الگوریتمهای یادگیری ماشین برای تحلیلهای پیشبینیکننده در کلانداده
الگوریتمهای یادگیری ماشین برای تحلیلهای پیشبینیکننده در کلانداده
آیدا فیروزی بستان آباد1
1) گروه علوم داده، دانشگاه ایستینیه، استانبول، ترکیه
کد IOI مقاله
:
AAGF-AAGDZA
محل انتشار :
نهمین کنفرانس بین المللی پژوهش های کاربردی در علوم و مهندسی(carseconf.com/9th)
چکیده :
رشد سریع کلانداده (BD) فرصتهای بیسابقهای را برای سازمانها ایجاد کرده است تا بینشهای ارزشمندی را استخراج کرده و تصمیمگیری را از طریق تجزیه و تحلیل پیشبینیکننده (PA) بهبود بخشند. الگوریتمهای یادگیری ماشین (ML) با شناسایی الگوها، روندها و همبستگیهایی که اغلب در روشهای تحلیلی سنتی پنهان هستند، نقش مهمی در تجزیه و تحلیل مجموعه دادههای بزرگ، ناهمگن و با ابعاد بالا ایفا میکنند. این مقاله به بررسی کاربرد الگوریتمهای یادگیری ماشین در محیطهای کلانداده با تمرکز بر مقیاسپذیری، کارایی و دقت پیشبینی آنها میپردازد. این مطالعه الگوریتمهای پرکاربرد مانند ماشینهای بردار پشتیبان (SVM)، جنگلهای تصادفی (RF)، تقویت گرادیان (GB) و مدلهای یادگیری عمیق (DL) را برجسته میکند و بر نقاط قوت و محدودیتهای آنها هنگام اعمال بر جریانهای داده عظیم و پویا تأکید میکند. علاوه بر این، ادغام چارچوبهای محاسبات توزیعشده، مانند Hadoop و Spark، برای پرداختن به چالشهای مربوط به حجم، سرعت و تنوع کلانداده مورد بحث قرار گرفته است. تجزیه و تحلیل تجربی و ارزیابی مقایسهای نشان میدهد که مدلهای ترکیبی و مبتنی بر ensemble ML به طور قابل توجهی عملکرد پیشبینیکننده را در تجزیه و تحلیل کلانداده بهبود میبخشند. یافتهها درک جامعی از چگونگی پشتیبانی PA مبتنی بر یادگیری ماشین از استراتژیهای دادهمحور و افزایش رقابتپذیری در حوزههای مختلف، از جمله مراقبتهای بهداشتی، مالی و تجارت الکترونیک، ارائه میدهند.
کلمات کلیدی : یادگیری ماشین تحلیل پیشبینانه کلانداده یادگیری عمیق جنگل تصادفی ماشین بردار پشتیبان