بررسی الگوریتم یادگیری عمیق و چالش های آن در تجزیه و تحلیل داده های بزرگ

تجزیه و تحلیل داده های بزرگ و یادگیری عمیق دو تمرکز مهم در علم فناوری اطلاعات هستند. داده ی بزرگ در بسیاری از سازمان های دولتی و خصوصی برای جمع آوری حجم انبوهی از اطلاعات در یک دامنه خاص نقش مهمی دارد، که می تواند شامل اطلاعات مفیدی در مورد مشکلاتی از قبیل اطلاعات ملی، امنیت سایبری، تشخیص تقلب، بازاریابی و انفورماتیک پزشکی باشد. شرکت هایی مانند گوگل و مایکروسافت در حال تجزیه و تحلیل حجم زیادی از داده ها برای تحلیل کسب و کار و تصمیم گیری درباره ی تکنولوژی آینده هستند. یکی از مزایای کلیدی یادگیری عمیق، تجزیه و تحلیل و یادگیری از حجم انبوهی از داده های بدون نظارت است، که در آن داده های خام تاحد زیادی بدون سازماندهی هستند. این م وضوع باعث شده به عنوان یک ابزار ارزشمند برای تجزیه و تحلیل داده ی بزرگ مورد استفاده قرار گیرد. در این مقاله بررسی می شود که الگوریتم یادگیری عمیق برای تجزیه و تحلیل داده های بزرگ با چه چالش هایی مواجه است. در ادامه سه مورداز این چالش ها، (جریان داده، داده های ابعاد بالا و مقیاس پذیری مدلها) مطرح می شود و راهکارهایی را برای برطرف کردن آنها ارایه خواهیم نمود.

کلیدواژه ها:

الگوریتم یادگیری عمیق ، داده ی بزرگ ، چالش یادگیری عمیق ، تزیه و تحلیل داده ی بزرگ