Naslov (eng)

Enhancing performance of big data applying similarity over detected community

Autor

Ali Bzai, Ali Bzai, 1966-

Doprinosi

Bojović, Miroslav, 1957-

Opis (eng)

The enhancing Performance of Big Data applying Similarity over Detected Community usingMachine learning (ML) allows social network analysis and the Internet of Things (IoT) to gainhidden insights from the treasure trove of sensed data and be truly ubiquitous without explicitlylooking for the knowledge and patterns. Without ML, social network analysis is ineffective,and IoT cannot withstand the future requirements of businesses, governments, and individualusers. The primary goal of IoT is to perceive what is happening in our surroundings and laterautomate the decision making, which will mimic the decisions made by humans. Further,network analysis is highly dependent on finding similarities across all communities. Thecommunity can be strengthened with the help of content information. However, it is highlyrestricted to the noise present on most networks, especially in the link structure. This thesisoutlines an essential way to integrate content and link information into graph-based designs tofacilitate public access. It also attempts to reduce the impact of frequent noise on socialnetworking sites and web-based information networks.We propose to calculate signal strength between nodes across a network by combining thepower of a link, which that link may lie within the community, by the content similarity thatcan be measured using cosine similarity or Jaccard coefficient. In addition, we discuss theprocess of sampling in keeping the right edges in place of the whole element of the graph.Graph results can be compiled using standard algorithms used for public acquisition, such asMarkov-clustering and METIS. We have tried real-world data sets (Wikipedia, CiteSeer, andFlickr) that change sizes and parameters to understand the effectiveness of our methodcompared to the existing one. We have tried to find a useful way to integrate content analysisand linking methods with the method of graph deviation.In this thesis, we performed social network analysis, and we classify IoT and related MLliterature from three perspectives: data, application, and industry. In this thesis, we emphasizebringing awareness and enhancing the understanding of how ML can play a significant role inmaking our environment smarter and more intelligent. The thesis helps to understand betterML's function and its effects in a broader context of social network analysis and IoT. Thisthesis also discussed emerging IoT trends: Internet of Behaviors (IoB), pandemicmanagement, connected autonomous vehicles, edge and fog computing, and deep learning.

Opis (eng)

Побољшање перформанси великих база података применом сличности над откривеномзаједницом помоћу машинског учења (МЛ) омогућава анализи друштвених мрежа иИнтернету ствари (ИоТ) да стекну скривене чињенице из сета података до којих седошло и буду заиста свеприсутни без експлицитног тражења одређених знања ишаблона. Без машинског учења, анализа друштвених мрежа је неефикасна, а ИоТ нећемоћи да подржи будуће захтеве предузећа, влада и појединачних корисника. Примарнициљ ИоТ-а је да сагледа шта се дешава у нашем окружењу и касније аутоматизуједоношење одлука, које ће опонашати одлуке које доносе људи. Поред тога, анализаподатака који протичу мрежом у великој мери зависи од проналажења сличности узаједницама. Заједница се може ојачати уз помоћ информација о садржају. Међутим, онприступ је веома ограничен услед шума који је присутан у већини мрежа, посебно уструктури везе. Ова теза описује суштински начин интеграције садржаја и информацијао повезивању у дизајне засноване на графовима како би се омогућио јавни приступинформацијама. Такође покушава да смањи утицај честе буке на сајтове друштвенихмрежа и на информационе мреже засноване на вебу.Предлаже се израчунавање јачине сигнала између чворова у мрежи комбиновањем снагевезе, при чему та веза може да се налази унутар саме заједнице, помоћу сличностисадржаја која се може мерити коришћењем косинусне сличности или Јакардовогкоефицијента. Поред тога, разматра се процес узорковања у задржавању одговарајућихивица на месту целог елемента графа. Резултати се могу графички саставитикоришћењем стандардних алгоритама који се користе за јавну прибављањеинформација, као што су Марков-кластеринг и МЕТИС. Испробани су скупови податакаиз стварног света (Википедија, CiteSeer и Flickr) који мењају величине и параметре даби се разумела ефикасност предложеног метода у поређењу са постојећим методама.Један од циљева је био пронаћи користан начин за интегрисање процес анализе садржајаи методе повезивања са методом одступања графа (енг. Graph deviation).У овој тези је извршена анализа друштвених мрежа и класификована је ИоТ и сродналитература о МЛ из три перспективе: података, примене и индустрије. У овој тези,наглашено је подизање свести и побољшање разумевања како МЛ може да има значајнуулогу чињењу нашег окружења паметнијим и интелигентнијим. Ова теза може помоћибољем разумевању функције машинског учења и његових ефеката у ширем контекстуанализе друштвених мрежа и Интернета ствари. У овој тези се такође разматрају новиИоТ трендови: Интернет понашања (енг. Internet of Behaviors), управљање пандемијом,повезивање аутономних возила, рачунарство ивица и магле и дубоко учење.

Opis (eng)

Technical science – Electrical engineering and computer science - Software engineering / Машинско учење, интернет ствари, анализа социјалних мрежа - Техничке науке – Електротехника и рачунарство Datum odbrane: 04.04.2023.

Jezik

engleski

Datum

2023

Licenca

Ovo delo je licencirano pod uslovima licence
Creative Commons CC BY 3.0 AT - Creative Commons Autorstvo 3.0 Austria License.

http://creativecommons.org/licenses/by/3.0/at/legalcode

Predmet

OSNO - Opšta sistematizacija naučnih oblasti, Veštačka inteligencija. Robotika

OSNO - Opšta sistematizacija naučnih oblasti, Internet

Машинско учење, интернет ствари, анализа социјалних мрежа

OSNO - Opšta sistematizacija naučnih oblasti, Veštačka inteligencija. Robotika

OSNO - Opšta sistematizacija naučnih oblasti, Internet

Machine learning, internet of things, social network analysis