دانلود ترجمه مقاله بررسی یادگیری عمیق (آی تریپل ای ۲۰۱۸)
این مقاله انگلیسی ISI در نشریه آی تریپل ای در سال ۲۰۱۸ منتشر شده که ۲۱ صفحه می باشد، ترجمه فارسی آن نیز ۵۳ صفحه میباشد. کیفیت ترجمه این مقاله عالی بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
بررسی یادگیری عمیق: پلتفرم ها، برنامه ها و روندهای تحقیقاتی در حال ظهور |
عنوان انگلیسی مقاله: |
A Survey of Deep Learning: Platforms, Applications and Emerging Research Trends |
|
مشخصات مقاله انگلیسی | |
نشریه | آی تریپل ای – IEEE |
سال انتشار | ۲۰۱۸ |
فرمت مقاله انگلیسی | pdf و ورد تایپ شده با قابلیت ویرایش |
تعداد صفحات مقاله انگلیسی | ۲۱ صفحه |
نوع مقاله | ISI |
نوع ارائه مقاله | ژورنال |
رشته های مرتبط با این مقاله | مهندسی کامپیوتر – مهندسی فناوری اطلاعات |
گرایش های مرتبط با این مقاله | هوش مصنوعی – رایانش ابری – اینترنت و شبکه های گسترده – امنیت اطلاعات |
چاپ شده در مجله (ژورنال) | IEEE Access |
کلمات کلیدی | سیستم های هوشمند انسان محور – یادگیری عمیق – پلتفرم – شبکه های عصبی – برنامه های آینده – اینترنت اشیا – سیستم های سایبری-فیزیکی – بررسی – شبکه و امنیت |
کلمات کلیدی انگلیسی | Human-centered Smart Systems – Deep Learning – Platform – Neural Networks – Emergent Applications – Internet of Things – Cyber-Physical Systems – Survey – Networking and Security |
نمایه (index) | scopus – Master Journal List – JCR – DOAJ |
نویسندگان | William G. Hatcher – Wei Yu |
شناسه شاپا یا ISSN | ۲۱۶۹-۳۵۳۶ |
شناسه دیجیتال – doi | https://doi.org/10.1109/ACCESS.2018.2830661 |
لینک سایت مرجع | https://ieeexplore.ieee.org/document/8351898 |
ایمپکت فاکتور (IF) مجله | ۴٫۳۴۲ در سال ۲۰۲۱ |
شاخص H_index مجله | ۱۵۸ در سال ۲۰۲۲ |
شاخص SJR مجله | ۰٫۹۲۷ در سال ۲۰۲۱ |
شاخص Q یا Quartile (چارک) | Q1 در سال ۲۰۲۱ |
بیس | نیست ☓ |
مدل مفهومی | ندارد ☓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
فرضیه | ندارد ☓ |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
کد محصول | ۱۲۴۸۶ |
مشخصات و وضعیت ترجمه فارسی این مقاله | |
فرمت ترجمه مقاله | ورد تایپ شده با قابلیت ویرایش و pdf |
وضعیت ترجمه | ترجمه شده و آماده دانلود |
کیفیت ترجمه | عالی (مناسب استفاده دانشگاهی و پژوهشی) |
تعداد صفحات ترجمه | ۵۳ (۵ صفحه رفرنس انگلیسی) صفحه با فونت ۱۴ B Nazanin |
ترجمه عناوین تصاویر و جداول | ترجمه شده است ✓ |
ترجمه متون داخل تصاویر | ترجمه نشده است ☓ |
ترجمه متون داخل جداول | ترجمه نشده است ☓ |
ترجمه ضمیمه | ندارد ☓ |
درج تصاویر در فایل ترجمه | درج شده است ✓ |
درج جداول در فایل ترجمه | درج شده است ✓ |
درج فرمولها و محاسبات در فایل ترجمه | ندارد ☓ |
منابع داخل متن | درج نشده است ✓ |
منابع انتهای متن | به صورت انگلیسی درج شده است ✓ |
فهرست مطالب |
چکیده ۱ مقدمه ۲ مروری بر یادگیری عمیق ۳ دسته بندی یادگیری عمیق ۴ پلتفرمهای یادگیری عمیق ۵ روند های تحقیقاتی جدید ۶ نتایج منابع |
بخشی از ترجمه |
چکیده یادگیری عمیق از دید عموم به عنوان محصولات و ابزارهای پیش گویانه و تحلیلی به شکل سیستمهای انسان محور هوشمند جهانی شامل تبلیغات هدفمند، ابزارهای کمکی زبان طبیعی و مترجمان شفاهی، سیستمهای وسایل نقلیه خودران و غیره گسترش یافتهاند. البته، مکانیزم های اصلی که موجب ایجاد این محصولات هوشمند انسان محور میشوند، به شکل مبهم باقی ماندهاند. از طرف دیگر، محققان در حوزههای مختلف از یادگیری عمیق در تحقیقات خود به منظور حل مسائلی که پیشتر قابل بررسی نبودند، بهره بردهاند. ما در این مقاله در پی بررسی کامل یادگیری عمیق در برنامهها و مکانیزم های آن هستیم. به ویژه، با بررسی مجموعه دسته بندی شده از آخرین پیشرفتهای علمی در تحقیقات یادگیری عمیق، ما در پی ارائه یک مرجع بزرگ برای افرادی که در ابتدای مسیر آشنایی با یادگیری عمیق و کاربردها، پلتفرمها، الگوریتمها و استفادههای مختلف از آن در انواع سیستمهای هوشمند جهانی هستند، خواهیم بود. علاوه براین، ما در پی بررسی پیشرفتهای مهم اخیر در زمینه تکنولوژی و ایجاد نگرش مناسب نسبت به این حوزهها و بیان تأثیر یادگیری عمیق در بهبود ارزیابیها بوده و از سویی به حوزههای تحقیقاتی جدید که میتوانند از یادگیری عمیق بهره برده اما همچنان از این رویکرد استفاده نکردهاند، اشاره میکنیم. ما امیدواریم که این بررسی تبدیل به مرجعی ارزشمند برای کارشناسان و فعالان حوزه یادگیری عمیق و همچنین افرادی شود که در پی ایجاد نوآوری در زمینه یادگیری عمیق هستند.
۲ مروری بر یادگیری عمیق
آنچه در فرآیند یادگیری ماشین بهصورت ذاتی وجود دارد، مفاهیم آموزش (بهبود مستمر در یادگیری) و استنباط (استخراج خروجی یک مدل آموزشدیده از برخی از ورودیهای اجرایی) است. در آموزش یک مدل، حجمی از دادهها به مجموعههای آموزشی و آزمایشی و یا مجموعه صحت سنجی تقسیم میشود. در الگوریتم یادگیری ماشین، دادههای آموزشی جهت یادگیری نمایش دادهها قرار دارند که بهصورت تقریب تابع از توزیع شاخصها یا مجموعهای از تصمیمات بر اساس کارکردهای هر شاخص ارائه میشوند. میتوان از مجموعه صحت سنجی در طی آموزش بهعنوان یک روش جهت صحت سنجی اثرپذیری فرایند آموزش بهره برد که نتیجه آن برای تنظیم پارامترهای یادگیری الگوریتم و بهبود دقت نهایی به کار میرود. مجموعه آزمایشی موجب ارائه مجموعه مشاهده نشدهای از دادهها جهت تعیین دقت نهایی مدل آموزشی میشود و بهعنوان منشأ شاخصهای دقت گزارششده و دیگر معیارهای اثرپذیری محسوب میشود. میتوان اصطلاح استنتاج را بهصورت فرآیند اعمال یک آیتم دادهای به یک مدل یادگیری ماشین آموزشدیده شده و پیادهسازی شده و ارائه یک خروجی استنتاجی در نظر گرفت.
با پیشرفت فنّاوریهای رایانشی، پیادهسازی مجموعههای بزرگی از رشتههای عصبی امکانپذیر شده و به شکل شبکههای عصبی تعمیمیافته است. درواقع هرچند که شبکههای عصبی بهصورت گسترده مورداستفاده قرارگرفتهاند، اما آنها بهعنوان یک فنّاوری قدیمی محسوب میشوند که به دلیل پیچیدگی و نقایص محاسباتی منسوخشدهاند. بااینحال، این موضوع به دلیل عدم برتری شبکههای عصبی نسبت به روشهای دیگر تغییریافته است. بهطور مثال میتوان به برتری رقابت شناختشی ImageNet اشاره کرد که طی آن شبکههای عصبی فراتر از دقت انسان عمل کرده و یا انسانها را در بازی Go بدون دستیابی به ورودی مستقیم یا جلسات بازی نسبت به بازیکنان دیگر مغلوب کردند. |