در این مقاله، به بررسی مفهوم یادگیری ماشین و کلان داده‌ها پرداخته شده و به ارائه الگوریتم‌هایی که برای پردازش کلان داده‌ها و به دست آوردن داده‌های قابل استفاده برای یادگیری ماشین مورد استفاده قرار می‌گیرند، پرداخته شده است.
از جمله الگوریتم‌های مورد استفاده در این مقاله می‌توان به شبکه‌های عصبی عمیق، درخت‌های تصمیم و رگرسیون لجستیکی اشاره کرد. همچنین، به بررسی مسائل و چالش‌هایی که در فرآیند یادگیری ماشین برای کلان داده‌ها پیش می‌آید، پرداخته شده است. در نهایت، با استفاده از الگوریتم‌هایی که در این مقاله بررسی شده‌اند، می‌توان به داده‌کاوی، پیش‌بینی تحلیلی، تحلیل رفتار مشتری و بهبود روند تولید و فروش در سازمان ها کمک کرد.
مقاله انگلیسی درباره یادگیری ماشینی
بخشی از ترجمه مقاله انگلیسی
چکیده
با فن آوری های در حال ظهور و تمام دستگاه های مرتبط، پیش بینی می شود که مقدار عظیمی از اطلاعات در چند سال آینده ایجاد خواهد شد – در واقع، ۹۰ درصد از داده های کنونی در چند سال گذشته ایجاد شده است که ادامه این روند برای آینده قابل پیش بینی است . فرایند مطالعات و محاسبات پایدار که در مهندسی کامپیوتر و زیر سیستم های مرتبط کارآمد هستند و حداقل تاثیر را بر روی محیط زیست دارند. با این حال، سیستم های یادگیری ماشینی هوشمند فعلی دارای عملکرد محور می باشند – تمرکز بر دقت پیش بینی / و طبقه بندی، بر اساس خواص شناخته شده از نمونه آموزشی به دست می آید.
به عنوان مثال، مدل ناپارامتریک مبتنی بر یادگیری ماشینی نیاز به هزینه های محاسباتی بالا در جهت پیدا کردن OPTIMA جهانی دارد. با این کار یادگیری در یک مجموعه داده های بزرگ، تعداد گره های پنهان در داخل شبکه به طور قابل توجهی افزایش می یابد، که در نهایت به افزایش نمایی در پیچیدگی محاسباتی منجر می شود.
بنابراین در این مقاله داده مدل سازی نظری و تجربی ، در زمینه های اطلاعات فشرده در مقیاس بزرگ بررسی شده است ، که مربوط به: (۱) بهره وری مدل، از جمله نیازهای محاسباتی در یادگیری، و ساختار اطلاعات فشرده مناطق و طراحی ( ۲) روش های الگوریتمی جدید با حداقل حافظه مورد نیاز و پردازش برای به حداقل رساندن هزینه های محاسباتی، در حالی که حفظ / بهبود پیش بینی / دقت طبقه بندی و ثبات آن مد نظر است.
کلمات کلیدی:
کلان داده، رایانش سبز، یادگیری ماشینی کارامد، مدل سازی رایانشی
فهرست مطالب
چکیده
۱- مقدمه
۲- چالش داده های بزرگ
۱-۲- جغرافیایی، آب و هوا و محیط زیست
۲-۲- بیوگرافی، پزشکی و سلامت
۳-۲- ستاره ها، کهکشان ها و جهان
۳- مدل سازی داده ها پایدار و یادگیری کارآمد
۱-۳- مدل گروهی
۲-۳- مشکل پیچیدگی مدل
۳-۳- استراتژی یادگیری محلی
۴-۳- تقریب نیمه پارامتری
۵-۳- یادگیری عمیقی
۶-۳- محاسبات داده های بزرگ
۴- نتیجه گیری
عنوان فارسی: یادگیری ماشین کارآمد برای کلان داده ها: یک مقاله مروری
عنوان انگلیسی: Efficient Machine Learning for Big Data: A Review
تعداد صفحات مقاله انگلیسی : 7
تعداد صفحات ترجمه فارسی : 19
نشریه : الزویر – Elsevier
فرمت ترجمه مقاله : ورد تایپ شده
نوع مقاله : ISI
نوع نگارش : مقاله مروری (Review Article)
پایگاه : اسکوپوس
رشته های مرتبط با این مقاله: مهندسی فناوری اطلاعات و کامپیوتر
گرایش های مرتبط با این مقاله: مدیریت سیستم های اطلاعات و هوش مصنوعی
مجله: تحقیقات کلان داده – Big Data Research
دانشگاه: دانشگاه خلیفه، ابوظبی، امارات متحده عربی
doi یا شناسه دیجیتال: https://doi.org/10.1016/j.bdr.2015.04.001
ترجمه این مقاله رو می توانید بعد از پرداخت دانلود نمایید