چکیده مقاله
با گسترش بی سابقه ی فناوری های دیجیتال، اینترنت اشیاء و سیستم های هوشمند، تولید داده ها به سطحی رسیده است که اصطلاح «داده های حجیم » دیگر تنها یک مفهوم نظری نبوده و به یک چالش عملیاتی در مهندسی نرم افزار و علوم داده تبدیل شده است این داده ها با ویژگی های ذاتی خود نظیر حجم عظیم، سرعت بالای تولید، تنوع فرمت ها و ضرورت اعتبارسنجی مداوم، نیازمند ابزارهای تحلیلی قدرتمندی هستند در این میان، الگوریتم های یادگیری ماشین به عنوان موثرترین راهکار برای استخراج الگوهای پنهان و مدل سازی پیش بینی کننده شناخته می شوند با این وجود، کاربرد مستقیم الگوریتم های سنتی یادگیری ماشین بر روی داده های حجیم به ویژه در سناریوهای نیازمند پردازش بلادرنگ ، با محدودیت های شدید محاسباتی، چالش های مقیاس پذیری و مشکلات ناشی از نویز روبرو است این مقاله کنفرانسی به بررسی جامع و تحلیلی راهکارها و چارچوب های نوین برای بهینه سازی پردازش یادگیری ماشین می پردازد در این راستا، معماری های توزیع شده، یادگیری فدراتیو ، مدل های انتخاب پویای ترکیبی و تکنیک های پیشرفته ای نظیر هم جوشی داده های چندحسگری و الگوریتم های الهام گرفته از کوانتوم مورد بررسی قرار گرفته اند علاوه بر این، کاربردهای این الگوریتم های بهینه شده در صنایع حیاتی همچون تولید هوشمند، سیستم های نظارتی، شبکه های توزیع پایدار، معاملات الگوریتمی و مراقبت های بهداشتی در متاورس تحلیل شده است نتایج این بررسی نشان می دهد که گذار به معماری های ترکیبی و لبه محور امری گریزناپذیر برای بهره مندی از پتانسیل کامل داده های حجیم در آینده است
کلیدواژهها
نویسندگان
شیوه ارجاع
در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید: محمدپور شاهکلایی، محمدرضا،1404،بهینه سازی الگوریتم های یادگیری ماشین برای پردازش داده های حجیم در زمان واقعی،ششمین همایش بین المللی مهندسی کامپیوتر، برق و تکنولوژی،همدان،https://civilica.com/doc/2602400
ارائهشده در
مجموعه مقالات ششمین همایش بین المللی مهندسی کامپیوتر، برق و تکنولوژی2 اسفند 1404 · همدان