Exportação concluída — 

Delayed Transfer Entropy applied to Big Data

Detalhes bibliográficos
Ano de defesa: 2018
Autor(a) principal: Dourado, Jonas Rossi
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Análise de Big Data
Big Data analysis
Causalidade
Causality
Cluster heterogêneo de computadores
Delayed Transfer Entropy
Estratégias de paralelismo
Heterogeneous computer cluster
Parallelism strategies
Surrogate
Link de acesso: http://www.teses.usp.br/teses/disponiveis/18/18153/tde-19022019-134228/
Resumo: Recent popularization of technologies such as Smartphones, Wearables, Internet of Things, Social Networks and Video streaming increased data creation. Dealing with extensive data sets led the creation of term big data, often defined as when data volume, acquisition rate or representation demands nontraditional approaches to data analysis or requires horizontal scaling for data processing. Analysis is the most important Big Data phase, where it has the objective of extracting meaningful and often hidden information. One example of Big Data hidden information is causality, which can be inferred with Delayed Transfer Entropy (DTE). Despite DTE wide applicability, it has a high demanding processing power which is aggravated with large datasets as those found in big data. This research optimized DTE performance and modified existing code to enable DTE execution on a computer cluster. With big data trend in sight, this results may enable bigger datasets analysis or better statistical evidence.
id USP_ba554cdff312cf6004872e22fa0d48d8
oai_identifier_str oai:teses.usp.br:tde-19022019-134228
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Delayed Transfer Entropy applied to Big DataDelayed Transfer Entropy aplicado a Big DataAnálise de Big DataBig Data analysisCausalidadeCausalityCluster heterogêneo de computadoresDelayed Transfer EntropyDelayed Transfer EntropyEstratégias de paralelismoHeterogeneous computer clusterParallelism strategiesSurrogateSurrogateRecent popularization of technologies such as Smartphones, Wearables, Internet of Things, Social Networks and Video streaming increased data creation. Dealing with extensive data sets led the creation of term big data, often defined as when data volume, acquisition rate or representation demands nontraditional approaches to data analysis or requires horizontal scaling for data processing. Analysis is the most important Big Data phase, where it has the objective of extracting meaningful and often hidden information. One example of Big Data hidden information is causality, which can be inferred with Delayed Transfer Entropy (DTE). Despite DTE wide applicability, it has a high demanding processing power which is aggravated with large datasets as those found in big data. This research optimized DTE performance and modified existing code to enable DTE execution on a computer cluster. With big data trend in sight, this results may enable bigger datasets analysis or better statistical evidence.A recente popularização de tecnologias como Smartphones, Wearables, Internet das Coisas, Redes Sociais e streaming de Video aumentou a criação de dados. A manipulação de grande quantidade de dados levou a criação do termo Big Data, muitas vezes definido como quando o volume, a taxa de aquisição ou a representação dos dados demanda abordagens não tradicionais para analisar ou requer uma escala horizontal para o processamento de dados. A análise é a etapa de Big Data mais importante, tendo como objetivo extrair informações relevantes e às vezes escondidas. Um exemplo de informação escondida é a causalidade, que pode ser inferida utilizando Delayed Transfer Entropy (DTE). Apesar do DTE ter uma grande aplicabilidade, ele possui uma grande demanda computacional, esta última, é agravada devido a grandes bases de dados como as encontradas em Big Data. Essa pesquisa otimizou e modificou o código existente para permitir a execução de DTE em um cluster de computadores. Com a tendência de Big Data em vista, esse resultado pode permitir bancos de dados maiores ou melhores evidências estatísticas.Biblioteca Digitais de Teses e Dissertações da USPMaciel, Carlos DiasDourado, Jonas Rossi2018-11-30info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://www.teses.usp.br/teses/disponiveis/18/18153/tde-19022019-134228/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesseng2019-04-09T23:21:59Zoai:teses.usp.br:tde-19022019-134228Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212019-04-09T23:21:59Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Delayed Transfer Entropy applied to Big Data
Delayed Transfer Entropy aplicado a Big Data
title Delayed Transfer Entropy applied to Big Data
spellingShingle Delayed Transfer Entropy applied to Big Data
Dourado, Jonas Rossi
Análise de Big Data
Big Data analysis
Causalidade
Causality
Cluster heterogêneo de computadores
Delayed Transfer Entropy
Delayed Transfer Entropy
Estratégias de paralelismo
Heterogeneous computer cluster
Parallelism strategies
Surrogate
Surrogate
title_short Delayed Transfer Entropy applied to Big Data
title_full Delayed Transfer Entropy applied to Big Data
title_fullStr Delayed Transfer Entropy applied to Big Data
title_full_unstemmed Delayed Transfer Entropy applied to Big Data
title_sort Delayed Transfer Entropy applied to Big Data
author Dourado, Jonas Rossi
author_facet Dourado, Jonas Rossi
author_role author
dc.contributor.none.fl_str_mv Maciel, Carlos Dias
dc.contributor.author.fl_str_mv Dourado, Jonas Rossi
dc.subject.por.fl_str_mv Análise de Big Data
Big Data analysis
Causalidade
Causality
Cluster heterogêneo de computadores
Delayed Transfer Entropy
Delayed Transfer Entropy
Estratégias de paralelismo
Heterogeneous computer cluster
Parallelism strategies
Surrogate
Surrogate
topic Análise de Big Data
Big Data analysis
Causalidade
Causality
Cluster heterogêneo de computadores
Delayed Transfer Entropy
Delayed Transfer Entropy
Estratégias de paralelismo
Heterogeneous computer cluster
Parallelism strategies
Surrogate
Surrogate
description Recent popularization of technologies such as Smartphones, Wearables, Internet of Things, Social Networks and Video streaming increased data creation. Dealing with extensive data sets led the creation of term big data, often defined as when data volume, acquisition rate or representation demands nontraditional approaches to data analysis or requires horizontal scaling for data processing. Analysis is the most important Big Data phase, where it has the objective of extracting meaningful and often hidden information. One example of Big Data hidden information is causality, which can be inferred with Delayed Transfer Entropy (DTE). Despite DTE wide applicability, it has a high demanding processing power which is aggravated with large datasets as those found in big data. This research optimized DTE performance and modified existing code to enable DTE execution on a computer cluster. With big data trend in sight, this results may enable bigger datasets analysis or better statistical evidence.
publishDate 2018
dc.date.none.fl_str_mv 2018-11-30
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://www.teses.usp.br/teses/disponiveis/18/18153/tde-19022019-134228/
url http://www.teses.usp.br/teses/disponiveis/18/18153/tde-19022019-134228/
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815258263601545216

Registros relacionados