عنوان فارسی مقاله:راهبردها و اصول یادگیری ماشین توزیعی بر روی کلان دادهها
چکیده
ظهور کلان دادهها منجر به تقاضاهای جدیدی برای سیستمهای یادگیری ماشینی برای یادگیری از مدلهای پیچیده با میلیونها تا میلیاردها پارامتر شده است که ظرفیت کافی را برای در برگیری مجموعه دادههای عظیم دارند و روشهای تحلیلی پیش بینی قوی را ارائه میکنند (نظیر ویژگیهای پنهان بعد بالا، مدل سازی های متوسط و کارکردهای تصمیم). به منظور اجرای الگوریتمهای ML در این مقیاسها، بر روی یک خوشه توزیعی با ده ها تا هزاران ماشین، اغلب گفته میشود که تلاشهای مهندسی قابل توجهی نیاز است و میتوان این سؤال را پرسید که آیا این چنین مهندسیای واقعاً در حوزه تحقیقات ML قرار میگیرد یا خیر. با توجه به این که سیستمهای بزرگ ML به شدت از اطلاعات الگوریتمی و آماری ML ذی نفع میشوند و این که محققان ML بایستی از این سیستمها بهره بگیرند، ما در مورد یک سری اصول و راهبردهای بر گرفته از تلاشهای اخیر خود بر روی راه حلهای ML مقیاس صنعتی صحبت میکنیم. این اصول و راهبردها در یک طیف از کاربرد، مهندسی تا تحقیقات نظری و توسعه سیستمهای معماری و ML بزرگ متغیر بوده و هدف آنها درک شیوه کارامد سازی، قابل کاربرد سازی و پشتیبانی با ضمانتهای هم گرایی و مقیاس بندی میباشد. آنها با چهار سؤال کلیدی همراه هستند که توجه کمی را در تحقیقات ML به خود معطوف کردهاند: ۱- چگونه میتوان برنامه ML را در یک خوشه توزیع کرد؟ چگونه محاسبه ML را میتوان با ارتباط درون ماشینی متصل کرد؟ چگونه این ارتباطات را میتوان انجام داد؟ چه چیزی بین ماشینها رد و بدل میشود؟ با انتخاب ویژگیهای الگوریتمی و آماری منحصر به فرد برای برنامههای ML و با تجزیه موارد موفق برای نشان دادن شیوه کنترل این اصول برای طراحی و توسعه نرم افزار توزیعی با عملکرد بالا و نیز چارچوب ML، ما فرصتهای موجود برای محققان ML و متخصصان را برای شکل دهی و توسعه زمینههای بین ML و سیستمها، شفاف سازی میکنیم(اصول یادگیری ماشین توزیعی).
- لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
- همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
- ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.