بررسی یادگیری عمیق در کلان‌داده‌ها (داده های عظیم)

1. چکیده
2. مقدمه
3. مدل‌های رایج یادگیری عمیق
   • کدگذار خودکار پشته‌ای (SAE)
   •  شبکه باور عمیق (DBN)
   • شبکه عصبی کانولوشنی (CNN)
   • . شبکه عصبی بازگشتی (RNN)
4. مدل‌های یادگیری عمیق برای یادگیری ویژگی کلان‌داده‌ها
   • مدل‌های یادگیری عمیق برای مقدار عظیمی از داده‌ها
   • مدل‌های یادگیری عمیق برای داده‌های ناهمگن
   • مدل‌های یادگیری عمیق برای داده‌های بی‌درنگ
   • مدل‌های یادگیری عمیق برای داده‌های با کیفیت پایین
5. خلاصه و چشم‌اندازها

 چکیده

یادگیری عمیق در حال حاضر به عنوان یکی از مهمترین الگوریتم‌های یادگیری ماشین، در بسیاری از کاربردها از قبیل تحلیل تصویر، تشخیص گفتار، و درک متن به موفقیت‌های بزرگی دست یافته است. یادگیری عمیق از استراتژی‌های نظارت شده و بدون نظارت برای یادگیری نمایش‌‌ها و ویژگی‌های چند-سطحی در معماری‌های سلسله‌مراتبی برای وظایف دسته‌بندی و تشخیص الگو استفاده می‌کند. پیشرفت‌های اخیر در شبکه‌های حسگر و فناوری‌های ارتباطی جمع‌آوری کلان‌داده‌ها را ممکن ساخته است.

اگر چه کلان‌داده‌ها فرصت‌های بزرگی را برای طیف وسیعی از حوزه‌ها از جمله تجارت الکترونیک، کنترل صنعتی، و پزشکی هوشمند فراهم نموده است، با این حال کلان‌داده‌ها به علت مشخصات خاص خود از قبیل حجم عظیم، تنوع زیاد، سرعت بالا، صحت زیاد، در زمینه‌ی داده‌کاوی و پردازش اطلاعات با مسائل چالش‌برانگیزی روبرو است. در طول سالیان گذشته، یادگیری عمیق نقش مهمی را در راه‌حل‌های تحلیل کلان‌داده‌ها ایفا نموده است. ما در این مقاله به بررسی تحقیقات نوظهور در مورد مدل‌های یادگیری عمیق برای یادگیری ویژگی‌های کلان‌داده‌ها می‌پردازیم. علاوه بر این، ما به چالش‌های باقیمانده در یادگیری عمیق کلان‌داده‌ها اشاره نموده و در مورد مباحث آینده بحث می‌کنیم. یادگیری عمیق در کلان داده

کلمات کلیدی: یادگیری عمیق؛ کلان‌داده‌ها؛ کدگذارهای خودکار پشته‌ای؛ شبکه‌های باور عمیق؛ شبکه‌های عصبی کانولوشنی؛ شبکه‌های عصبی بازگشتی.