دیدگاه جهانی در مورد اینترنت اشیاء (IoT) از طریق استقبال گسترده برای شناسایی و دستیابی به تجهیزاتی با مقیاس کوچک و گجت هایی با سایز نانو که در سیستم‌های کم‌مصرف و به‌هم‌پیوسته تعبیه شده‌اند، در حال توسعه و رشد است. سازگاری گجت هایی که به‌صورت روزمره ساخته می‌شوند و  همچنین میزان اطلاعات خام در دسترس، به‌صورت نمایی در حال افزایش هستند. استراتژی‌های بسیار متنوعی به‌منظور در نظر گرفتن جریان‌های اطلاعات با هدف دستیابی به دانش مفید از داده‌های بازیابی شده، مورد انتظار هستند. نام کلان داده به‌منظور مشخص نمودن نوآوری‌های ارائه شده در رویه‌های استخراج اطلاعات ایجاد شده است. در همین راستا، چارچوب‌های مدیریت به‌منظور مدیریت حجم، سرعت و صحت داده‌ها به‌منظور کنترل هر چه بیشتر آن‌ها، ارائه شده‌اند.. درنهایت، یادگیری ماشین، یک نوآوری برای مرتب‌سازی اطلاعات خام و برآوردن نمودن انتظارات برای کمک به روند اتوماسیون و کامپیوتری نمودن عملیات مختلف است. پیشرفت در محاسبات ML و ارتقاء رویه‌های اجرا با پیشرفت رویکردهای مدیریت اطلاعات مقیاس وب و سایر اطلاعات پیشرفته با هدف دستیابی به مزیت‌های مختلف ممکن شده است. با وجود برخی کاستی‌های ناچیز، همچنان امکان گسترش ماهیت چندجانبه و ناهمگونی چالش‌ها اجتناب‌ناپذیر است. به‌خصوص، عدم وجود تصویر قابل‌درک از بازده سیستم‌های ML، می‌تواند یک توجیه آشکار برای استفاده از رویه‌های جدید قابل‌درک در شرایط کاملاً مستقل باشد. در این بخش، یک سیستم عمومی برای ارتقاء ML های سنتی از طریق ارزیابی جریان‌های اطلاعات IOT ارائه می‌شود که به‌جای خصوصیات نامتناسب داده‌ها، تصاویر معنایی داده‌های بازیابی شده از دنیای فیزیکی را مورداستفاده قرار می‌دهد. ایده اساسی برای حل مشکلات بیان شده، استفاده از مراحل مختلف مبتنی بر آنتولوژی به‌منظور ایجاد یک تصویر قابل‌درک بر اساس انتشار اطلاعات قابل‌اندازه‌گیری و همچنین به رسمیت شناختن رویه‌های دقیق و استفاده از رویه‌های مدیریت تفکر برای سازگاری هر چه بیشتر است. گزاره‌های این دو ایده و همچنین پیشرفت چارچوب‌های مبتنی بر اطلاعات منتشر شده که اطلاعات افراد در آن‌ها به‌صورت فیزیکی در اشیاء پراکنده واقع شده در یک موقعیت معین و بدون هماهنگی متمرکز قرار دارند، تثبیت می‌شوند. این رویه از هر نظر به متافیزیکی اشاره می‌کند که مفهوم‌سازی و واژه‌های مختلف را به بخش خاصی از یادگیری اختصاص می‌دهد؛ علاوه بر این، فرضیه پیشنهادی، رویه استفاده از سازگاری پیشران بر روی ابر داده‌ها را (در راستای شناسایی و استفاده از گجت های تعبیه شده در شرایط منحصربه‌فرد و فاقد پایگاه‌های اطلاعاتی)، نشان می‌دهد. وظایف القایی در بین گجت هایی که دارای توانایی محاسباتی ناچیزی هستند، گردش می‌کنند. رویکردهای تفکر جریان، مقدماتی را برای مقابله با جریان نظرات معنایی در مورد ایده‌های جدید جمع‌آوری‌شده از اطلاعات سطح پایین، فراهم می‌کنند تا بتوان با شیوه‌های آگاهانه ذهنی در مورد این ایده‌ها تصمیم‌گیری کرد. در کنار این دیدگاه، استراتژی‌های مبتکرانه که به اطلاعات به‌دست‌آمده از ابزارهای حسگر پویا مجهز هستند، نتایج مفیدی را بدون نیاز به ابزارهای محاسباتی گسترده ارائه می‌دهند. این رویکرد در ارزیابی‌های محتوایی برای ارزیابی حرکات با استفاده از یک مجموعه از اطلاعات واقعی که برای آزمایشات جمع‌آوری‌شده‌اند، مورد تأیید قرار گرفته است. نتایج با محاسبات بزرگ ML برای دستیابی به هدف نهایی جهت انجام ارزیابی‌ها، در تضاد هستند. خاصیت‌های ویژه آزمون و مقدمات آزمایشی اولیه، امکان پایداری رویکردهای مختلف را ارزیابی می‌کنند. در این بخش، یادگیری ماشین برای اینترنت اشیاء، دسته‌بندی الگوهای یادگیری ماشین و یادگیری مبتنی بر مدل ارزیابی می‌شوند.

Machine Learning for Internet of Things

Ramgopal Kashyap (Amity University Chhattisgarh, India) Source Title: Next-Generation Wireless Networks Meet Advanced Machine Learning Applications Copyright: © 2019 |Pages: 27 DOI: 10.4018/978-1-5225-7458-3.ch003

INTRODUCTION

The Internet of Things (IoT) worldview is developing through the far-reaching reception of detecting and catching smaller scale and nano-gadgets plunged in ordinary situations and interconnected in low-control, lossy systems. The sum and consistency of inescapable gadgets build day by day and after that the rate of crude information accessible for handling and investigation exponentially grows-up. Like never before, viable strategies are expected to treat information streams with the last objective to give a significant elucidation of recovered data (Puthal, 2018). The big data name was instituted to signify the innovative work of information mining procedures what's more, administration frameworks to manage "volume, speed, assortment and veracity" issues rising at the point when substantial amounts of data appear what's more, should be controlled. Consequently, Machine Learning (ML) is embraced to arrange crude information and settle on expectations situated to choice help and computerization ("Special issue of Big Data Research Journal on “Big Data and Neural Networks”", 2018). Advance in ML calculations and improvement runs with advances of inescapable advances and Web-scale information administration designs, with the goal that certain advantages have been delivered from the information examination purpose of see. By some not insignificant shortcomings are as yet clear concerning the expanding multifaceted nature and heterogeneity of unavoidable figuring challenges. Especially, the absence of significant, machine-understandable portrayal of yields from established ML systems is a conspicuous cutoff for a conceivable abuse in completely autonomic application situations.

This chapter presents a general system pointing to upgrade traditional ML investigation on IoT information streams, partner semantic depictions to data recovered from the physical world, instead of inconsequential characterization names. The essential thought is to treat a commonplace ML order issue like an ontology-driven asset disclosure steps incorporate building a rationale based portrayal of measurable information dissemination and playing out fine-grained occasion recognition, misusing nonstandard thinking administrations for matchmaking (Rathore, Paul, Ahmad & Jeon, 2017). The proposition grounds on the two thoughts and advances of disseminated information-based frameworks, whose people assertional information are physically fixing to objects spread in a given situation, without concentrated coordination. Every comment alludes to a metaphysics giving the conceptualization and vocabulary to the specific learning area besides, the proposed hypothetical show use a propelled matchmaking on metadata put away in detecting and catching gadgets plunged in a unique circumstance, lacking settled information bases. Induction assignments are circulated among gadgets which give negligible computational abilities. Stream thinking methods give the preparation to tackle the stream of semantically commented on refreshes gathered from low-level information, so as to empower versatile setting mindful practices. Along with this vision, inventive examination strategies connected to information extricated by modest off-the-rack sensor gadgets can give helpful outcomes in occasion acknowledgment without requiring extensive computational assets. Points of confinement of catching equipment could be offset novel programming side information elucidation approaches. The approach was tried and approved in a contextual investigation for street and movement checking on a genuine informational collection gathered for tests. Results were contrasted with great ML calculations keeping in mind the end goal to assess execution. The test crusade and early trials preparatory evaluate both possibility and maintainability of the various approaches. In this chapter machine learning for IoT, categorization of machine learning, model-based learning is discussed.

• قبلی
• بعدی