Deep Learning: Convergence to Big Data Analytics

این کتاب تکنیک ها، مفاهیم و الگوریتم های یادگیری عمیق را برای طبقه بندی و تجزیه و تحلیل کلان داده ها ارائه می کند. علاوه بر این، درک سطح مقدماتی از زبان های برنامه نویسی جدید و ابزارهای مورد استفاده برای تجزیه و تحلیل داده های بزرگ در زمان واقعی، مانند Hadoop، SPARK و GRAPHX را ارائه می دهد. تجزیه و تحلیل داده های بزرگ با استفاده از تکنیک های سنتی با چالش های مختلفی مانند پردازش سریع، دقیق و کارآمد داده های بزرگ در زمان واقعی مواجه است. علاوه بر این، اینترنت اشیا به تدریج در زمینه های مختلف مانند شهرهای هوشمند، خانه های هوشمند و سلامت الکترونیک در حال افزایش است. از آنجایی که تعداد بسیار زیاد دستگاه‌های متصل روزانه مقادیر زیادی داده تولید می‌کنند، ما به الگوریتم‌های پیچیده‌ای برای رسیدگی، سازمان‌دهی و طبقه‌بندی این داده‌ها در زمان و فضای کمتری نیاز داریم. به طور مشابه، تکنیک‌ها و الگوریتم‌های موجود برای یادگیری عمیق در زمینه داده‌های بزرگ به لطف دو شاخه اصلی یادگیری عمیق، یعنی شبکه‌های کانولوشن و باور عمیق، مزایای متعددی دارند. این کتاب بر اساس این دو نوع یادگیری عمیق، بینش‌هایی درباره این تکنیک‌ها و کاربردها ارائه می‌دهد.

به‌علاوه، به دانش‌آموزان، محققان و تازه واردان کمک می‌کند تا تجزیه و تحلیل داده‌های بزرگ را بر اساس رویکردهای یادگیری عمیق درک کنند. همچنین تکنیک‌های مختلف یادگیری ماشین را به همراه الگوی یادگیری عمیق مورد بحث قرار می‌دهد تا از پردازش داده‌های پیشرفته، طبقه‌بندی داده‌ها، و مسائل پردازش داده‌ها در زمان واقعی پشتیبانی کند.

طبقه‌بندی و ارائه بسیار ساده نگه داشته می شود تا به خوانندگان و دانش آموزان کمک کند تا مفاهیم اولیه پارادایم ها و چارچوب های یادگیری عمیق مختلف را درک کنند. عمدتاً به جای پیشینه ریاضی مفاهیم یادگیری عمیق، بر نظریه تمرکز دارد. این کتاب از 5 فصل تشکیل شده است که با توضیح مقدماتی در مورد داده های بزرگ و تکنیک های یادگیری عمیق شروع می شود و سپس ادغام داده های بزرگ و تکنیک های یادگیری عمیق و در نهایت جهت گیری های آینده را ارائه می دهد.

This book presents deep learning techniques, concepts, and algorithms to classify and analyze big data. Further, it offers an introductory level understanding of the new programming languages and tools used to analyze big data in real-time, such as Hadoop, SPARK, and GRAPHX. Big data analytics using traditional techniques face various challenges, such as fast, accurate and efficient processing of big data in real-time. In addition, the Internet of Things is progressively increasing in various fields, like smart cities, smart homes, and e-health. As the enormous number of connected devices generate huge amounts of data every day, we need sophisticated algorithms to deal, organize, and classify this data in less processing time and space. Similarly, existing techniques and algorithms for deep learning in big data field have several advantages thanks to the two main branches of the deep learning, i.e. convolution and deep belief networks. This book offers insights into these techniques and applications based on these two types of deep learning.

Further, it helps students, researchers, and newcomers understand big data analytics based on deep learning approaches. It also discusses various machine learning techniques in concatenation with the deep learning paradigm to support high-end data processing, data classifications, and real-time data processing issues.

The classification and presentation are kept quite simple to help the readers and students grasp the basics concepts of various deep learning paradigms and frameworks. It mainly focuses on theory rather than the mathematical background of the deep learning concepts. The book consists of 5 chapters, beginning with an introductory explanation of big data and deep learning techniques, followed by integration of big data and deep learning techniques and lastly the future directions.