کاهش بعد جریان داده با استفاده از یادگیری ژرف

امروزه با گسترش مفاهیمی چون کلان داده و اینترنت اشیا تولید داده های عظیم و پرسرعت به طور چشم گیری افزایش یافته است و دنیای تکنولوژی با حجم وسیعی از داده های ناهمگون، حجیم و چندبعدی مواجه شده است. مدیریت و پردازش چنین داده هایی که به صورت بلادرنگ و با سرعت زیاد تولید می شوند مستلزم استفاده از تکنیک های مناسب است. به نظر می رسد استفاده از روش های استخراج ویژگی میتواند یکی از راهکارهای مفید برای مقابله با چالش مدیریت و پردازش داده های جریانی باشد. در این مقاله به کاهش بعد جریان داده به منظور افزایش سرعت عملیات پردازش به ویژه دسته بندی با استفاده از شبکه عصبی ژرف خواهیم پرداخت. ابتدا با استفاده از شبکه اتوانکدر که یک معماری از شبکه های ژرف محسوب می شود در دو گام کاهش بعد به صورت بدون ناظر انجام می شود و بهترین داده های ممکن از بین داده های موجود استخراج می شود؛ سپس ویژگی های انتزاعی به دست آمده را به یک دسته بندی کننده می دهیم و دقت به دست آمده را مورد ارزیابی قرار می دهیم.

کلیدواژه ها:

جریان داده ، کاهش بعد ، یادگیری ژرف ، استخراج ویژگی