English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Aplicacoes de big data tem associada uma serie de problemas desafiadores envolvendo a alocacao de recursos de hardware e software. Tipicamente, essas aplicacoes sao conhecidas por serem computacionalmente custosas e por possuirem uma grande heterogeneidade e irregularidades na forma em que operam, tornando desafiadora a tarefa de estimar os tempos de conclusao de resultados. Embora esta seja uma tarefa dificil, ainda assim e possivel buscar uma relacao entre atributos extraidos da configuracao do ambiente de execucao e do conjunto de dados de entrada e o tempo total de execucao de certas aplicacoes. Tal relacao pode ser utilizada na predicao do tempo de execucao a partir apenas destes atributos. Este trabalho parte desta premissa e explora modelos de aprendizado de maquina para a previsao de tempos de execucao de aplicacoes na plataforma Spark, popular na area de processamento de dados em larga escala. O trabalho investiga quatro modelos e diferentes atributos, alem de comparar os resultados com o estado-da-arte atual. Todos os modelos sao avaliados em diversos cenarios e configuracoes, produzindo resultados significativamente melhores que o estado-da-arte em alguns casos.

Aprendizado de Máquina para Previsão do Tempo de Execução de Aplicações Spark