یادگیری ماشین (ML) در سال های اخیر به عنوان یکی از رویکردهای مؤثر در طیف گسترده ای از کاربردها مورد توجه قرار گرفته است. ظهور و گسترش داده های بزرگ، نقش قابل توجهی در توسعه و بهبود عملکرد روش های یادگیری ماشین ایفا کرده است؛ به گونه ای که دسترسی به حجم گسترده ای از داده ها، امکان شناسایی الگوهای پیچیده تر و ارائه پیش بینی های سریع تر و دقیق تر را فراهم کرده است. با این حال، بهره گیری از داده های بزرگ در یادگیری ماشین، چالش های جدیدی از جمله مقیاس پذیری مدل ها، مدیریت حجم بالای داده ها و نیاز به محاسبات توزیع شده را نیز به همراه داشته است. در این مقاله، چارچوبی با عنوان «یادگیری ماشین در داده های بزرگ» (MLBiD) با هدف بررسی و سازمان دهی فرصت ها و چالش های موجود» در این حوزه ارائه می شود. این چارچوب، با محوریت فرایند یادگیری ماشین، شامل سه مرحله اصلی پیش پردازش، یادگیری و ارزیابی است و در کنار آن، چهار مؤلفه اساسی شامل داده های بزرگ، کاربران، حوزه کاربرد و سیستم را در نظر می گیرد. مراحل یادگیری ماشین و مؤلفه های چارچوب MLBiD به منظور شناسایی فرصت ها و چالش های مرتبط و همچنین تبیین مسیرهای پژوهشی آینده در حوزه یادگیری ماشین و داده های بزرگ مورد بررسی قرار می گیرند. نتایج این چارچوب می تواند در درک بهتر تعامل میان یادگیری ماشین و داده های بزرگ و شناسایی زمینه های پژوهشی نوظهور در این حوزه مؤثر باشد.

یادگیری ماشین(Machine Learning) داده های بزرگ(Big Data) پیش پردازش داده ها(Data Preprocessing) ارزیابی(Model Evaluation) موازی سازی(Parallelization)