دانلود ترجمه مقاله پلتفرم تحلیل و پردازش کلان داده ها مبتنی بر مدل شبکه عصبی عمیق

1. مقدمه 2. کارهای مرتبط 3. روش 4. آزمایش و تجزیه و تحلیل 5. نتیجه گیری

چکیده – کاربران به طور فزاینده‌ای به سیستم‌های پردازش کلان داده برای استخراج اطلاعات ارزشمند از مجموعه داده‌های عظیم روی می‌آورند، زیرا حوزه کلان داده در حال رشد است. پلتفرم‌های تحلیل داده توسط شرکت‌های تجارت الکترونیک برای بهبود پیشنهادات محصولات و مدل‌سازی فرآیندهای کسب‌وکار استفاده می‌شوند. برای پاسخگویی به نیازهای عملیات و نگهداری در مقیاس بزرگ مراکز داده، شرکت‌های اینترنتی اغلب از Flink برای پردازش داده‌های لاگ استفاده می‌کنند. این مقاله پلتفرم‌های پردازش و تحلیل کلان داده ساخته شده توسط شرکت‌های مالی اینترنتی و بانک‌های بزرگ را به عنوان نمونه در نظر گرفته و یک مدل پیش‌بینی سهام مبتنی بر شبکه عصبی عمیق (DNN) را پیاده‌سازی می‌کند. در این زمینه، این مقاله کارهای زیر را انجام می‌دهد: 1) وضعیت تحقیقاتی پلتفرم‌های پردازش و تحلیل کلان داده در داخل و خارج از کشور معرفی شده است. 2) با استفاده از ایده طراحی مدولار، پلتفرم کلان داده بانک تجاری طراحی شده و عملکردهای هر زیر مدول معرفی شده است. سپس اصل اولیه و ساختار شبکه‌های عصبی کانولوشن (CNN) تشریح می‌شود. 3) پارامترهای بهینه شبکه‌های عصبی کانولوشن از طریق آزمایش انتخاب می‌شوند و سپس مدل آموزش دیده برای آزمایش استفاده می‌شود. می‌توان دید که مدل پیش‌بینی سهام پیشنهادی در این مقاله نسبت به مدل‌های موجود دقت پیش‌بینی بالاتری دارد که اعتبار مدل پیشنهادی را نیز تأیید می‌کند. داده‌ها را وارد کرده و نتایج به دست آمده را با نتایج واقعی مقایسه کنید و در نهایت نشان دهید که مدل در این مقاله عملکرد خوبی در پیش‌بینی سهام دارد.

Users are increasingly turning to big data processing systems to extract valuable information from massive datasets as the field of big data grows. Data analytics platforms are used by e-commerce enterprises to improve product suggestions and model business processes. In order to meet the needs of large-scale data center operation and maintenance management, Internet companies often use Flink to process log data. This paper takes the big data processing and analysis platforms built by Internet financial companies and large banks as examples, and implants a stock prediction model based on Deep Neural Network (DNN). In this context, this paper completes the following work: 1) The research status of big data processing and analysis platforms at home and abroad is introduced. 2) Drawing on the modular design idea, the commercial bank big data platform is designed and the functions of each sub-module are introduced. Then the basic principle and structure of Convolutional Neural Networks (CNN) are expounded. 3) The optimal parameters of Convolutional Neural Networks are selected through experiments, and then the trained model is used for experiments. It can be seen that the stock prediction model proposed in this article has a higher prediction accuracy compared to existing models, which also verifies the validity of the proposed model. Input the data and compare the obtained results with the actual results, and finally show that the model in this paper has a good performance on stock prediction.