Indiziert in
- Datenbank für wissenschaftliche Zeitschriften
- Öffnen Sie das J-Tor
- Genamics JournalSeek
- JournalTOCs
- Forschungsbibel
- Ulrichs Zeitschriftenverzeichnis
- Elektronische Zeitschriftenbibliothek
- RefSeek
- Hamdard-Universität
- EBSCO AZ
- OCLC – WorldCat
- Gelehrtersteer
- SWB Online-Katalog
- Virtuelle Bibliothek für Biologie (vifabio)
- Publons
- MIAR
- Genfer Stiftung für medizinische Ausbildung und Forschung
- Euro-Pub
- Google Scholar
Nützliche Links
Teile diese Seite
Zeitschriftenflyer
Open-Access-Zeitschriften
- Allgemeine Wissenschaft
- Biochemie
- Bioinformatik und Systembiologie
- Chemie
- Genetik und Molekularbiologie
- Immunologie und Mikrobiologie
- Klinische Wissenschaften
- Krankenpflege und Gesundheitsfürsorge
- Landwirtschaft und Aquakultur
- Lebensmittel & Ernährung
- Maschinenbau
- Materialwissenschaften
- Medizinische Wissenschaften
- Neurowissenschaften und Psychologie
- Pharmazeutische Wissenschaften
- Umweltwissenschaften
- Veterinärwissenschaften
- Wirtschaft & Management
Abstrakt
Implementierung einer Lernmaschine für Big Data Analytics, Herausforderungen und Lösungen
Ahmed N AL-Masri und Manal M Nasir
Die Analyse von Big Data ist eine der größten Herausforderungen für Algorithmen lernender Maschinen (LM), da die meisten Anwendungen im realen Leben eine riesige Informations- oder Big-Data-Wissensbasis beinhalten. Im Gegensatz dazu sollte ein System künstlicher Intelligenz (KI) mit einer Datenwissensbasis in der Lage sein, das Ergebnis genau und schnell zu berechnen. Diese Studie konzentrierte sich auf die Herausforderungen und Lösungen bei der Verwendung von Big Data. Die Datenverarbeitung ist ein obligatorischer Schritt, um unstrukturierte Big Data in einem beliebigen LM-Modul in einen aussagekräftigen und optimierten Datensatz umzuwandeln. Allerdings muss ein optimierter Datensatz bereitgestellt werden, um eine verteilte Verarbeitung und Echtzeitanwendung zu unterstützen. Diese Arbeit untersuchte auch die Technologien, die derzeit bei der Analyse von Big Data und der LM-Berechnung verwendet werden, und betonte, dass die Machbarkeit der Verwendung unterschiedlicher Lösungen für bestimmte Anwendungen die LM-Leistung steigern könnte. Die neue Entwicklung, insbesondere im Bereich Cloud Computing und Datentransaktionsgeschwindigkeit, bietet erhebliche Vorteile für die praktische Verwendung von KI-Anwendungen.