افزایش دقت کلاسه بندی عکس ها در پایگاه داده اوراکل با استفاده از الگوریتمهای یادگیری عمیق

کالسهبندی داده در پردازش سریع تحلیل اطلاعات اهمیت فراوانی دارد. بنابراین، در این پژوهش به جست و جوی راهکارهایی که به طور موثر و دقیق داده ها را بسته بندی می کنند، خواهیم پرداخت. با توجه به اینکه در یک سیستم پایگاه داده، حجم اطلاعات به صورت روزافزون افزایش می یابد؛ استفاده از الگوریتمهای یادگیری عمیق به عنوان یک روش دقیق و قابل اعتماد برای کالسهبندی دیتا در اوراکل مطرح می باشد. هدف اصلی از این مقاله، افزایش دقت کالسهبندی عکس ها در پایگاه داده اوراکل با استفاده از الگوریتمهای یادگیری عمیق است. الگوریتم Autoencoder که یکی از الگوریتمهای یادگیری عمیق است؛ با کاهش دادن ابعاد، باعث افزایش دقت می شود. در این پژوهش از Attention layer نیز استفاده می شود که این الیه به شبکه عصبی امکان می دهد تا در فرایند بازسازی داده ها، بر روی ویژگیهای مهم تر تمرکز کند و از آنها بهره وری کند. خودرمزنگار یک روش یادگیری بدون نیاز به نظارت است که با استفاده از شبکههای عصبی مصنوعی داده ها را به صورت فشرده تری نمایش می دهد. این کاهش ابعاد داده ها منجر به افزایش دقت مورد نیاز برای کالسهبندی داده ها می شود و در نتیجه باعث بهبود عملکرد پایگاه داده اوراکل می شود. MSE و MAE، معیارهایی برای ارزیابی کیفیت بازسازی در مسئله Autoencoder هستند که MSE برابر با ۰.۰۰۲۴۲۲۰۰۱ و مقدار MAE برابر با ۰.۰۰۲۴۳۴۰۵۵۸ و MLE برابر با ۰.۰۰۲۴۲۲۰۱. شد با استفاده از الگوریتم خودرمزنگار برای کالسهبندی دیتا در پایگاه داده اوراکل، در هر ۲۰ مرحله ی epoch، مشاهده شد که دقت مدل افزایش یافته است که می توان نتیجه گرفت که الگوریتم خودرمزنگار با موفقیت برای کالسهبندی دیتا در پایگاه داده اوراکل عمل کرده است.

کلیدواژه ها:

یادگیری عمیق ، پایگاه داده اوراکل ، کالسهبندی عکس ها ، خودرمزنگار