Штучний інтелект

Анотація: Великі Дані обіцяють змінити наш звичний уклад повсякденного життя, роботи, відпочинку. Однак, вилучення інформації з великих масивів даних процес нетривіальний і досить ресурсомісткий. До того ж використовувати інструменти для аналізу даних, які були актуальні ще 10 років тому в сучасному контексті досить складно. У даній роботі розглянуті сучасні методи Машинного Навчання, які підходять для обробки Великих Даних, наведені їх переваги в конкретному середовищі і то як вони долають той чи інший виклик породжений Великими Даними. Врешті обрана одна методологія, яка досить широко покриває оголошені виклики і на ній зроблено акцент з коротким описом її проблематики в сучасному стані.

Ключові слова:

Посилання:

1. The Top 20 Valuable Facebook Statistics, (2018).Zephoria, Digital Marketing. Available from:https://zephoria.com/top-15-valuable-facebookstatistics/
2. Aslam, S. (2018). Twitter by the Numbers: Stats,Demographics & Fun Facts. Available from:https://www.omnicoreagency.com/twitterstatistics/
3. Mathison, R. (2018). 22+ Useful InstagramStatistics for Social Media Marketers; Hootsuite.Available from:https://blog.hootsuite.com/instagram-statistics/
4. Hernandez, D. How much Data will The Internetof Things (IoT) Generate by 2020? VersaTechnology. Available from:https://www.versatek.com/blog/how-much-datawill-the-internet-of-things-iot-generate-by-2020/
5. Grolinger, K., Hayes, M., Higashino, W.A.,L'heureux, A., Allison, D.S., Capretz, M.A.M.(2014). Challenges for MapReduce in big data inProc. IEEE World Congr. Services (SERVICES),pp. 182189.
6. Jagadish, H.V. et al. (2014). Big data and itstechnical challenges in Commun. ACM, vol. 57,no. 7, pp. 8694.
7. Chen, X.W., Lin, X. (2014). Big data deeplearning: challenges and perspectives. IEEEAccess 2, 514-525
8. L’heureux, A., Grolinger, K., Elyamany, H.F.,Capretz, M.A.M., (2017). Machine Learning WithBig Data: Challenges and Approaches, IEEEAccess(vol. 5), pp. 7776.
9. The Four V's of Big Data, IBM Big Data &Analytics Hub. Available from:http://www.ibmbigdatahub.com/infographic/fourvs-big-data
10. Grolinger, K., Hayes, M., Higashino, W.A.,L’heureux, A., Allison, D.S., Capretz, M.A.M.(2014). ‘Challenges for MapReduce in big data IEEEWorld Congr. Services (SERVICES), pp. 182–189.
11. Hinton, G.E., Salakhutdinov, R.R. (2006).Reducing the Dimensionality of Data with NeuralNetworks Science  2006-07-28.  Vol. 313, P. 504–507. DOI:10.1126/science.1127647
12. Avrim, L. Blum, Langley, P. (1997). Selection ofRelevant Features and Examples in MachineLearning, Artificial Intelligence, Volume 97,Issues 1–2, pp. 245-271
13. Bengio, Y., Courville, A., Vincent, P. (2013).‘Representation learning: A review and newperspectives IEEE Trans. Pattern Anal. Mach.Intell., vol. 35, no. 8, pp. 1798–1828.
14. Liu, H., Motoda, H., (2013). Instance Selectionand Construction for Data Mining, New York, NY,USA: Springer. vol. 608.
15. Pan, S.J., Yang, Q. (2010). A Survey on TransferLearning, IEEE Transactions on Knowledge andData Engineering, 22(10):1345–1359.
16. Shalev,-Shwartz S. (2012). Online Learning andOnline Convex Optimization Foundations andTrends® in Machine Learning: Vol. 4: No. 2,pp. 107-194.
17. Gama, J., Zliobaite, I., Bifet, A., Pechenizkiy, M.,Bouchachia, A. (2013). A Survey on ConceptDrift Adaptation ACM Computing Surveys,Vol. 1, No. 1, Article 1.
18. Lukoianova, T., Rubin, V.L. (2014). VeracityRoadmap: Is Big Data Objective, Truthful andCredible? Advances In Classification ResearchOnline, Conference Proceeding.
19. Daniel, L. Silver, Yang, Q., Li, L.H. (2013).Lifelong Machine Learning Systems: BeyondLearning Algorithms, AAAI Spring Symposium:Lifelong Machine Learning, Vol. 13 p. 05.
20. Thrun, S. (1996). Explanation-based NeuralNetwork Learning: A Lifelong LearningApproach, MA: Kluwer Academic PublishersBoston.
21. Bengio, Y. Learning deep architectures for AI,Foundations and Trends in Machine Learning2(1):1-127.
22. Ring, M.B. (1997). Child: A first step towardscontinual learning, Machine Learning, pp. 77-104.
23. Mermillod, M., Bugaiska, A., Bonin, P. (2013).The stability-plasticity dilemma: investigating thecontinuum from catastrophic forgetting to agelimited learning effects, Frontier Psychology.
24. Kirkpatrick, J., Pascanu, R., Rabinowitz, N.,Veness, J., Desjardins, G., Rusu, A.A., Milan, K.,Quan, J., Ramalho, T., Grabska-Barwinska, A.,Hassabis, D., Clopath, C., Kumaran, D., Hadsell,R. (2017). Overcoming catastrophic forgetting inneural networks, PNAS. 201611835; publishedahead of print March 14, 2017.