دانلود ترجمه مقاله یادگیری عملکرد افزایشی برای داده های بسیار بزرگ (ساینس دایرکت – الزویر ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)
این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۱۳ صفحه در سال ۲۰۱۶ منتشر شده و ترجمه آن ۳۱ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
نمونه برداری هوشمند و یادگیری عملکرد افزایشی برای داده های بسیار بزرگ با ابعاد بالا |
عنوان انگلیسی مقاله: |
Smart sampling and incremental function learning for very large high dimensional data |
|
مشخصات مقاله انگلیسی | |
فرمت مقاله انگلیسی | |
سال انتشار | ۲۰۱۶ |
تعداد صفحات مقاله انگلیسی | ۱۳ صفحه با فرمت pdf |
نوع مقاله | ISI |
نوع نگارش | مقاله پژوهشی (Research Article) |
نوع ارائه مقاله | ژورنال |
رشته های مرتبط با این مقاله | مهندسی کامپیوتر |
گرایش های مرتبط با این مقاله | رایانش ابری، هوش مصنوعی |
چاپ شده در مجله (ژورنال) | شبکه های عصبی – Neural Networks |
کلمات کلیدی | شبکه های عصبی، تقریب تابع با ابعاد بالا، اختلاف نمونه برداری، طرح آزمایشات، محاسبات احتمالی و تقریبی صحیح، یادگیری تابع |
کلمات کلیدی انگلیسی | High dimensional function approximation – Sampling discrepancy – Design of experiments – Probably approximately correct computation – Function learning – Neural networks |
ارائه شده از دانشگاه | مرکز هوافضای آلمان (DLR) ، اوبرپفافنهافن ، آلمان |
نمایه (index) | Scopus – Master journals – JCR – MedLine |
نویسندگان | Diego G. Loyola R، Mattia Pedergnana، Sebastián Gimeno García |
شناسه شاپا یا ISSN | ISSN ۰۸۹۳-۶۰۸۰ |
شناسه دیجیتال – doi | https://doi.org/10.1016/j.neunet.2015.09.001 |
ایمپکت فاکتور(IF) مجله | ۶٫۵۹۶ در سال ۲۰۱۹ |
شاخص H_index مجله | ۱۲۸ در سال ۲۰۲۰ |
شاخص SJR مجله | ۱٫۹۷۰ در سال ۲۰۱۹ |
شاخص Q یا Quartile (چارک) | Q1 در سال ۲۰۱۹ |
بیس | نیست ☓ |
مدل مفهومی | ندارد ☓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
کد محصول | ۱۰۴۳۱ |
لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
نشریه الزویر |
مشخصات و وضعیت ترجمه فارسی این مقاله | |
فرمت ترجمه مقاله | pdf و ورد تایپ شده با قابلیت ویرایش |
وضعیت ترجمه | انجام شده و آماده دانلود |
کیفیت ترجمه | ویژه – طلایی ⭐️⭐️⭐️ |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | ۳۱ صفحه (۲ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin |
ترجمه عناوین تصاویر و جداول | ترجمه شده است ✓ |
ترجمه متون داخل تصاویر | ترجمه شده است ✓ |
ترجمه متون داخل جداول | ترجمه شده است ✓ |
درج تصاویر در فایل ترجمه | درج شده است ✓ |
درج جداول در فایل ترجمه | درج شده است ✓ |
درج فرمولها و محاسبات در فایل ترجمه | به صورت عکس درج شده است ✓ |
منابع داخل متن | به صورت فارسی درج شده است ✓ |
منابع انتهای متن | به صورت انگلیسی درج شده است ✓ |
فهرست مطالب |
چکیده |
بخشی از ترجمه |
چکیده داده های بسیار بزرگ و با ابعاد بالا امروزه شایع بوده و چالش های جدیدی را بر الگوریتم های داده محور و داده فشرده تحمیل می نمایند. تکنیک های هوش محاسباتی از توانایی بالقوه ارائه ابزارهای قدرتمند برای پرداختن به این چالش ها برخوردارند اما ادبیات حاضر عمدتاً بر مسائل مقیاس پذیری مربوط به حجم داده ها بر حسب اندازه نمونه در راستای امور طبقه بندی متمرکز است.
۶- نتیجه گیری ها در این مقاله یک رویکرد نوینی (SSIFL) را برای محاسبه مدل رگرسیون ارائه نمودیم که توابع تعریف شده در فضاهای با ابعاد بالا را با دقت تقریب می زند. این امر منوط به کمینه سازی تعداد فراخوانی تابع هدف در تولید داده های آموزشی حاصل می گردد. ما هوشمندانه روش ها و ابزارهای عمیق نظری را که قبلا منتشر شده بودند در یک الگوریتم یادگیری تابع و نمونه برداری عملی با هم ترکیب نموده و کاربردپذیری تکنیک پیشنهاد شده را برای مسائل مربوط به رگرسیون با ابعاد بالا نشان دادیم. روش نمونه برداری مورد استفاده برای تولید مجموعه داده آموزشی نقش کلیدی را در دستیابی به عملکرد بالای مدل رگرسیون ایفا می کند. روش های مختلف نمونه برداری ارزیابی شده و به طور نظام مند در این مطالعه مورد تجزیه و تحلیل قرار گرفتند. پس از تجزیه و تحلیل جامع متمایز، در این مقاله نشان دادیم که توالی نمونه LCVT و HA در داده گردانی در بُعدچندی بالا، توالی برتر بوده و به همین دلیل در میان کلیه تکنیک های یگر برای تکنیک نمونه برداری هوشمند پیشنهادی انتخاب شدند. با این حال، به دلیل اقدامات محاسباتی بالای مورد نیاز برای محاسبه توالی، استفاده از روش HA در فضاهای بُعدی بسیار بالا راحت تر بوده و در این مطالعه نیز دستاوردهای خوبی از نظر زمان محاسباتی معقول حاصل آمده است. |
بخشی از مقاله انگلیسی |
Abstract Very large high dimensional data are common nowadays and they impose new challenges to data-driven and data-intensive algorithms. Computational Intelligence techniques have the potential to provide powerful tools for addressing these challenges, but the current literature focuses mainly on handling scalability issues related to data volume in terms of sample size for classification tasks. ۶- Conclusions In this paper we presented a novel approach (SSIFL) for computing a regression model that accurately approximates functions defined over high dimensional input spaces. This has been achieved under the constraint of minimizing the number of calls to the target function for generating the training data. We smartly combine previously published deep theoretical methods and tools into a practical sampling and function learning algorithm and we showed the applicability of the proposed technique to high-dimensional regression problems. The sampling method used for generating the training dataset plays a key-role in order to reach high performance of the regression model. Different sampling methods have been evaluated and systematically analyzed in this study. Following a comprehensive discrimination analysis, in this paper we showed that the LCVT and HA sampling sequences are superior in handling data in high dimensionality and therefore they have been selected among all the other techniques for the proposed smart sampling technique. However, due to high computational effort needed for calculating the sequence, it might be more convenient to use the HA method in very high dimensional spaces, which has been already pointed out in this study to reach good achievements in reasonable computational time. |