مروری بر روش های شبکه عصبی عمیق ۱برای کار با داد های عظیم

امروزه با توجه به گسترش روز افزون خدمات فناوری اطلاعات و فراگیر شدن ابزارهای دیجیتال، با حجم زیادی از داده مواجه هستیم ، بطوری که ذخیره سازی ، مدیریت ، تحلیل ، پردازش و برقراری امنیت دادهها به وسیله پایگاهدادههای سنتی و ابزارهای کنونی غیر ممکن است . دادههای عظیم به عنوان علم نوینی برای حل این مشکلات پیشنهاد شد. در مقاله با رویکرد هوش مصنوعی سعی در معرفی روش های پردازش هوشمند این داده ها داریم ولی روش های سنتی برای پردازش این داده ها دچار مشکلات فراوانی مانند overfitting و .. هستند. الگوریتم های شبکه عصبی عمیق به عنوان روشی برای پردازش این داده ها پیشنهاد می گردد. الگوریتم های یادگیری عمیق در واقع از فرایند یادگیری سلسله مراتبی در مغز انسان، الگو برداری شده است . بطوری که فرایند یادگیری را در لایه های فراوان و با یادگیری مفاهیم ساده و الحاق آنها برای تولید مفاهیم سطح بالا ، انجام می دهند. در این مقاله تکنیک های یادگیری عمیق را به سه دسته شبکه های عمیق بدون ناظر یا یادگیری مولد، شبکه های عمیق با ناظر یا متمایز کننده و روشهای ترکیبی تقسیم کرده و انواع الگوریتم های هر دسته را معرفی و مزایا و معایب چالش های هر یک را بررسی می کنیم .

Keywords:

داده های عظیم , پردازش هوشمند , شبکه عصبی عمیق .