یادگیری ماشین برای پردازش کلان داده
چکیده
تردیدی نداریم که کلان داده ها سریعا در حال گسترش و افزایش در همه رشته ها و حیطه های علوم و مهندسی می باشند. در حالی که ظرفیت و پتانسیل این داده های حجیم و هنگفت بی تردید انکار ناپذیر است، اما پیدا کردن کامل معنا از آنها نیاز به طرز فکر های جدید و قانون یادگیری نوین برای پرداختن به انواع چالش ها دارد. در این مقاله، مرور ادبی در مورد آخرین پیشرفتهای پژوهشی در مورد یادگیری ماشینی برای پردازش کلان داده ها ارایه میدهیم. یادگیری ماشین برای پردازش کلان داده
ابتدا، قانون یادگیری ماشینی را مرور میکنیم و تعدادی از روشهای یادگیری نوید بخش را در مطالعات اخیر خاطر نشان میکنیم، مانند یادگیری نمایشی، یادگیری عمیق، یادگیری توزیع شده و موازی، یادگیری انتقالی، یادگیری فعال و یادگیری مبنی بر کرنل. سپس، بر تحلیل و بحث در مورد چالش ها و راهکارهای ممکن تاکید می کنیم. پس از آن، ارتباطات تنگاتنگ بین یادگیری ماشینی با فنون پردازش سیگنال برای پردازش کلان داده ها را بررسی می کنیم. در انتها، مسائل چندین مسئله حل نشده و گرایش های پژوهشی را مطرح می کنیم.
فهرست مطالب مقاله یادگیری ماشین برای پردازش کلان داده
- مرور
- مقدمه
- مرور مختصر فنون یادگیری ماشینی
- تعریف و دسته بندی یادگیری ماشینی
- روش های یادگیری پیشرفته ۱٫۳٫ مسائل اساسی یادگیری ماشینی برای کلان داده ها
- یک مسئله اساسی: یادگیری برای مقیاس بزرگ داده ها
- دو مسئله اساسی و بحرانی: یادگیری برای انواع مختلف داده ها
- سه مسئله اساسی: یادگیری برای داده های جریانی سرعت بالا
- چهار مسئله اساسی: یادگیری برای داده های غیرقطعی و ناکامل
- پنج مسئله اساسی: یادگیری برای داده های دارای تراکم مقدار کم و تنوع معنا
- بحث و بررسی
- اتصال یادگیری ماشینی به فنآوریهای SP برای کلان داده ها
- نمایی کلی از کار نماینده یا نمونه
- جدیدترین پیشرفت های پژوهشی
- گرایش های پژوهشی و مسائل همچنان باز
- نتیجه گیری
نتیجه گیری
امروزه، کلان داده ها سریعاً در همه حیطه های علمی و مهندسی رو به رشد هستند. انتظار می رود یادگیری از این داده های حجیم، فرصت ها و پتانسیل تبدیلی قابل توجهی برای بخش های مختلف به ارمغان بیاورد. اما، اکثر فنون یادگیری ماشینی سنتی ذاتاً کارامد یا مقیاس پذیر نیستند تا بتوانند داده ها را با مشخصه های حجم زیاد، انواع مختلف، سرعت زیاد، عدم قطعیت و ناکامل بودن و تراکم مقدار کم، مدیریت کنند. در پاسخ به این مسائل، یادگیری ماشینی نیاز به اختراع مجدد خود برای پردازش کلان داده ها دارد. این مقاله، با یک مرور مختصر در مورد الگوریتم های یادگیری ماشینی متداول شروع کرد، پس از آن چندین روش یادگیری یشرفته فعلی ارائه داد. سپس، بحث در مورد چالش های یادگیری با کلان داده ها و راهکارهای احتمالی متناظر در پژوهش های اخیر، ارائه شد. علاوه بر آن، اتصال یادگیری ماشینی به فنون پردازش سیگنال مدرن از طریق چندین مقاله پژوهشی نماینده جدید، تحلیل شد. برای برانگیختن توجه بیشتر برای مخاطبان این مقاله، در آخر، مسائل حل نشده و گرایش های پژوهشی ارائه شدند.
بخشی از مقاله انگلیسی
There is no doubt that big data are now rapidly expanding in all science and engineering domains. While the potential of these massive data is undoubtedly significant, fully making sense of them requires new ways of thinking and novel learning techniques to address the various challenges. In this paper, we present a literature survey of the latest advances in researches on machine learning for big data processing. First, we review the machine learning techniques and highlight some promising learning methods in recent studies, such as representation learning, deep learning, distributed and parallel learning, transfer learning, active learning, and kernel-based learning. Next, we focus on the analysis and discussions about the challenges and possible solutions of machine learning for big data. Following that, we investigate the close connections of machine learning with signal processing techniques for big data processing. Finally, we outline several open issues and research trends. Introduction: It is obvious that we are living in a data deluge era, evidenced by the phenomenon that enormous amount of data have been being continually generated at unprecedented and ever increasing scales. Large-scale data sets are collected and studied in numerous domains, from engineering sciences to social networks, commerce, biomolecular research, and security [1]. Particularly, digital data, generated from a variety of digital devices, are growing at astonishing rates. According to [2], in 2011, digital information has grown nine times in volume in just 5 years and its amount in the world will reach 35 trillion gigabytes by 2020 [3].
مشاهده جدیدترین مقالات ترجمه شده در مورد بلاک چین
نقد و بررسیها
هنوز بررسیای ثبت نشده است.