. 10, pp.
10-10, 2010.
3. R. S. Xin, J. E. Gonzalez, M. J. Franklin, and I. Stoica, "Graphx: A
resilient distributed graph system on spark," in First International
Workshop on Graph Data Management Experiences and Systems,
2013, p. 2.
4. L. Danon, A. Diaz-Guilera, J. Duch, and A. Arenas, "Comparing
community structure identification," Journal of Statistical Mechanics:
Theory and Experiment, vol. 2005, p. P09008, 2005.
5. A. Lancichinetti and S. Fortunato, "Community detection algorithms: a
comparative analysis," Physical review E, vol. 80, p. 056117, 2009.
36 / 37
‫مقدمه‬‫داده‬‫کالن‬ ‫انجمن‬ ‫تشخیص‬GraphX‫ارزیابی‬‫بندی‬‫جمع‬
‫داده‬‫کالن‬ ‫مقیاس‬ ‫در‬ ‫انجمن‬ ‫تشخیص‬
‫پور‬‫صدیق‬ ‫نوید‬
‫سمینار‬ ‫استاد‬:‫میبدی‬ ‫دکتر‬
‫سمینار‬ ‫مشاور‬ ‫و‬ ‫راهنما‬ ‫استاد‬:‫باقری‬ ‫دکتر‬
‫ارشد‬ ‫کارشناسی‬ ‫سمینار‬–‫تابستان‬95
‫سپاسگزارم‬

Más contenido relacionado

La actualidad más candente

Big data بزرگ داده ها
Big data بزرگ داده هاBig data بزرگ داده ها
Big data بزرگ داده هاOmid Sohrabi
 
Bi and data mining with Oracle
Bi and data mining with OracleBi and data mining with Oracle
Bi and data mining with Oracleghanadbashi
 
آموزش Sql
آموزش Sqlآموزش Sql
آموزش Sqlaminifar
 
آموزش Sql
آموزش Sqlآموزش Sql
آموزش Sqlaminifar
 
مقدمه ای بر داده کاوی
مقدمه ای بر داده کاویمقدمه ای بر داده کاوی
مقدمه ای بر داده کاویdata scientist
 
سیستم فایل HDFS
سیستم فایل HDFSسیستم فایل HDFS
سیستم فایل HDFSnasser rezaei
 
داده های عظیم چگونه دنیا را تغییر خواهند داد
داده های عظیم چگونه دنیا را تغییر خواهند داد داده های عظیم چگونه دنیا را تغییر خواهند داد
داده های عظیم چگونه دنیا را تغییر خواهند داد Farzad Khandan
 
What is big data and how use that
What is big data and how use thatWhat is big data and how use that
What is big data and how use thatshohreh deldari
 
طراحی سیستم های اطلاعاتی بر مبنای قابلیت های Nosql بانک های اطلاعاتی
طراحی سیستم های اطلاعاتی بر مبنای قابلیت های Nosql بانک های اطلاعاتی طراحی سیستم های اطلاعاتی بر مبنای قابلیت های Nosql بانک های اطلاعاتی
طراحی سیستم های اطلاعاتی بر مبنای قابلیت های Nosql بانک های اطلاعاتی عباس بني اسدي مقدم
 
Opendata and business - داده های باز و کسب و کار
Opendata and business - داده های باز و کسب و کار Opendata and business - داده های باز و کسب و کار
Opendata and business - داده های باز و کسب و کار efazati
 
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش دوم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش دومآموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش دوم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش دومfaradars
 
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion - بخش یکم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion - بخش یکمآموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion - بخش یکم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion - بخش یکمfaradars
 
Introduction to database
Introduction to databaseIntroduction to database
Introduction to databaseEsmatullah Adel
 
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش پنجم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش پنجمآموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش پنجم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش پنجمfaradars
 
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش سوم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش سومآموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش سوم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش سومfaradars
 
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش چهارم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش چهارمآموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش چهارم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش چهارمfaradars
 

La actualidad más candente (20)

Big data بزرگ داده ها
Big data بزرگ داده هاBig data بزرگ داده ها
Big data بزرگ داده ها
 
Bi and data mining with Oracle
Bi and data mining with OracleBi and data mining with Oracle
Bi and data mining with Oracle
 
آموزش Sql
آموزش Sqlآموزش Sql
آموزش Sql
 
آموزش Sql
آموزش Sqlآموزش Sql
آموزش Sql
 
مقدمه ای بر داده کاوی
مقدمه ای بر داده کاویمقدمه ای بر داده کاوی
مقدمه ای بر داده کاوی
 
سیستم فایل HDFS
سیستم فایل HDFSسیستم فایل HDFS
سیستم فایل HDFS
 
داده های عظیم چگونه دنیا را تغییر خواهند داد
داده های عظیم چگونه دنیا را تغییر خواهند داد داده های عظیم چگونه دنیا را تغییر خواهند داد
داده های عظیم چگونه دنیا را تغییر خواهند داد
 
داده‌کاوی و زبان برنامه‌نویسی R
داده‌کاوی و زبان برنامه‌نویسی Rداده‌کاوی و زبان برنامه‌نویسی R
داده‌کاوی و زبان برنامه‌نویسی R
 
What is big data and how use that
What is big data and how use thatWhat is big data and how use that
What is big data and how use that
 
Crisp dm.1.0
Crisp dm.1.0Crisp dm.1.0
Crisp dm.1.0
 
Ibm modeler
Ibm modelerIbm modeler
Ibm modeler
 
طراحی سیستم های اطلاعاتی بر مبنای قابلیت های Nosql بانک های اطلاعاتی
طراحی سیستم های اطلاعاتی بر مبنای قابلیت های Nosql بانک های اطلاعاتی طراحی سیستم های اطلاعاتی بر مبنای قابلیت های Nosql بانک های اطلاعاتی
طراحی سیستم های اطلاعاتی بر مبنای قابلیت های Nosql بانک های اطلاعاتی
 
Opendata and business - داده های باز و کسب و کار
Opendata and business - داده های باز و کسب و کار Opendata and business - داده های باز و کسب و کار
Opendata and business - داده های باز و کسب و کار
 
(داده های زمینه ای) Contextual data
  (داده های زمینه ای) Contextual data  (داده های زمینه ای) Contextual data
(داده های زمینه ای) Contextual data
 
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش دوم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش دومآموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش دوم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش دوم
 
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion - بخش یکم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion - بخش یکمآموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion - بخش یکم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion - بخش یکم
 
Introduction to database
Introduction to databaseIntroduction to database
Introduction to database
 
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش پنجم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش پنجمآموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش پنجم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش پنجم
 
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش سوم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش سومآموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش سوم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش سوم
 
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش چهارم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش چهارمآموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش چهارم
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion -بخش چهارم
 

Destacado

شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعیشبکه های عصبی مصنوعی
شبکه های عصبی مصنوعیdataminers.ir
 
Big Data - 25 Amazing Facts Everyone Should Know
Big Data - 25 Amazing Facts Everyone Should KnowBig Data - 25 Amazing Facts Everyone Should Know
Big Data - 25 Amazing Facts Everyone Should KnowBernard Marr
 
Introduction to Big Data/Machine Learning
Introduction to Big Data/Machine LearningIntroduction to Big Data/Machine Learning
Introduction to Big Data/Machine LearningLars Marius Garshol
 
Big Data Analytics with Hadoop
Big Data Analytics with HadoopBig Data Analytics with Hadoop
Big Data Analytics with HadoopPhilippe Julio
 

Destacado (10)

Neural networks
Neural networksNeural networks
Neural networks
 
Webmining
WebminingWebmining
Webmining
 
Edms hamara 2017
Edms hamara 2017Edms hamara 2017
Edms hamara 2017
 
شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعیشبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی
 
Big Data - 25 Amazing Facts Everyone Should Know
Big Data - 25 Amazing Facts Everyone Should KnowBig Data - 25 Amazing Facts Everyone Should Know
Big Data - 25 Amazing Facts Everyone Should Know
 
Introduction to Big Data/Machine Learning
Introduction to Big Data/Machine LearningIntroduction to Big Data/Machine Learning
Introduction to Big Data/Machine Learning
 
Big Data Analytics with Hadoop
Big Data Analytics with HadoopBig Data Analytics with Hadoop
Big Data Analytics with Hadoop
 
Big data ppt
Big  data pptBig  data ppt
Big data ppt
 
What is big data?
What is big data?What is big data?
What is big data?
 
What is Big Data?
What is Big Data?What is Big Data?
What is Big Data?
 

Similar a تشخیص انجمن در مقیاس کلان داده

آموزش ساختمان داده ها - بخش هفتم
آموزش ساختمان داده ها - بخش هفتمآموزش ساختمان داده ها - بخش هفتم
آموزش ساختمان داده ها - بخش هفتمfaradars
 
آموزش روش تقسیم و حل در طراحی الگوریتم (مرور – تست کنکور ارشد)
آموزش روش تقسیم و حل در طراحی الگوریتم (مرور – تست کنکور ارشد)آموزش روش تقسیم و حل در طراحی الگوریتم (مرور – تست کنکور ارشد)
آموزش روش تقسیم و حل در طراحی الگوریتم (مرور – تست کنکور ارشد)faradars
 
آموزش ساختمان داده ها - بخش ششم
آموزش ساختمان داده ها - بخش ششمآموزش ساختمان داده ها - بخش ششم
آموزش ساختمان داده ها - بخش ششمfaradars
 
آموزش ساختمان داده ها - بخش سوم
آموزش ساختمان داده ها - بخش سومآموزش ساختمان داده ها - بخش سوم
آموزش ساختمان داده ها - بخش سومfaradars
 
آموزش پایگاه داده ها (مرور – تست کنکور ارشد)
آموزش پایگاه داده ها (مرور – تست کنکور ارشد)آموزش پایگاه داده ها (مرور – تست کنکور ارشد)
آموزش پایگاه داده ها (مرور – تست کنکور ارشد)faradars
 
Neu ir data mining ghavidel 10 08 1398
Neu ir   data mining ghavidel 10 08 1398Neu ir   data mining ghavidel 10 08 1398
Neu ir data mining ghavidel 10 08 1398Somayeh GhaviDel
 
مجموعه آموزش های برنامه های پاسخگویی بار- بخش دوم
مجموعه آموزش های برنامه های پاسخگویی بار- بخش دوممجموعه آموزش های برنامه های پاسخگویی بار- بخش دوم
مجموعه آموزش های برنامه های پاسخگویی بار- بخش دومfaradars
 
آموزش ساختمان داده ها - بخش هشتم
آموزش ساختمان داده ها - بخش هشتمآموزش ساختمان داده ها - بخش هشتم
آموزش ساختمان داده ها - بخش هشتمfaradars
 
آموزش ساختمان داده ها - بخش دوم
آموزش ساختمان داده ها - بخش دومآموزش ساختمان داده ها - بخش دوم
آموزش ساختمان داده ها - بخش دومfaradars
 
آموزش ساختمان داده ها - بخش اول
آموزش ساختمان داده ها - بخش اولآموزش ساختمان داده ها - بخش اول
آموزش ساختمان داده ها - بخش اولfaradars
 
امتحان دی ماه وب مقدماتی
امتحان دی ماه وب مقدماتیامتحان دی ماه وب مقدماتی
امتحان دی ماه وب مقدماتیsomayeh daneshparvar
 
Pyrosim شبیه سازی آتش و دود با نرم افزار پایروسیم
Pyrosim  شبیه سازی آتش و دود با نرم افزار پایروسیمPyrosim  شبیه سازی آتش و دود با نرم افزار پایروسیم
Pyrosim شبیه سازی آتش و دود با نرم افزار پایروسیمMehdi Parvini
 
آموزش مرتبه اجرایی در ساختمان داده و طراحی الگوریتم (مرور – تست کنکور ارشد)
آموزش مرتبه اجرایی در ساختمان داده و طراحی الگوریتم (مرور – تست کنکور ارشد)آموزش مرتبه اجرایی در ساختمان داده و طراحی الگوریتم (مرور – تست کنکور ارشد)
آموزش مرتبه اجرایی در ساختمان داده و طراحی الگوریتم (مرور – تست کنکور ارشد)faradars
 
آموزش ساختمان داده ها - بخش نهم
آموزش ساختمان داده ها - بخش نهمآموزش ساختمان داده ها - بخش نهم
آموزش ساختمان داده ها - بخش نهمfaradars
 

Similar a تشخیص انجمن در مقیاس کلان داده (15)

آموزش ساختمان داده ها - بخش هفتم
آموزش ساختمان داده ها - بخش هفتمآموزش ساختمان داده ها - بخش هفتم
آموزش ساختمان داده ها - بخش هفتم
 
آموزش روش تقسیم و حل در طراحی الگوریتم (مرور – تست کنکور ارشد)
آموزش روش تقسیم و حل در طراحی الگوریتم (مرور – تست کنکور ارشد)آموزش روش تقسیم و حل در طراحی الگوریتم (مرور – تست کنکور ارشد)
آموزش روش تقسیم و حل در طراحی الگوریتم (مرور – تست کنکور ارشد)
 
آموزش ساختمان داده ها - بخش ششم
آموزش ساختمان داده ها - بخش ششمآموزش ساختمان داده ها - بخش ششم
آموزش ساختمان داده ها - بخش ششم
 
آموزش ساختمان داده ها - بخش سوم
آموزش ساختمان داده ها - بخش سومآموزش ساختمان داده ها - بخش سوم
آموزش ساختمان داده ها - بخش سوم
 
Ravar matrix 03 09 1398
Ravar matrix 03 09 1398Ravar matrix 03 09 1398
Ravar matrix 03 09 1398
 
آموزش پایگاه داده ها (مرور – تست کنکور ارشد)
آموزش پایگاه داده ها (مرور – تست کنکور ارشد)آموزش پایگاه داده ها (مرور – تست کنکور ارشد)
آموزش پایگاه داده ها (مرور – تست کنکور ارشد)
 
Neu ir data mining ghavidel 10 08 1398
Neu ir   data mining ghavidel 10 08 1398Neu ir   data mining ghavidel 10 08 1398
Neu ir data mining ghavidel 10 08 1398
 
مجموعه آموزش های برنامه های پاسخگویی بار- بخش دوم
مجموعه آموزش های برنامه های پاسخگویی بار- بخش دوممجموعه آموزش های برنامه های پاسخگویی بار- بخش دوم
مجموعه آموزش های برنامه های پاسخگویی بار- بخش دوم
 
آموزش ساختمان داده ها - بخش هشتم
آموزش ساختمان داده ها - بخش هشتمآموزش ساختمان داده ها - بخش هشتم
آموزش ساختمان داده ها - بخش هشتم
 
آموزش ساختمان داده ها - بخش دوم
آموزش ساختمان داده ها - بخش دومآموزش ساختمان داده ها - بخش دوم
آموزش ساختمان داده ها - بخش دوم
 
آموزش ساختمان داده ها - بخش اول
آموزش ساختمان داده ها - بخش اولآموزش ساختمان داده ها - بخش اول
آموزش ساختمان داده ها - بخش اول
 
امتحان دی ماه وب مقدماتی
امتحان دی ماه وب مقدماتیامتحان دی ماه وب مقدماتی
امتحان دی ماه وب مقدماتی
 
Pyrosim شبیه سازی آتش و دود با نرم افزار پایروسیم
Pyrosim  شبیه سازی آتش و دود با نرم افزار پایروسیمPyrosim  شبیه سازی آتش و دود با نرم افزار پایروسیم
Pyrosim شبیه سازی آتش و دود با نرم افزار پایروسیم
 
آموزش مرتبه اجرایی در ساختمان داده و طراحی الگوریتم (مرور – تست کنکور ارشد)
آموزش مرتبه اجرایی در ساختمان داده و طراحی الگوریتم (مرور – تست کنکور ارشد)آموزش مرتبه اجرایی در ساختمان داده و طراحی الگوریتم (مرور – تست کنکور ارشد)
آموزش مرتبه اجرایی در ساختمان داده و طراحی الگوریتم (مرور – تست کنکور ارشد)
 
آموزش ساختمان داده ها - بخش نهم
آموزش ساختمان داده ها - بخش نهمآموزش ساختمان داده ها - بخش نهم
آموزش ساختمان داده ها - بخش نهم
 

تشخیص انجمن در مقیاس کلان داده