دانلود ترجمه مقاله یادگیری ماشین منبع باز برای اینترنت اشیای صنعتی

1. مقدمه 2. پیشینه و انگیزه تحقیق 3. چارچوب های یادگیری ماشین منبع باز و فرآیندهای پیاده سازی 4. نتایج و بحث و بررسی 5. نتیجه گیری

چکیده – فناوری اطلاعات و ارتباطات منجر به متحول سازی عملیات و تولیدات صنعتی شده است. صنایع فارغ از اندازه شان ، چه کوچک و چه بزرگ، ضرورت استفاده از تکنیک های هوش مصنوعی و یادگیری ماشین برای حجم عظیم و ترابایتی از داده های تولید شده توسط حسگرها، عملگرها، سیستم های مدیریت صنعتی و سیستم های تحت وب را درک نموده اند. ویژگی ذاتی این داده ها حجم زیاد (ترابایت)، و تنوع (تصویر، صوت، ویدئو، گرافیک) است.فلذا به مدل ها و تکنیک های اختصاصی برای تحلیل و مدیریت شرایط نیاز خواهد بود. پیشرفت های حاصله در حوزه های سخت افزارهای رایانه ای، قدرت پردازش، ظرفیت ذخیره سازی، رایانش ابری، منجر به استفاده و پیاده سازی آزمایشی مدل های یادگیری ماشین، در حوزه های صنعتی شده است. این سیستم ها امکان بهینه سازی منابع، مدیریت عملیات و کنترل کیفیت را فراهم می سازند. البته تحلیل گران داده های صنعتی ، با معمای انتخاب چهارچوب های یادگیری ماشین مقرون به صرفه و با کاربری آسان روبرو هستند. این چهارچوب ها باید با نیازها و انتظارات آن ها سازگاری داشته باشند. در این مطالعه، چهارچوب های یادگیری ماشین متن باز، سازگار شده با حوزه های صنعتی (پردازش داده های تولیدی در اینترنت اشیای صنعتی) مورد بررسی قرار می گیرند. ویژگی های مختلف آن ها از نظر کاربرد، زبان برنامه نویسی، پیاده سازی و دورنمای آتی مورد تجزیه و تحلیل قرار خواهند گرفت.

Information and communication technology has revolutionized the industrial operations and productions. The industries irrespective of size, whether small or large, have felt the need of artificial intelligence and machine learning techniques to process the terabytes of data generated through sensors, actuators, industrial management systems, and web applications. These data have the characteristics of volume (terabyte) and variety (image, audio, video, graphics) and thus customized models and techniques are required for analysis and management. The advancement in computer hardware, processing power, storage capacity, and cloud computing have led to experimentation and implementation of machine learning models in industrial domain for resource optimization, operation management, and quality control. However, the industrial Data Analysts face the dilemma of selecting the affordable and easy to use machine learning frameworks that suite their need and expectations. The study investigates the open source machine learning frameworks, aligned with the industrial domain (processing data generated from Industrial Internet of Things), in terms of usage, programming languages, implementations, and future prospects.