Big Data Analytic and Deep Learning

Big Data Analytic and Deep Learning are two high-focus of data science. Big Data has become important as many organizations both public and private have been collecting massive amounts of domain-specific information, which can contain useful information about problems such as national intelligence, cyber security, fraud detection, marketing, and medical informatics. Companies such as Google and Microsoft are analyzing large volumes of data for business analysis and decisions, impacting existing and future technology. Deep Learning algorithms extract high-level, complex abstractions as data representations through a hierarchical learning process. Complex abstractions are learnt at a given level based on relatively simpler abstractions formulated in the preceding level in the hierarchy. A key benefit of Deep Learning is the analysis and learning of massive amounts of unsupervised data, making it a valuable tool for Big Data Analytics where raw data is largely unlabeled and un-categorized. In the present study, we explore how Deep Learning can be utilized for addressing some important problems in Big Data Analytics, including extracting complex patterns from massive volumes of data, semantic indexing, data tagging, fast information retrieval, and simplifying discriminative tasks. We also investigate some aspects of Deep Learning research that need further exploration to incorporate specific challenges introduced by Big Data Analytics, including streaming data, high-dimensional data, scalability of models, and distributed computing. We conclude by presenting insights into relevant future works by posing some questions, including defining data sampling criteria, domain adaptation modeling, defining criteria for obtaining useful data abstractions, improving semantic indexing, semi-supervised learning, and active learning.

ผลลัพธ์ (ไทย) 1:

วิเคราะห์ข้อมูลและการเรียนรู้ที่ลึกจะสูงโฟกัสสองข้อมูลวิทยาศาสตร์ ข้อมูลขนาดใหญ่ได้กลายเป็นสิ่งสำคัญที่หลายองค์กรทั้งภาครัฐ และเอกชนมีการรวบรวมข้อมูลเฉพาะของโดเมน ซึ่งประกอบด้วยข้อมูลที่เป็นประโยชน์เกี่ยวกับปัญหาเช่นข่าวกรองแห่งชาติ ตรวจ สอบการทุจริต สารสนเทศศาสตร์ และทางการตลาด แพทย์ รักษาความปลอดภัยไซเบอร์ จำนวนมหาศาล บริษัทเช่น Google และ Microsoft จะวิเคราะห์ข้อมูลสำหรับการวิเคราะห์ธุรกิจและการตัดสินใจ จำนวนมากส่งผลกระทบต่อเทคโนโลยีที่มีอยู่ และในอนาคต ลึก abstractions สารสกัดจากอัลกอริทึมซับซ้อน พื้นฐานการเรียนรู้เป็นข้อมูลแทนผ่านกระบวนการเรียนรู้ตามลำดับชั้น Abstractions ซับซ้อนจะเรียนในระดับที่กำหนดตาม abstractions ค่อนข้างง่ายในระดับก่อนหน้าในลำดับชั้น ประโยชน์สำคัญของการเรียนรู้ลึกคือ การวิเคราะห์และการเรียนรู้ของขั่วข้อมูล การวิเคราะห์ข้อมูลขนาดใหญ่ที่ข้อมูลดิบเป็นส่วนใหญ่ไม่มีป้ายชื่อ และยังไม่ได้ถูกจัดหมวดหมู่ที่มีประโยชน์ ในการศึกษาปัจจุบัน เราสำรวจวิธีเรียนรู้ลึกสามารถใช้สำหรับการจัดการกับปัญหาสำคัญในการวิเคราะห์ข้อมูลขนาดใหญ่ การแยกรูปแบบซับซ้อนจากปริมาณมหาศาลของข้อมูล ดัชนีทางตรรก แท็กข้อมูล การเรียกข้อมูลรวดเร็ว และลดความซับซ้อนงาน discriminative นอกจากนี้เรายังตรวจสอบบางส่วนของการเรียนรู้ลึกวิจัยที่ต้องการสำรวจเพื่อรวบรวมความท้าทายเฉพาะเพิ่มเติมจากการวิเคราะห์ข้อมูลขนาดใหญ่ รวมทั้งการสตรีมข้อมูล ข้อมูลมิติสูง ขนาดโมเดล และกระจายการใช้งาน เราสรุป โดยนำเสนอข้อมูลเชิงลึกในการทำงานในอนาคตที่เกี่ยวข้องโดยวางตัวคำถาม รวมทั้งการกำหนดเกณฑ์การสุ่มตัวอย่างข้อมูล สร้างโมเดลการปรับตัวของโดเมน การกำหนดเงื่อนไขการได้รับข้อมูลที่เป็นประโยชน์ abstractions ปรับปรุงดัชนีทางตรรก กึ่งดูแลเรียนรู้ และการเรียนรู้

ผลลัพธ์ (ไทย) 2:

บิ๊กข้อมูลการวิเคราะห์และการเรียนรู้ลึกสองสูงโฟกัสของวิทยาศาสตร์ข้อมูล ข้อมูลขนาดใหญ่ได้กลายเป็นสิ่งที่สำคัญเป็นหลายองค์กรทั้งภาครัฐและเอกชนได้รับการเก็บรวบรวมจำนวนมหาศาลของข้อมูลโดเมนเฉพาะซึ่งสามารถมีข้อมูลที่เป็นประโยชน์เกี่ยวกับปัญหาเช่นข่าวกรองแห่งชาติ, การรักษาความปลอดภัยในโลกไซเบอร์ตรวจสอบการทุจริตการตลาดและสารสนเทศทางการแพทย์ บริษัท เช่น Google และ Microsoft มีการวิเคราะห์ปริมาณข้อมูลขนาดใหญ่สำหรับการวิเคราะห์และการตัดสินใจทางธุรกิจที่ส่งผลกระทบต่อที่มีอยู่และเทคโนโลยีในอนาคต ขั้นตอนวิธีการเรียนรู้ลึกสกัดระดับสูงนามธรรมซับซ้อนเท่าการแสดงข้อมูลผ่านกระบวนการเรียนรู้ตามลำดับชั้น แนวคิดที่ซับซ้อนจะเรียนรู้ในระดับที่กำหนดบนพื้นฐานของแนวคิดที่ค่อนข้างง่ายสูตรในระดับก่อนหน้านี้ในลำดับชั้น ประโยชน์ที่สำคัญของการเรียนรู้ลึกคือการวิเคราะห์และการเรียนรู้ของข้อมูลจำนวนมหาศาลใกล้ชิดทำให้มันเป็นเครื่องมือที่มีคุณค่าสำหรับ Analytics ข้อมูลขนาดใหญ่ที่มีข้อมูลดิบเป็นส่วนใหญ่ที่ไม่มีป้ายกำกับและยกเลิกการจัดหมวดหมู่ ในการศึกษาปัจจุบันเราจะสำรวจวิธีการเรียนรู้ลึกสามารถใช้สำหรับแก้ไขปัญหาที่สำคัญบางอย่างใน Analytics ข้อมูลขนาดใหญ่รวมทั้งการแยกรูปแบบที่ซับซ้อนจากปริมาณมหาศาลของข้อมูล, ดัชนีความหมาย, การติดแท็กข้อมูลการดึงข้อมูลได้อย่างรวดเร็วและลดความซับซ้อนของงานจำแนก นอกจากนี้เรายังตรวจสอบบางแง่มุมของการวิจัยการเรียนรู้ลึกที่ต้องสำรวจต่อไปที่จะรวมความท้าทายเฉพาะนำโดยบิ๊ก Analytics ข้อมูลรวมทั้งข้อมูลสตรีมมิ่งข้อมูลมิติสูง, ความยืดหยุ่นของรูปแบบและจัดจำหน่ายคอมพิวเตอร์ เราสรุปได้โดยนำเสนอข้อมูลเชิงลึกในอนาคตที่เกี่ยวข้องทำงานโดยวางตัวคำถามบางอย่างรวมถึงการกำหนดเกณฑ์ในการจัดเก็บข้อมูลแบบจำลองการปรับตัวโดเมนกำหนดเกณฑ์สำหรับการได้รับข้อมูลที่เป็นประโยชน์แนวคิดในการปรับปรุงการจัดทำดัชนีความหมายของการเรียนรู้กึ่งภายใต้การดูแลและการเรียนรู้การใช้งาน

ผลลัพธ์ (ไทย) 3:

ใหญ่ข้อมูลวิเคราะห์และการเรียนรู้ลึกโฟกัสสองสูงของวิทยาศาสตร์ข้อมูล ข้อมูลใหญ่ได้กลายเป็นสำคัญหลายองค์กรทั้งภาครัฐและเอกชนได้รวบรวมจำนวนมหาศาลของข้อมูลโดเมนที่เฉพาะเจาะจง ซึ่งจะประกอบด้วยข้อมูลที่เป็นประโยชน์เกี่ยวกับปัญหาเช่นการข่าวกรองแห่งชาติ Cyber การรักษาความปลอดภัยการตรวจสอบทุจริต , การตลาด , และสารสนเทศทางการแพทย์ บริษัทเช่น Google และ Microsoft จะวิเคราะห์ไดรฟ์ข้อมูลขนาดใหญ่ของข้อมูลเพื่อการวิเคราะห์ทางธุรกิจและการตัดสินใจต่างๆ ที่มีเทคโนโลยีที่มีอยู่และในอนาคต ขั้นตอนวิธีการเรียนรู้แบบลึก สกัด พื้นฐาน นามธรรมที่เป็นข้อมูลภาพผ่านกระบวนการเรียนรู้แบบลำดับชั้น . นามธรรมที่ซับซ้อนได้เรียนรู้ที่ระบุระดับที่ค่อนข้างเรียบง่ายนามธรรมยุทธศาสตร์ในระดับก่อนหน้านี้ในลำดับขั้น ประโยชน์ที่สำคัญของการเรียนรู้แบบลึก คือ การวิเคราะห์และการเรียนรู้ของจำนวนมหาศาลของข้อมูลโดยขาดการควบคุม ทำให้มันเป็นเครื่องมือที่มีคุณค่าสำหรับใหญ่ข้อมูล Analytics ที่ข้อมูลส่วนใหญ่เป็น unlabeled องค์การสหประชาชาติและจัดหมวดหมู่ ในการศึกษา เราสำรวจวิธีการเรียนรู้ลึกสามารถใช้ที่อยู่ปัญหาที่สำคัญในการวิเคราะห์ข้อมูลใหญ่ รวมถึงการสกัดซับซ้อนลวดลายจากขนาดใหญ่ปริมาณของข้อมูล ความหมาย ดัชนี ข้อมูลการติดแท็ก , การดึงข้อมูลได้อย่างรวดเร็วและลดความซับซ้อนของงานและ . นอกจากนี้เรายังศึกษาลักษณะบางอย่างของการเรียนรู้ที่ลึก ต้องสำรวจความท้าทายที่จะรวมเฉพาะแนะนำโดยการวิเคราะห์ข้อมูลใหญ่ รวมทั้งการสตรีมข้อมูลสูง - มิติใหม่ของ , รุ่น , และการคำนวณแบบกระจาย เราสรุปโดยนำเสนอข้อมูลเชิงลึกในการทำงานในอนาคต โดยวางตัวคำถามที่เกี่ยวข้อง รวมทั้งกำหนดหลักเกณฑ์และข้อมูลโดเมนแบบการปรับตัว การกำหนดเกณฑ์สำหรับการได้รับข้อมูลที่เป็นประโยชน์ทางนามธรรม การปรับปรุงดัชนีกึ่งการเรียนรู้แบบ Supervised Learning และการเรียนรู้เชิงรุก