کارابرن عزیز، مقالات isi بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi انتخاب گردیده اند. همچنین تمامی ترجمه ها دارای ضمانت کیفیت بوده و در صورت عدم رضایت کاربر مبلغ عینا عودت داده خواهد شد.
از نرم افزار winrar برای باز کردن فایل های فشرده استفاده می شود. برای دانلود آن بر روی لینک زیر کلیک کنید
دانلود
سال انتشار:
2018
ترجمه فارسی عنوان مقاله:
مروری بر یادگیری عمیق برای داده های بزرگ
عنوان انگلیسی مقاله:
منبع:
A survey on deep learning for big data
نویسنده:
Qingchen Zhang, Laurence T: Yang, Zhikui Chen, Peng Li
چکیده انگلیسی:
Deep learning, as one of the most currently remarkable machine learning techniques, has achieved great success
in many applications such as image analysis, speech recognition and text understanding. It uses supervised and
unsupervised strategies to learn multi-level representations and features in hierarchical architectures for the
tasks of classification and pattern recognition. Recent development in sensor networks and communication
technologies has enabled the collection of big data. Although big data provides great opportunities for a broad of
areas including e-commerce, industrial control and smart medical, it poses many challenging issues on data
mining and information processing due to its characteristics of large volume, large variety, large velocity and
large veracity. In the past few years, deep learning has played an important role in big data analytic solutions. In
this paper, we review the emerging researches of deep learning models for big data feature learning.
Furthermore, we point out the remaining challenges of big data deep learning and discuss the future topics.
Keywords: Deep learning | Big data | Stacked auto-encoders | Deep belief networks | Convolutional neural networks | Recurrent neural networks
چکیده فارسی:
یادگیری عمیق، به عنوان یکی از مهم ترین تکنیک های یادگیری ماشینی، موفقیت های زیادی در بسیاری از برنامه های کاربردی مانند تحلیل تصویر، تشخیص گفتار و درک متن بدست اورده است . انها از استراتژی های نظارت شده و بی نظیر برای یادگیری چندین سطح و ویژگی های معماری سلسله مراتبی برای وظایف طبقه بندی و تشخیص الگو استفاده می کنند. پیشرفت های اخیر در شبکه های حسگر و فناوری های ارتباطی، قادر به جمع آوری داده های بزرگ می باشد. اگر چه داده های بزرگ فرصت های خوبی برای بسیاری از زمینه ها از جمله تجارت الکترونیک، کنترل صنعتی و پزشکی هوشمند فراهم می اورند، اما در زمینه داده کاوی و پردازش اطلاعات به دلیل ویژگی های حجم زیاد، انواع مختلف، سرعت زیاد و حقیقت بزرگ، چالش های فراوانی را به همراه خواهند داشت. در چند سال گذشته، یادگیری عمیق در راه حل های تحلیلی داده های بزرگ نقش مهمی را ایفا کرده است. در این مقاله، تحقیقات انجام شده درباره مدل های یادگیری عمیق برای یادگیری ویژگی های بزرگ داده ها در اینده را مرور می کنیم. علاوه بر این، ما با توجه به چالش های باقیمانده به یادگیری عمیق داده های بزرگ و بحث در مورد موضوعات آینده اشاره می کنیم.
Furthermore, we point out the remaining challenges of big data deep learning and discuss the future topics.
کلمات کلیدی: یادگیری عمیق | داده های بزرگ | رمزگذاران خودکار انباشته شده | شبکه های اعتقادی عمیق | شبکه های عصبی کانولوشن | شبکه عصبی مرتب
حجم فایل: 760 کیلوبایت
قیمت: 36000 تومان 28800 تومان(20% تخفیف)
توضیحات اضافی:
تعداد نظرات : 0