طراحی و ارزیابی مدل های تحلیلی برای تسریع فرایند های تصمیم گیری در تحلیل داده های بزرگ به کمک تکنیک یادگیری ماشین

مدل های یادگیری ماشین، به ویژه یادگیری عمیق، نقش بسیار مهمی در تحلیل داده های پیچیده و حجیم ایفا می کنند. این مقاله با معرفی یک چارچوب تحلیلی ترکیبی از دو تکنیک AGD و HOPE، به بهبود دقت پیش بینی، کاهش زمان آموزش و افزایش پایداری در مدل های یادگیری عمیق پرداخته است. AGD به عنوان یک الگوریتم بهینه سازی با هدف تسریع همگرایی و جلوگیری از گیر افتادن در مینیمم های محلی، سرعت آموزش مدل را افزایش می دهد، در حالی که HOPE با فرافکنی ارتوگونال داده ها، به کاهش ابعاد و حذف نویز کمک می کند. مدل پیشنهادی با استفاده از این دو تکنیک در تحلیل داده های پیچیده و سری های زمانی توانسته است به طور موثری عملکرد مدل های یادگیری عمیق را بهبود بخشد. نتایج تجربی نشان داد که این مدل قادر به کاهش زمان آموزش تا ۴۰٪ و افزایش دقت پیش بینی تا ۶٪ نسبت به روش های سنتی مانند SGD، SVM و XGBoost است.

کلیدواژه ها:

مدل های یادگیری عمیق ، AGD ، HOPE ، تحلیل داده های بزرگ ، فرافکنی ارتوگونال ، بهینه سازی ، پیش بینی سری های زمانی