دانلود ترجمه مقاله یادگیری ماشین با کلان داده ها

1. مقدمه 2. کارهای مرتبط 3. چالش های یادگیری ماشین ناشی از تعریف کلان داده ها 4. رویکردها 5. بحث و بررسی 6. نتیجه گیری

انقلاب کلان داده ها، نوید تحول نحوه زندگی، کار و تفکر را می دهد که این امر بوسیله بهینه سازی فرآیند، توانمندسازی اکتشاف بینش و بهبود تصمیم گیری، میسر می شود. محقق سازی این پتانسیل بزرگ متکی بر توانایی استخراج ارزش از چنین داده های حجیم و هنگفت از طریق تحلیلگرهای داده ها می باشد؛ یادگیری ماشینی در هسته اصلی آن قرار دارد و این بخاطر توانایی یادگیری آن از داده ها و فراهم کردن بینش ها و اطلاعات، تصمیمات و پیش بینی های مبتنی بر داده ها، می باشد. اما رویکردهای یادگیری ماشینی سنتی در عصر متفاوتی توسعه یافته اند و بنابراین براساس چندین فرض می باشند، مانند اینکه مجموعه داده ها تماماً در حافظه برازش می شوند، چیزی که متاسفانه دیگر در این زمینه جدید، معتبر نیست. این فرضیه های خرد شده ، همراه با مشخصات بیگ دیتا، موانعی برای فنون سنتی بوجود آورده اند. در نتیجه، این مقاله، چالش های یادگیری ماشینی در ارتباط با بیگ دیتا را تفسیر، خلاصه سازی و سازمان دهی می کند. برعکس دیگر پژوهش ها که در مورد چالش ها صحبت می کنند، این مقاله رابطه علت و معلول را با سازمان دهی چالش ها طبق بیگ دیتا در مقایسه با ابعادی که این مسئله را بوجود آورده اند، بررسی می کند، یعنی: حجم، سرعت، تنوع یا صحت. علاوه بر آن، رویکردها و فنون یادگیری ماشینی نوظهور از این نظر به بحث گذاشته شده اند که چگونه قادر به سروکار داشتن با چالش های مختلف با هدف نهایی کمک به متخصصان در انتخاب راهکارهای مناسب برای موارد کاربردی آنها، می باشند. در آخر اینکه، یک ماتریس که چالش ها و رویکردها را به هم مرتبط می سازد، ارائه می گردد. این مقاله، از طریق این فرآیند، یک دیدگاه و چشم انداز در مورد این حیطه ارائه می دهد، شکاف ها و فرصت های پژوهشی را مشخص می سازد و بنیان و ترغیب قوی برای پژوهش های آتی در زمینه یادگیری ماشینی با بیگ دیتا، فراهم می آورد.

The Big Data revolution promises to transform how we live, work, and think by enabling process optimization, empowering insight discovery and improving decision making. The realization of this grand potential relies on the ability to extract value from such massive data through data analytics; machine learning is at its core because of its ability to learn from data and provide data driven insights, decisions, and predictions. However, traditional machine learning approaches were developed in a different era, and thus are based upon multiple assumptions, such as the data set fitting entirely into memory, what unfortunately no longer holds true in this new context. These broken assumptions, together with the Big Data characteristics, are creating obstacles for the traditional techniques. Consequently, this paper compiles, summarizes, and organizes machine learning challenges with Big Data. In contrast to other research that discusses challenges, this work highlights the cause-effect relationship by organizing challenges according to Big Data Vs or dimensions that instigated the issue: volume, velocity, variety, or veracity. Moreover, emerging machine learning approaches and techniques are discussed in terms of how they are capable of handling the various challenges with the ultimate objective of helping practitioners select appropriate solutions for their use cases. Finally, a matrix relating the challenges and approaches is presented. Through this process, this paper provides a perspective on the domain, identifies research gaps and opportunities, and provides a strong foundation and encouragement for further research in the field of machine learning with Big Data.