فایل ورد کامل یادگیری عمیق(ژرف) در تجزیه و تحلیل کلان داده ( داده های بزرگ): یک مطالعه تطبیقی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل یادگیری عمیق(ژرف) در تجزیه و تحلیل کلان داده ( داده های بزرگ): یک مطالعه تطبیقی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۵ صفحه

روش های فراگیری عمیق به طور گسترده ای در زمینه های مختلف علوم و مهندسی مانند تشخیص گفتار، طبقه بندی تصویر و روش های یادگیری در پردازش زبان مورد استفاده قرار می گیرد. به طور مشابه، تکنیک های پردازش داده های سنتی محدودیت های زیادی برای پردازش مقدار زیادی داده ها دارند. علاوه بر این، تجزیه و تحلیل داده های بزرگ نیاز به الگوریتم های جدید و پیچیده بر اساس تکنیک های یادگیری ماشین و عمیق برای پردازش داده ها در زمان واقعی با دقت و کارایی بالا دارد . با این حال، به تازگی، تحقیقات مختلف تکنیک های یادگیری عمیق با استفاده از یادگیری ترکیبی و مکانیسم های آموزش پردازش داده ها با سرعت بالا تلفیق شده است. بنابراین بیشتر این تکنیک ها به سناریوها اختصاص دارد و براساس فضای بردار، عملکرد ضعیف در سناریوهای عمومی و ویژگی های یادگیری را در داده های بزرگ نشان می دهد. علاوه بر این، یکی از دلایل چنین ضعف، دخالت زیاد انسانها در طراحی الگوریتم های پیچیده و بهینه شده بر اساس تکنیک های یادگیری ماشین و عمیق است. در این مقاله، ما روشی را برای مقایسه روش های مختلف یادگیری عمیق برای پردازش داده های عظیم با تعداد زیادی از نورون ها و لایه های پنهان ارائه می دهیم. مطالعه تطبیقی نشان می دهد که تکنیک های یادگیری عمیق می تواند با معرفی چندین روش در ترکیب با تکنیک های آموزش تحت نظارت و بدون نظارت ایجاد شود.

کلمات کلیدی: داده های بزرگ | یادگیری عمیق | شبکه های اعتقاد عمیق | شبکه های عصبی تکاملی

عنوان انگلیسی:

Deep learning in big data Analytics: A comparative study

~~en~~ writers :

Bilal Jan a, Haleem Farman b, Murad Khan c, Muhammad Imran c, Ihtesham Ul Islam c, Awais Ahmad d,, Shaukat Ali b, Gwanggil Jeon

Deep learning methods are extensively applied to various fields of science and engineering such as speech recognition, image classifications, and learning methods in language
processing. Similarly, traditional data processing techniques have several limitations of processing large amount of data. In addition, Big Data analytics requires new and sophisticated
algorithms based on machine and deep learning techniques to process data in real-time
with high accuracy and efficiency. However, recently, research incorporated various deep
learning techniques with hybrid learning and training mechanisms of processing data with
high speed. Most of these techniques are specific to scenarios and based on vector space
thus, shows poor performance in generic scenarios and learning features in big data. In
addition, one of the reason of such failure is high involvement of humans to design sophisticated and optimized algorithms based on machine and deep learning techniques. In
this article, we bring forward an approach of comparing various deep learning techniques
for processing huge amount of data with different number of neurons and hidden layers.
The comparative study shows that deep learning techniques can be built by introducing a
number of methods in combination with supervised and unsupervised training techniques.

Keywords: Big data | Deep learning | Deep belief networks | Convolutional Neural Networks

$$en!!