دانلود مقاله تشخیص الگوی همه جانبه با استفاده از یادگیری ماشین در فضای ابری
چکیده
یادگیری ماشین(ML) و رایانش ابری، دو زمینۀ مطالعاتی هستند که از ادغام پذیری بسیار خوبی برخوردارند. وجود رایانش ابری، این امکان را برای دانشمندان داده فراهم می سازد تا مدل های یادگیری ماشین خود را را با بهره گیری از مزایای رایانش ابری اعم از هزینۀ کم، عملکرد عالی و دسترس پذیری بالا ایجاد نمایند. این مهم، فرصت جدیدی را در اختیار دانشجویان و سایر افراد می گذارد تا با به کارگیری سرویس ابری مناسب، ماشین های قدرتمند را در کارهای روزمرۀ خود مورد استفاده قرار دهند. از سوی دیگر، معمولاً یادگیری ماشین، برای تشخیص الگوها در زندگی روزمرۀ ما، روشی ایده آل به شمار می‌رود. این مقاله، امکان پذیری و مزایای ایجاد یک الگوی تشخیص همه منظورۀ کاربرپسند را به چالش می کشد که می تواند توسط هر فردی که از نرم افزار به عنوان یک سرویس(SaaS) استفاده می کند، به کار گرفته شود.
1. مقدمه
1.1. مقدمه
تشخیص الگو یکی از رایج ترین کاربردهای یادگیری ماشین به شمار می رود. ما الگوهای بسیاری را در زندگی روزمرۀ خود مشاهده می کنیم، مانند الگوهای تفکیک شده بر اساس رنگ و شکل. با بهره گیری از یادگیری ماشین، امکان تشخیص الگوهایی را می یابیم که اندیشیدن به آنها حتی برای مغز ما دشوار می باشد. با این حال، یادگیری ماشین، نیازمند قدرت محاسباتی می باشد [1]. از طرفی فراهم نمودن یک کامپیوتر مجهز به عملکرد بالا و نگهداری از آن پرهزینه خواهد بود. از اینرو، ایدۀ وجود رایانش ابری به میان آمد و اکنون در سراسر جهان از برنامه های شخصی گرفته تا شرکتی مورد استفاده قرار می گیرد.
رایانش ابری، افراد را قادر می سازد تا بدون نیاز به تعامل فیزیکی با سخت افزار، از اتصال اینترنت خود برای هر گونه محاسباتی استفاده کنند. سرویس های رایانش ابری، برای برخی از کاربردها، می تواند هزینه بر و برای برخی کاربردهای دیگر ، نسبت به داشتن سرور و مدیریت آن با همان اندازه قدرت محاسباتی کم هزینه قلمداد شود، بدین ترتیب برای هر فردی به خصوص مدیران سرور و دانشمندان داده، دسترسی پذیری بالا، قدرت محاسباتی اضافی که قابلیت توقف در هر بازۀ زمانی را داشته باشد و فراهم بودن امکان ویژگی عدم نیاز به مدیریت سرورها توسط خودشان باید مد نظر قرار گیرد[3]. در انقلاب صنعتی چهارم، رایانش ابری تاکنون برای اهداف مختلفی همچون تجزیه و تحلیل داده های حجیم [4] و اینترنت اشیا [5] [6] کاربرد داشته است.
4.2. استفاده از تشخیص الگو در RFID [23]
RFID که معمولاً تحت عنوان سامانۀ بازشناسی با امواج رادیویی شناخته می شود، شیوۀ به کارگیری برچسبی است که به یک شی متصل می شود که امکان تشخیص آن به منظور ردیابی و شناسایی شی توسط امواج رادیویی فراهم می باشد. الگوی سیگنال ارسالی به علت قابل شناسایی بودن این برچسب، قابل استخراج است. الگوی به کارگیری یا فرکانس سیگنال که توسط خواننده RFID اسکن می شود، به یک پایگاه داده ابری ارسال می گردد، بدین ترتیب می توان آن را نرمال سازی نمود و به یک مدل تشخیص الگو وارد کرد. این مدل برای آموزشِ داده های موجود در پایگاه داده و پیش بینی الگوهای جدیدِ وارده بر حسب اینکه به کدام یک از گروه داده ها شباهت داشته باشند، مورد استفاده قرار می گیرد. در این حالت، خروجی مدل یک tagID یا برچسب تعیین هویت(بر حسب الفبا) می باشد. tagID یا خروجی بر اساس حروف الفبا مرتب می شود، زیرا باید مشخصه ای داشته باشند تا در فرکانس خاصی تشدید شوند تا بدین ترتیب امکان خواندن RFID برای خواننده فراهم گردد. بنابراین مدل می تواند نزدیک بودن الگوی سیگنال یا فرکانس به هریک از tagID ها را پیش بینی نماید. هر چقدر داده های آموزشی از دقت بهتری برخوردار باشند، مدل در هنگام پیش بینی داده های جدید عملکرد بهتری از خود نشان خواهد داد. KNN (K-نزدیک‌ترین همسایگی) و SVM (ماشین بردار پشتیبان) نمونه های تشخیص الگوی به کار گرفته شده در مدل های مذکور می باشند.
Abstract
Machine learning (ML) and cloud computing are two subjects that mix very well. The existence of cloud computing enables data scientists to create their machine learning models with the benefits of cloud computing which are very low cost, high performance, and high availability. This opens a new opportunity of allowing students and other people to utilize powerful machines for daily use with the help of appropriate cloud service. On the other hand, machine learning is usually perfect for recognizing patterns in our daily life. This article discusses the possibility and the benefit of creating a user-friendly general-purpose pattern recognition that can be played around by anyone using software as a service.
1. Introduction
1.1. Introduction
Pattern Recognition is one of the most well-known uses of Machine Learning. We find many patterns in our everyday lives, like differentiating by colors and shapes. With the help of Machine Learning, we are able to recognize patterns that even our brains find hard to think about. However, machine learning requires computing power [1]. Acquiring a dedicated high-performance computer and maintaining it would be costly. Therefore, cloud computing idea was realized and it is now used globally, ranging from personal to enterprise applications.
Cloud computing enables people to use their internet connection for any computation without having to interact physically with the hardware. Its services can be considered pricey for some use cases or way cheaper [2] than having to own and manage your own server with computational power of similar grade, hence being a good consideration for anyone, especially server admins and data scientists who may find high availability, extra computational power that can be shut down anytime, and the feature of not needing to manage the servers by themselves [3]. As of today, cloud computing in the Industrial Revolution 4.0 is utilized for several purposes, such as Big Data Analysis [4] and Internet of Things [5][6].
4.2. Using Pattern Recognition to RFID [23]
RFID or more commonly known as Radio Frequency Identification is a method of using a tag that is attached to an object that can be detected by a radio frequency for the purpose of tracking and identifying the object. Because this tag can be detected, then the pattern in the signal it sent can be extracted. The signal pattern / frequency that the RFID reader scans is sent to a cloud database, so that it can be normalized and fed into a pattern recognition model. This model is used for training from the data in the database and predicting new patterns that come in whether it is similar to which group of data. In this case the output of the model is a tagID(alphabet). The tagID / output is arranged by alphabets because it is known to resonate a certain frequency that can be read by the RFID reader. So the model could predict whether the signal pattern / frequency is close to which tagID. The better the accuracy from the training data, the better the model when predicting new data. The examples of pattern recognition used in the models are KNN (K-Nearest Neighbour) and SVM (Support Vector Machine)
(جهت بزرگ نمایی روی عکس کلیک نمایید)
چکیده
1. مقدمه
1.1. مقدمه
1.2. اهداف
1.3. روش شناسی
2. بررسی پژوهش
2.1. یادگیری ماشین (ML) [9]
2.2. تشخیص الگو
2.3. رایانش ابری
2.4. یادگیری ماشین به عنوان یک سرویس (MLaaS)
3. تشخیص الگو با استفاده از یادگیری ماشین
3.1. یادگیری نظارت شده
3.2. یادگیری نظارت نشده
3.3. یادگیری تقویتی
4. آثار مرتبط با موضوع ما
4.1. تشخیص الگوی بیومتریک [22]
4.2. استفاده از تشخیص الگو در RFID [23]
منابع
Abstract
1. Introduction
1.1. Introduction
1.2. Objectives
1.3. Methodology
2. Literature Review
2.1. Machine Learning (ML) [9]
2.2. Pattern Recognition
2.3. Cloud Computing
2.4. Machine Learning as a Service (MLaaS)
3. Pattern Recognition with Maching Learning
3.1. Supervised Learning
3.2. Unsupervised Learning
3.3. Reinforcement Learning
4. Works Related to Our Topic
4.1. Biometric Pattern Recognition [22]
4.2. Using Pattern Recognition to RFID [23]
References
این محصول شامل پاورپوینت ترجمه نیز می باشد که پس از خرید قابل دانلود می باشد. پاورپوینت این مقاله حاوی 15 اسلاید و 4 فصل است. در صورت نیاز به ارائه مقاله در کنفرانس یا سمینار می توان از این فایل پاورپوینت استفاده کرد.
در این محصول، به همراه ترجمه کامل متن، یک فایل ورد ترجمه خلاصه نیز ارائه شده است. متن فارسی این مقاله در 6 صفحه (1150 کلمه) خلاصه شده و در داخل بسته قرار گرفته است.
علاوه بر ترجمه مقاله، یک فایل ورد نیز به این محصول اضافه شده است که در آن متن به صورت یک پاراگراف انگلیسی و یک پاراگراف فارسی درج شده است که باعث می شود به راحتی قادر به تشخیص ترجمه هر بخش از مقاله و مطالعه آن باشید. این فایل برای یادگیری و مطالعه همزمان متن انگلیسی و فارسی بسیار مفید می باشد.
بخش مهم دیگری از این محصول لغت نامه یا اصطلاحات تخصصی می باشد که در آن تعداد 30 عبارت و اصطلاح تخصصی استفاده شده در این مقاله در یک فایل اکسل جمع آوری شده است. در این فایل اصطلاحات انگلیسی (تک کلمه ای یا چند کلمه ای) در یک ستون و ترجمه آنها در ستون دیگر درج شده است که در صورت نیاز می توان به راحتی از این عبارات استفاده کرد.
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش و pdf بدون آرم سایت ای ترجمه
- پاورپوینت فارسی با فرمت pptx
- خلاصه فارسی با فرمت ورد (word)
- متن پاراگراف به پاراگراف انگلیسی و فارسی با فرمت ورد (word)
- اصطلاحات تخصصی با فرمت اکسل