Los sistemas distribuidos a gran escala tienen las ventajas de altas velocidades de procesamiento y grandes anchos de banda de comunicación en la red. El procesamiento de enormes datos del mundo real dentro de un límite de tiempo se vuelve complicado, debido a la complejidad de la programación de tareas paralelas de datos en un entorno con restricciones de tiempo. Este documento propone la programación de tareas paralelas de datos en la nube para abordar la minimización de costos y restricciones de tiempo. Al ejecutar ejecuciones concurrentes de tareas en recursos en la nube de varios núcleos, el número de ejecuciones paralelas podría aumentar correspondientemente, por lo tanto, es posible completar la tarea dentro del plazo. Se desarrolla un modelo matemático aquí para minimizar el costo operativo de tareas paralelas de datos asignando de manera factible una carga a cada máquina virtual en el centro de datos en la nube. Este trabajo experimenta con un modelo de aprendizaje automático que se replica en los recursos heterogéneos en la nube de varios núcleos para ejecutar diferentes datos de entrada de manera concurrente y lograr un aprendizaje distribuido. El resultado de la ejecución concurrente de tareas intensivas en datos en diferentes partes del conjunto de datos de entrada brinda mejores soluciones en términos de procesamiento de la tarea antes de la fecha límite a un costo optimizado.