CLUSTER DE ALTO RENDIMIENTO EN PYTHON CON GOOGLE COLAB
Keywords:
CLUSTER, ALTO RENDIMIENTO, PYTHON, GOOGLE COLABSynopsis
Los clústeres han aparecido como una herramienta computacional de alto rendimiento para la solución de problemas complejos en ciencias e ingeniería. En ese sentido, en el siguiente trabajo de grado presentamos resultados de la implementación de un clúster de alto rendimiento usando las potencialidades de Python en la computación de alto rendimiento. El procedimiento consiste en dividir el procesamiento en distintos equipos de cómputo conectados a través de una red, donde el rendimiento del proceso es proporcional a la cantidad de equipos que podamos agregar a la red. Se muestran los resultados de la evaluación del desempeño de la plataforma computacional, a partir de medidas de rendimiento como: eficiencia, escalabilidad y ganancia del sistema. De estos resultados de la configuración pudimos caracterizar y optimizar los tiempos de duración del procesamiento de datos y/o información.
Estos resultados fueron obtenidos aplicados a un problema en particular de segmentación de imágenes, sin embargo puede ser aplicado a otros tipos de problemas de las ingenierías y las ciencias naturales que requieran gran capacidad de procesamiento, tiempos accesibles y bajo costo.
Downloads
Download data is not yet available.
References
Castillo Requiz, B. J., Tarazona Silva, J. D., Tarazona Silva, C. E., Hurtado Enriquez, C., & Cornelio Orbegoso, F. A. (2023). Automatización del análisis exploratorio de datos y procesamiento geoquímico univariado empleando Python. Revista Del Instituto de Investigación de La Facultad de Minas, Metalurgia y Ciencias Geográficas, 26(51), e24493. https://doi.org/10.15381/iigeo.v26i51.24493
Esquivel, W. C., & Sevilla, G. L. (2021). Paralelismos entre bases de datos relacionales y no relacionales (un enfoque en seguridad). Recibe, Revista Electrónica De Computación, Informática, Biomédica Y Electrónica, 10(2), C1-1-C1-16. https://doi.org/10.32870/recibe.v10i2.189
Giovanna, A., Crespo Cabillo, I., & Marino, G. (2019). Representation by drawing against simulation by BIM systems. opportunity or threat for architecture. Architecture, City and Environment, 14(40), 111–132. https://doi.org/10.5821/ace.14.40.6689
Kennedy, R. E., Yang, Z., Gorelick, N., Braaten, J., Cavalcante, L., Cohen, W. B., & Healey, S. (2018). Implementation of the LandTrendr algorithm on Google Earth Engine. Remote Sensing, 10(5), 2019–2021. https://doi.org/10.3390/rs10050691
Marques, G., Agarwal, D., & de la Torre Díez, I. (2020). Automated medical diagnosis of COVID-19 through EfficientNet convolutional neural network. Applied Soft Computing Journal, 96, 106691. https://doi.org/10.1016/j.asoc.2020.106691
Schönwandt, W. (2023). Solving Complex Problems. Solving Complex Problems, 01(09), 481–484. https://doi.org/10.1515/9783868599114
Trejos Buritica, O. I., & Muñoz Guerrero, L. E. (2020). Aprendizaje de la programación con estrategia “divide and conquer” vs. Sin estrategia “divide and conquer.” Entre Ciencia e Ingeniería, 14(28), 34–39. https://doi.org/10.31908/19098367.2013
Ullah, M. A., Alam, M. M., Shan-A-Alahi, A., Rahman, M. M., Masum, A. K. M., & Akter, N. (2019). Impact of ICT on students’ Academic performance: Applying association rule mining and Structured Equation modeling. International Journal of Advanced Computer Science and Applications, 10(8), 387–393. https://doi.org/10.14569/ijacsa.2019.0100852
Published
January 2, 2024
Categories
Copyright (c) 2024 MSc. Teresa Mirian Santamaría López, MSc. Imelda Edilma Troya Morejón, MSc. Mirey Magdalena Cruz Ordóñez, MSc. Denisse Maricela Salcedo Aparicio
License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
