دانلود ترجمه مقاله یادگیری ماشین برای تحلیل داده های اینترنت اشیا

1. مقدمه 2. مروری بر مقالات 3. اینترنت اشیا 4. شهر هوشمند 5. طبقه بندی الگوریتم های یادگیری ماشین 6. بحث و بررسی در زمینه طبقه بندی الگوریتم های یادگیری ماشین 7. روندهای تحقیقاتی و موضوعات باز 8. نتیجه گیری

توسعه سریع فنآوریهای سخت افزاری، نرم افزاری و ارتباطاتی، پیدایش دستگاه های حسگر متصل به اینترنت که مشاهدات و اندازه گیری های داده ای از محیط فیزیکی را فراهم می کنند، را تسهیل کرده اند. در سال 2020، تخمین زده می شود که تعداد کل ادوات متصل به اینترنت مورد استفاده بین 25 و 50 میلیارد خواهد بود. از آنجایی که این اعداد رشد می کنند و فنآوری ها غنی تر و کامل تر می شوند، حجم داده های منتشر شده نیز افزایش خواهد یافت. فنآوری ادوات متصل به اینترنت، که به آن اینترنت اشیاء (IoT) گفته می شود همچنان اینترنت فعلی را با فراهم کردن ارتباطات و تعاملات بین جهان های فیزیکی و مجازی، گسترده می کنند. علاوه بر افزایش حجم، IoT، کلان داده ها را تولید می کند که خصوصیت آن سرعت از نظر زمانی و وابستگی مکانی است ، همراه با تعداد زیادی مودالیته و کیفیت های داده متنوع. پردازش و تحلیل هوشمند این کلان داده ها، راهکاری کلیدی برای توسعه کاربردهای IoT هوشمند است. این مقاله، روش های یادگیری ماشینی مختلفی را ارزیابی می کند که با چالش های بوجود آمده بوسیله داده های IoT، با ملاحظه شهرهای هوشمند به عنوان مورد استفاده اصلی، سروکار دارد. مشارکت کلیدی این مقاله در ادبیات مربوطه، ارائه یک رده از الگوریتم های یادگیری ماشینی است که توضیح می دهد چگونه فنون مختلف برای داده ها بکار گرفته می شوند تا اطلاعات سطح بالاتر استخراج شوند. پتانسیل و چالش های یادگیری ماشینی برای تحلیل داده های IoT نیز به بحث گذاشته می شوند. یکی از موارد استفاده، کاربرد «ماشین بردار پشتیبانی» (SVM) برای داده های ترافیکی شهر هوشمند آریوس (Aarhus) است که برای توضیح تفصیلی ارائه می شود. مقدمه: فنآوریهای نوظهور در سالهای اخیر و پیشرفت های عمده در پروتکل های اینترنت و سیستم های محاسباتی، ارتباطات بین دستگاه های مختلف را آسانتر از گذشته کرده اند. طبق پیش بینی های مختلف، حدود 25 تا 50 میلیارد قطعه انتظار می رود در سال 2020 به اینترنت وصل شوند. این باعث بوجود آمدن مفهوم به تازگی ابداع شده «اینترنت اشیاء» (IoT) شده است. IoT ترکیبی از فنآوریهای تعبیه شده شامل ارتباطات سیمی و بی سیم، ادوات حسگر و فعال ساز و اشیاء فیزیکی متصل شده به اینترنت می باشند [1، 2]. یکی از اهداف ماندگار رایانش، ساده سازی و غنی سازی فعالیت ها و تجربیات می باشد (برای مثال، مشاهده چشم اندازهای مرتبط با «کامپیوتر برای قرن 21» [3] یا «رایانش (محاسبات) برای تجربه انسانی» [4] می باشد). IoT نیاز به داده هایی برای ارائه خدمات بهتر برای کاربران یا بهبود عملکرد چارچوب IoT برای رسیدن به این هدف به نحو هوشمند دارد. به این صورت، سیستم ها باید قادر به دسترسی به داده های خام از منابع مختلف برروی شبکه و تحلیل این اطلاعات برای استخراج دانش دارد.

Rapid developments in hardware, software, and communication technologies have facilitated the emergence of Internet-connected sensory devices that provide observations and data measurements from the physical world. By 2020, it is estimated that the total number of Internet-connected devices being used will be between 25 and 50 billion. As these numbers grow and technologies become more mature, the volume of data being published will increase. The technology of Internet-connected devices, referred to as Internet of Things (IoT), continues to extend the current Internet by providing connectivity and interactions between the physical and cyber worlds. In addition to an increased volume, the IoT generates big data characterized by its velocity in terms of time and location dependency, with a variety of multiple modalities and varying data quality. Intelligent processing and analysis of this big data are the key to developing smart IoT applications. This article assesses the various machine learning methods that deal with the challenges presented by IoT data by considering smart cities as the main use case. The key contribution of this study is the presentation of a taxonomy of machine learning algorithms explaining how different techniques are applied to the data in order to extract higher level information. The potential and challenges of machine learning for IoT data analytics will also be discussed. A use case of applying a Support Vector Machine (SVM) to Aarhus smart city traffic data is presented for a more detailed exploration. Introduction: Emerging technologies in recent years and major enhancements to Internet protocols and computing systems, have made communication between different devices easier than ever before. According to various forecasts, around 25–50 billion devices are expected to be connected to the Internet by 2020. This has given rise to the newly developed concept of Internet of Things (IoT). IoT is a combination of embedded technologies including wired and wireless communications, sensor and actuator devices, and the physical objects connected to the Internet [1], [2]. One of the long-standing objectives of computing is to simplify and enrich human activities and experiences (e.g., see the visions associated with “The Computer for the 21st Century” [3] or “Computing for Human Experience” [4]). IoT requires data to either represent better services to users or enhance the IoT framework performance to accomplish this intelligently. In this manner, systems should be able to access raw data from different resources over the network and analyze this information in order to extract knowledge.