జర్నల్ ఆఫ్ థియరిటికల్ & కంప్యూటేషనల్ సైన్స్
అందరికి ప్రవేశం
ISSN: 2376-130X
ISSN: 2376-130X
అప్పయ్య ప్రిన్స్
డిజిటల్ యుగం యొక్క యుగం చాలా డేటాతో వచ్చింది, ఇది ప్రిడిక్టివ్ అనలిటిక్ టూల్స్ ఉపయోగించి విశ్లేషించాల్సిన అవసరం ఉంది. ఇంటర్నెట్ ఆఫ్ థింగ్స్ (డ్రోన్)తో ఆరోగ్య సంరక్షణ డేటా విపరీతంగా పెరుగుతున్న సందర్భంలో పెద్ద డేటా విశ్లేషణల కోసం దృష్టిని ఆకర్షించింది. వ్యాధుల నిఘా ఎపిడెమియోలాజికల్ డేటా సేకరణలో నేటి ట్రెండ్ డ్రోన్‌లను ఉపయోగించడం ఉత్తమం. అందువల్ల, ఇది డ్రోన్‌లను ఉపయోగించి డేటా ట్రాలింగ్‌కు దారితీసే నిర్మాణాత్మక, సెమీ-స్ట్రక్చర్డ్ మరియు అన్‌స్ట్రక్చర్డ్ డేటాతో వస్తుంది. హెల్త్‌కేర్ నాణ్యతను మెరుగుపరచడానికి ఖచ్చితమైన అంచనా కోసం డ్రోన్ డేటాను వేరు చేయడానికి మరియు క్లస్టరింగ్ చేయడానికి తగిన మెషీన్ లెర్నింగ్ టెక్నిక్ కోసం ఈ పేపర్ పెద్ద డేటా సాధనాన్ని ప్రతిపాదిస్తుంది. ప్రతిపాదిత విధానం, డ్రోన్‌ని ఉపయోగించి డేటా ట్రాలింగ్‌ను అధిగమించడం మరియు క్రౌడ్‌సెన్సింగ్ డేటా యొక్క నిజ-సమయ విశ్లేషణలను అందించడం లక్ష్యంగా పెట్టుకుంది. జనసమూహం నుండి విభిన్న మూలాల నుండి నిజ-సమయ స్ట్రీమింగ్‌ను మెరుగ్గా వేరు చేయడం కోసం మెషిన్ లెర్నింగ్ అల్గారిథమ్‌తో అపాచీ స్పార్క్ కోర్‌ని ఉపయోగించి అమలు చేయడం జరిగింది. నిర్వహించిన ప్రయోగం ఫలితాల ప్రకారం, ఈ భావన నాణ్యమైన ఆరోగ్య సంరక్షణ అంచనాలను మెరుగుపరిచే సామర్థ్యాన్ని కలిగి ఉంది. గ్రిడ్-ఆధారిత మరియు సాంద్రత-ఆధారిత క్లస్టరింగ్‌తో పోల్చితే, నిజ సమయంలో డేటాను వేరుచేయడాన్ని నియంత్రించడంలో K- అంటే క్లస్టర్ అత్యధిక రేటును కలిగి ఉందని అధ్యయనం యొక్క ఫలితం స్పష్టంగా సూచించింది.