دانلود ترجمه مقاله کاربرد یادگیری ماشین برای پردازش کلان داده ها

1. مرور 1.1. مقدمه 1.2. مرور مختصر فنون یادگیری ماشینی 1.2.1. تعریف و دسته بندی یادگیری ماشینی 1.2.2. روش های یادگیری پیشرفته 1.3. مسائل اساسی یادگیری ماشینی برای کلان داده ها 1.3.1. یک مسئله اساسی: یادگیری برای مقیاس بزرگ داده ها 1.3.2. دو مسئله اساسی و بحرانی: یادگیری برای انواع مختلف داده ها 1.3.3. سه مسئله اساسی: یادگیری برای داده های جریانی سرعت بالا 1.3.4. چهار مسئله اساسی: یادگیری برای داده های غیرقطعی و ناکامل 1.3.5. پنج مسئله اساسی: یادگیری برای داده های دارای تراکم مقدار کم و تنوع معنا 1.3.6. بحث و بررسی 1.4. اتصال یادگیری ماشینی به فنآوریهای SP برای کلان داده ها 1.4.1. نمایی کلی از کار نماینده یا نمونه 1.4.2. جدیدترین پیشرفت های پژوهشی 1.5. گرایش های پژوهشی و مسائل همچنان باز 2. نتیجه گیری

چکیده – تردیدی نداریم که کلان داده ها سریعا در حال گسترش و افزایش در همه رشته ها و حیطه های علوم و مهندسی می باشند. در حالی که ظرفیت و پتانسیل این داده های حجیم و هنگفت بی تردید انکار ناپذیر است، اما پیدا کردن کامل معنا از آنها نیاز به طرز فکر های جدید و قانون یادگیری نوین برای پرداختن به انواع چالش ها دارد. در این مقاله، مرور ادبی در مورد آخرین پیشرفتهای پژوهشی در مورد یادگیری ماشینی برای پردازش کلان داده ها ارایه میدهیم. ابتدا، قانون یادگیری ماشینی را مرور می‌کنیم و تعدادی از روشهای یادگیری نوید بخش را در مطالعات اخیر خاطر نشان می‌کنیم، مانند یادگیری نمایشی، یادگیری عمیق، یادگیری توزیع شده و موازی، یادگیری انتقالی، یادگیری فعال و یادگیری مبنی بر کرنل. سپس، بر تحلیل و بحث در مورد چالش ها و راهکارهای ممکن تاکید می کنیم. پس از آن، ارتباطات تنگاتنگ بین یادگیری ماشینی با فنون پردازش سیگنال برای پردازش کلان داده ها را بررسی می کنیم. در انتها، مسائل چندین مسئله حل نشده و گرایش های پژوهشی را مطرح می کنیم. مقدمه: پرواضح است که ما در یک عصر رشد داده ها زندگی می کنیم که گواهی آن پدیده است به نام حجم هنگفت داده ها که پیوسته در مقیاس های پیش بینی نشده و همیشه در حال افزایش تولید می شوند. مجموعه داده های مقیاس بزرگ، در حیطه های متعدد از علوم مهندسی تا شبکه های اجتماعی، تجاری، پژوهش های بیو مولکولی و امنیت، تولید می شوند [1]. بخصوص، داده های دیجیتال، تولید شده از یک سری دستگاه های دیجیتال در نرخ خیره کننده ای در حال رشد هستند. طبق [2]، در سال 2011، اطلاعات دیجیتال از نظر حجم در فقط 5 سال ،9 برابر رشد کرده اند و حجم آنها در سراسر جهان در سال 2020 به 35 تیریلیون گیگابایت خواهد رسید [3]. بنابراین، اصطلاح «بیگ دیتا» (کلان داده ها) برای اطلاق معنای عمیق این گرایش انفجاری داده ها، ابداع شد. برای تشریح اینکه بیگ دیتا به چه چیزی اشاره دارد، چندین بررسی خوب در حال حاضر اخیراً ارائه شده و هرکدام کلان داده ها را از جنبه های مختلف، شامل چالش ها و فرصت ها [4]، پیشینه و وضعیت پژوهشی [5] و بسترهای تحلیلی [6]، بررسی کرده است. از جمله این بررسی ها، یک بررسی جامع از کلان داده ها از سه مقیاس مختلف، یعنی نوآوری، رقابت و بهره وری توسط انستیتو مک کینسی گلوبال (MGI) ارائه شده است [7]. علاوه بر توصیف فنون و فنآوری های اساسی کلان داده ها، تعدادی مطالعه جدیدتر تحت زمینه ای خاص، کلان داده ها را مورد بررسی قرار داده اند. برای مثال [8، 9]، یک مرور مختصر در مورد ویژگی های کلان داده ها از انیتنرنت اشیاء (IoT)، ارائه کرده اند. تعدادی نویسنده همچنین مشخصات جدید کلان داده ها در شبکه های بیسیم ، برای مثال از نظر 5G را تحلیل کرده اند [10]. در [11، 12]، نویسندگان مدل ها و الگوریتم های پردازش کلان داده ها مختلفی را از جنبه داده کاوی پیشهاد کرده اند.

There is no doubt that big data are now rapidly expanding in all science and engineering domains. While the potential of these massive data is undoubtedly significant, fully making sense of them requires new ways of thinking and novel learning techniques to address the various challenges. In this paper, we present a literature survey of the latest advances in researches on machine learning for big data processing. First, we review the machine learning techniques and highlight some promising learning methods in recent studies, such as representation learning, deep learning, distributed and parallel learning, transfer learning, active learning, and kernel-based learning. Next, we focus on the analysis and discussions about the challenges and possible solutions of machine learning for big data. Following that, we investigate the close connections of machine learning with signal processing techniques for big data processing. Finally, we outline several open issues and research trends. Introduction: It is obvious that we are living in a data deluge era, evidenced by the phenomenon that enormous amount of data have been being continually generated at unprecedented and ever increasing scales. Large-scale data sets are collected and studied in numerous domains, from engineering sciences to social networks, commerce, biomolecular research, and security [1]. Particularly, digital data, generated from a variety of digital devices, are growing at astonishing rates. According to [2], in 2011, digital information has grown nine times in volume in just 5 years and its amount in the world will reach 35 trillion gigabytes by 2020 [3]. Therefore, the term “Big Data” was coined to capture the profound meaning of this data explosion trend. To clarify what the big data refers to, several good surveys have been presented recently and each of them views the big data from different perspectives, including challenges and opportunities [4], background and research status [5], and analytics platforms [6]. Among these surveys, a comprehensive overview of the big data from three different angles, i.e., innovation, competition, and productivity, was presented by the McKinsey Global Institute (MGI) [7]. Besides describing the fundamental techniques and technologies of big data, a number of more recent studies have investigated big data under particular context. For example, [8, 9] gave a brief review of the features of big data from Internet of Things (IoT). Some authors also analyzed the new characteristics of big data in wireless networks, e.g., in terms of 5G [10]. In [11, 12], the authors proposed various big data processing models and algorithms from the data mining perspective.

بخشی از ترجمه مقاله (صفحه 28 فایل ورد ترجمه)