Trabajo final de la asignatura Preparación y Evaluación de Proyectos para acceder al Título de Licenciado/a en Sistemas de Información.
Incluye resguardo digital.
Millones de consultas son realizadas diariamente a los motores de búsqueda web, donde la utilización de memoria caché es crucial para reducir el tiempo de respuesta y aumentar el rendimiento. En la literatura, diversos autores han propuesto la utilización de técnicas de aprendizaje de máquina para aumentar la eficiencia de la caché. Hasta el momento, los trabajos en el aréa consistieron en la utilización de algoritmos con funcionamiento por lote para gestionar las políticas de admisión y/o reemplazo en diferentes niveles de caché. Estos algoritmos construyen modelos estáticos que reducen su efectividad ante cambios en el comportamiento de los usuarios. Por otro lado, la investigación en el área de minería de flujos de datos ha aportado nuevos algoritmos, sistemas y plataformas para hacer frente a ambientes con generación continua de datos, altas tasas de arribo y elevados niveles de fluctuación en ellas, características que a su vez definen a la resolución de consulta en motores de búsqueda web. Basado en lo anterior, en este trabajo se propone la utilización del alogaritmo Hoeffding Adaptive Tree, especificamente desarrollado para el aprendizaje adaptativo, para generar reglas que permitan predecir futuras apariciones de las consultas. El rendimiento del mismo es comparado contra C4.5, un alogaritmo clásico con funcionamiento por lote. En los experimentos realizados, Hoeffding Adaptative Tree permite duplicar los aciertos de la caché que obtiene C4.5. Complementariamente, se diseña una solución cobre el motor de procesamiento de streaming Apache Storm, que proporciona al árbol de decisión adaptativo con los ejemplos necesarios para mantenerse actualizado.
Trabajo final de la asignatura Preparación y Evaluación de Proyectos para acceder al Título de Licenciado/a en Sistemas de Información.
Incluye resguardo digital.
Resumen
Millones de consultas son realizadas diariamente a los motores de búsqueda web, donde la utilización de memoria caché es crucial para reducir el tiempo de respuesta y aumentar el rendimiento. En la literatura, diversos autores han propuesto la utilización de técnicas de aprendizaje de máquina para aumentar la eficiencia de la caché. Hasta el momento, los trabajos en el aréa consistieron en la utilización de algoritmos con funcionamiento por lote para gestionar las políticas de admisión y/o reemplazo en diferentes niveles de caché. Estos algoritmos construyen modelos estáticos que reducen su efectividad ante cambios en el comportamiento de los usuarios. Por otro lado, la investigación en el área de minería de flujos de datos ha aportado nuevos algoritmos, sistemas y plataformas para hacer frente a ambientes con generación continua de datos, altas tasas de arribo y elevados niveles de fluctuación en ellas, características que a su vez definen a la resolución de consulta en motores de búsqueda web. Basado en lo anterior, en este trabajo se propone la utilización del alogaritmo Hoeffding Adaptive Tree, especificamente desarrollado para el aprendizaje adaptativo, para generar reglas que permitan predecir futuras apariciones de las consultas. El rendimiento del mismo es comparado contra C4.5, un alogaritmo clásico con funcionamiento por lote. En los experimentos realizados, Hoeffding Adaptative Tree permite duplicar los aciertos de la caché que obtiene C4.5. Complementariamente, se diseña una solución cobre el motor de procesamiento de streaming Apache Storm, que proporciona al árbol de decisión adaptativo con los ejemplos necesarios para mantenerse actualizado.
Atención NO ES UNA RESERVA!
Es solo a los efectos de disponer de los datos del ejemplar para solicitarlo a biblioteca.
Tenga presente también que puede seleccionar favoritos
(los documentos que le interesen) durante su
sesión y obtener una lista de ellos.
Formulario para Solicitud de Material
Tonin Monzón, Francisco
Políticas de admisión a caché gestionadas mediante árboles de decisión adaptativos [TESIS]. -- Luján : Universidad Nacional de Luján (UNLu), 2018
Trabajo final de la asignatura Preparación y Evaluación de Proyectos para acceder al Título de Licenciado/a en Sistemas de Información.
Incluye resguardo digital.
Millones de consultas son realizadas diariamente a los motores de búsqueda web, donde la utilización de memoria caché es crucial para reducir el tiempo de respuesta y aumentar el rendimiento. En la literatura, diversos autores han propuesto la utilización de técnicas de aprendizaje de máquina para aumentar la eficiencia de la caché. Hasta el momento, los trabajos en el aréa consistieron en la utilización de algoritmos con funcionamiento por lote para gestionar las políticas de admisión y/o reemplazo en diferentes niveles de caché. Estos algoritmos construyen modelos estáticos que reducen su efectividad ante cambios en el comportamiento de los usuarios. Por otro lado, la investigación en el área de minería de flujos de datos ha aportado nuevos algoritmos, sistemas y plataformas para hacer frente a ambientes con generación continua de datos, altas tasas de arribo y elevados niveles de fluctuación en ellas, características que a su vez definen a la resolución de consulta en motores de búsqueda web. Basado en lo anterior, en este trabajo se propone la utilización del alogaritmo Hoeffding Adaptive Tree, especificamente desarrollado para el aprendizaje adaptativo, para generar reglas que permitan predecir futuras apariciones de las consultas. El rendimiento del mismo es comparado contra C4.5, un alogaritmo clásico con funcionamiento por lote. En los experimentos realizados, Hoeffding Adaptative Tree permite duplicar los aciertos de la caché que obtiene C4.5. Complementariamente, se diseña una solución cobre el motor de procesamiento de streaming Apache Storm, que proporciona al árbol de decisión adaptativo con los ejemplos necesarios para mantenerse actualizado.
1. SISTEMAS DE INFORMACION; 2. MOTORES DE BUSQUEDA; 3. RECUPERACION DE LA INFORMACION I. Banchero, Santiago II. Tolosa, Gabriel Hernán