خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : مروری بر مورد یادگیری عمیق برای داده های بزرگ
.
English Article Title: A survey on deep learning for big data
Year: 2018
Publisher: ELSEVIER
Journal: Information Fusion
DOI: http://dx.doi.org/10.1016/j.inffus.2017.10.006
Keywords:
#Deep_learning
#Big_data
#Stacked_auto_encoders
#Deep_belief_networks
#Convolutional_neural_networks
#Recurrent_neural_networks
#یادگیری_عمیق
#داده‌های_بزرگ
#رمزگذاران_خودکار_انباشته_شده
#شبکه‌های_اعتقادی_عمیق
#شبکه‌های_عصبی_کانولوشن
#شبکه_عصبی_مکرر
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#مقاله_انرژی (#Energy)
#مقاله_مهندسی (#Engineering)
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#مقاله_علوم_اجتماعی (#Social_Sciences)
چکیده مقاله:
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.
کلمات کلیدی: یادگیری عمیق | داده های بزرگ | رمزگذاران خودکار انباشته شده | شبکه های اعتقادی عمیق | شبکه های عصبی کانولوشن | شبکه عصبی مکرر
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2SFIunJ
.
عنوان فارسی مقاله : مروری بر مورد یادگیری عمیق برای داده های بزرگ
.
English Article Title: A survey on deep learning for big data
Year: 2018
Publisher: ELSEVIER
Journal: Information Fusion
DOI: http://dx.doi.org/10.1016/j.inffus.2017.10.006
Keywords:
#Deep_learning
#Big_data
#Stacked_auto_encoders
#Deep_belief_networks
#Convolutional_neural_networks
#Recurrent_neural_networks
#یادگیری_عمیق
#داده‌های_بزرگ
#رمزگذاران_خودکار_انباشته_شده
#شبکه‌های_اعتقادی_عمیق
#شبکه‌های_عصبی_کانولوشن
#شبکه_عصبی_مکرر
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#مقاله_انرژی (#Energy)
#مقاله_مهندسی (#Engineering)
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#مقاله_علوم_اجتماعی (#Social_Sciences)
چکیده مقاله:
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.
کلمات کلیدی: یادگیری عمیق | داده های بزرگ | رمزگذاران خودکار انباشته شده | شبکه های اعتقادی عمیق | شبکه های عصبی کانولوشن | شبکه عصبی مکرر
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2SFIunJ