Fog Computing, Deep Learning and Big Data Analytics-Research Directions

این کتاب تصویری جامع از فناوری محاسبات مه ارائه می‌دهد، از جمله معماری‌های مه، مسائل مربوط به مدیریت برنامه‌های آگاه از تأخیر با الزامات زمان واقعی، مسائل امنیتی و حریم خصوصی و تجزیه و تحلیل مه، در سناریوهای کاربردی گسترده مانند ارتباطات دستگاه M2M، خانه‌های هوشمند ، وسایل نقلیه هوشمند، واقعیت افزوده و مدیریت حمل و نقل. این کتاب به بررسی مسائل تحقیقاتی مربوط به کاربرد تکنیک‌های یادگیری ماشینی کم عمق سنتی و یادگیری عمیق در تجزیه و تحلیل داده‌های بزرگ می‌پردازد. این پژوهش پیشرفت‌های تحقیقاتی جهانی را در گسترش الگوریتم‌های معمولی بدون نظارت یا خوشه‌بندی، گسترش الگوریتم‌های نظارت شده و نیمه‌نظارت‌شده و الگوریتم‌های استخراج قوانین مرتبط به سناریوهای کلان داده بررسی می‌کند. علاوه بر این، کاربردهای یادگیری عمیق تجزیه و تحلیل داده‌های بزرگ را در زمینه‌های بینایی رایانه و پردازش گفتار مورد بحث قرار می‌دهد و کاربردهایی مانند نمایه‌سازی معنایی و برچسب‌گذاری داده‌ها را توصیف می‌کند. در نهایت 25 مشکل تحقیقاتی حل نشده و جهت های تحقیقاتی در محاسبات مه، و همچنین در زمینه به کارگیری تکنیک های یادگیری عمیق در تجزیه و تحلیل داده های بزرگ، مانند کاهش ابعاد در داده های با ابعاد بالا و فرمول بندی بهبود یافته انتزاع داده ها همراه با جهت گیری های ممکن را شناسایی می کند. راه حل های آنها.

This book provides a comprehensive picture of fog computing technology, including of fog architectures, latency aware application management issues with real time requirements, security and privacy issues and fog analytics, in wide ranging application scenarios such as M2M device communication, smart homes, smart vehicles, augmented reality and transportation management. This book explores the research issues involved in the application of traditional shallow machine learning and deep learning techniques to big data analytics. It surveys global research advances in extending the conventional unsupervised or clustering algorithms, extending supervised and semi-supervised algorithms and association rule mining algorithms to big data Scenarios. Further it discusses the deep learning applications of big data analytics to fields of computer vision and speech processing, and describes applications such as semantic indexing and data tagging. Lastly it identifies 25 unsolved research problems and research directions in fog computing, as well as in the context of applying deep learning techniques to big data analytics, such as dimensionality reduction in high-dimensional data and improved formulation of data abstractions along with possible directions for their solutions.