light box
امتیاز 2.65 یادگیری ماشین کارآمد برای کلان داده‌ها: یک مقاله مروری">

نوع فایل : word
تعداد صفحات : 24
تعداد کلمات : 6900
مجله : Big Data Research
انتشار : 2015
ترجمه ی متون جدول : ترجمه شده است
درج جداول در فایل ترجمه : درج شده است
منابع داخل متن : به صورت فارسی درج شده است
کیفیت ترجمه : طلایی
فونت ترجمه : ب نازنین 12
دسته بندی :
برچسب ها : ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ،

عنوان فارسی مقاله:یادگیری ماشین کارآمد برای کلان داده‌ها: یک مقاله مروری

  چکیده

با فنآوری های در حال ظهور و تمام دستگاه‌های مرتبط، پیش بینی می‌شود که مقدار عظیمی از اطلاعات در چند سال آینده ایجاد خواهد شد – در واقع، ۹۰ درصد از داده‌های 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 سیستم‌های مرتبط کارآمد هستند و حداقل تأثیر را بر روی محیط زیست دارند. با این حال، سیستم‌های یادگیری ماشینی هوشمند فعلی دارای عملکرد محور می‌باشند – تمرکز بر دقت پیش بینی / و طبقه بندی، بر اساس خواص شناخته شده از نمونه آموزشی به دست می‌آید. به عنوان مثال، مدل ناپارامتریک مبتنی بر یادگیری ماشینی نیاز به هزینه‌های محاسباتی بالا در جهت پیدا کردن OPTIMA جهانی دارد. با این کار یادگیری در یک مجموعه داده‌های بزرگ، تعداد گره‌های پنهان در داخل شبکه به طور قابل توجهی افزایش می‌یابد، که در نهایت به افزایش نمایی در پیچیدگی محاسباتی منجر می‌شود. بنابراین در این مقاله داده مدل سازی نظری و تجربی، در زمینه‌های 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) روش‌های الگوریتمی جدید با حداقل حافظه مورد نیاز و پردازش برای به حداقل رساندن هزینه‌های محاسباتی، در حالی که حفظ / بهبود پیش بینی / دقت طبقه بندی و ثبات آن مد نظر است(یادگیری ماشین کارآمد برای کلان داده‌ها).

Title: Efficient Machine Learning for Big Data: A Review

 

Abstract

With the emerging technologies and all associated devices, it is predicted that massive amount of data will be created in the next few years – in fact, as much as 90% of current data were created in the last couple of years – a trend that will continue for the foreseeable future. Sustainable computing studies the process by which computer engineer/scientist designs computers and associated subsystems efficiently and effectively with minimal impact on the environment. However, current intelligent machine-learning systems are performance driven – the focus is on the predictive/classification accuracy, based on known properties learned from the training samples. For instance, most machine-learning-based nonparametric models are known to require high computational cost in order to find the global optima. With the learning task in a large dataset, the number of hidden nodes within the network will therefore increase significantly, which eventually leads to an exponential rise in computational complexity. This paper thus reviews the theoretical and experimental data-modeling literature, in large-scale data-intensive fields, relating to: (1) model efficiency, including computational requirements in learning, and data-intensive areas' structure and design, and introduces (2) new algorithmic approaches with the least memory requirements and processing to minimize computational cost, while maintaining/improving its predictive/classification accuracy and stability.

ثبت دیدگاه

    • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
    • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
    • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.

برای ارسال دیدگاه شما باید وارد سایت شوید.

محصولات مشابه
قیمت‌های مسکن و ریسک اعتبار: شواهدی از ایالات متحده
خـریـد محـصـول
نقش یادگیری مشارکتی در بهبود مهارت‌های ارتباطات کلامی دانشجویان یادگیرنده EFL
خـریـد محـصـول
شکستن مقاومت میزبان توسط نیای تکاملی مستقل ویروس رگبرگ زرد نکروتیک چغندر قند
خـریـد محـصـول
واکنش پروسکایت ها به عنوان مبدل‌های خودرو
خـریـد محـصـول
ویژگی‌های انتقال منفذی و انتشار مؤثر مونولیت سرامیکی برای مبدل کاتالیزوری خودرو
خـریـد محـصـول
مبدل ترافیکی و کاتالیستی- آلایندگی اتمسفری مربوطه در منطقه شهری ریو دوژانیرو
خـریـد محـصـول
مکانیسم بازیابی فلزات گروه پلاتینوم از مبدل‌های کاتالیستی در سیستم‌های استفاده شده در اگزوز
خـریـد محـصـول
مطالعه تفضیلی اکسایش کاتالییستی HCHO و co در کاتالیزور Mn0.75Co2.25O4
خـریـد محـصـول
رفتار سه سویه فازهای ترکیبی و جداگانه پلاتینوم، پالادیوم و رادیوم در ترکیب گازی کامل
خـریـد محـصـول
مطالعه در مقیاس بنچ گاز مصنوعی یک مبدل کاتالیزوری ۴ راهی: اکسایش کاتالیزوری
خـریـد محـصـول
ثبت اختراع یا انتشار مقاله

ثبت اختراع یا انتشار مقاله کدام اول باید انجام شود؟ پژوهشگران منابع مالی و غیر مالی بسیاری را صرف انجام تحقیقات و پژوهش ها میکنند و امکان دارد تعدادی از آنها تبدیل به دستاوردها و فناوری های نو گردد. محققان این نتایج را به سرعت در مقالات علمی ملی و بین المللی منتشر و به آن افتخار میکنند. اما باید مد نظر داشت، چنانچه دستاورد پژوهشی امکان تبدیل شدن به یک محصول یا فرآیند قابل استفاده و تولید در صنعت را داشته باشد، هر گونه انتشار عمومی از جمله مقاله باعث از دست رفتن شرط جدید بودن و در نتیجه عدم امکان ثبت فناوری به عنوان اختراع خواهد شد.

در نتیجه محققان و پژوهشگران باید پیش از هرگونه افشاء عمومی آن دسته از نتایج تحقیقاتی که شرایط ثبت اختراع را دارا می باشد به صورت اظهارنامه اختراع در اداره مربوطه ثبت و سپس نسبت به انتشار آنها اقدام کنند. امکان دارد مراحل ثبت اختراع چندین ماه به طول بیانجامد که انتشار مقاله (و مانند آن) پس از تاریخ ثبت اظهارنامه اختراع مشکلی را در فرآیند ثبت اختراع بوجود نمی آورد.

از آنجا که برخی دستاورد ها مانند روشهای تشخیص بیماری و نوآوری های مدیریتی قابلیت ثبت اختراع بین المللی و ملی را ندارند، محققان بدون نگرانی میتوانند انتشار در مقالات داخلی و خارجی را به عنوان اولین گزینه جهت کسب افتخار دست یابی به این قبیل پژوهشها انتخاب کنند.

برو بالا