Dr. Mohammad Doostizadeh دکتر محمد دوستی زاده Journal of Applied Research in Electrical, Computer and Energy Systems (JARECE) نشریه علمی-تخصصی تحقیقات کاربردی در برق ، کامپیوتر و سیستم های انرژی Scalable Machine Learning in Big Data: Challenges, Algorithms, and Applications یادگیری ماشین مقیاس پذیر در کلان داده: چالش ها، الگوریتم ها و کاربردها FA Masoud Kavoosi Senior Expert, Shiraz Municipality Department of Transportation and Traffic مسعود کاوسی کارشناس ارشد معاونت حمل و نقل و ترافیک شهرداری شیراز In recent years, machine learning (ML) has gained attention as an effective approach across a wide range of applications. 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. https://jarece.ir/downloadfilepdf/998454