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

تاریخ انتشار
15 جولای 2020
دسته بندی
تعداد بازدیدها
1576 بازدید
25,500 تومان

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).

ادامه مطلب

راهنمای خرید:
  • 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.

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.

دیدگاهتان را بنویسید