Анализ больших данных с помощью нейронной

---

АНАЛИЗ БОЛЬШИХ ДАННЫХ С ПОМОЩЬЮ НЕЙРОННОЙ
СЕТЬ
1. ВВЕДЕНИЕ
211
Доступно в Интернете по адресу http://http://iaeme.com/Home/issue/IJCIET?Volume=8&Issue=12.
http://iaeme.com/Home/journal/IJCIET
Том 8, выпуск 12, декабрь 2017 г., стр. 211–215, идентификатор статьи: IJCIET_08_12_024.
индексируется Scopus
Международный журнал гражданского строительства и технологий (IJCIET)
© Публикация IAEME
[e-mail]
ISSN Print: 0976-6308 и ISSN Online: 0976-6316
Нейронная сеть состоит из дендритов и нейронов. Метод нейронной сети оказался очень
полезным для статистического анализа большого набора данных.
http://iaeme.com/Home/issue/IJCIET?Volume=8&Issue=12
АННОТАЦИЯ
Процитировать эту статью: Гл. Мамата, П. Будда Редди, М. А. Ранджит Кумар и Шраван Кумар,
Анализ больших данных с помощью нейронной сети. Международный журнал гражданского
строительства и технологий, 8 (12), 2017 г., стр. 211–215.
Основная цель этой статьи - предоставить необходимые возможности анализа и прогнозирования
массивных приложений для эффективной обработки огромных объемов данных. Обработка данных выполняется
для повышения точности прогнозирования данных с добавлением существенных свойств. По мере того, как мы
экспериментируем с данными, наряду с практическим подходом используются стратегии обучения и методы
обработки данных. Основная цель состоит в том, чтобы служить двум целям, которые включают в себя
достижение результатов прогнозирования нейронной сети, возможных для того, кто был сгенерирован
суперкомпьютером, и вторичное повышение точности прогнозирования огромного количества данных.
Департамент информационных технологий и факультет компьютерных наук и инженерии,
Инженерный колледж Вардхаман, Хайдарабад, Индия
Ключевые слова: большие данные, нейронная сеть, обучение сети.
В последние годы все большее внимание уделяется исследованиям в области искусственных нейронных сетей,
которые представляют собой попытку моделирования возможностей обработки данных с существенными
свойствами. Несмотря на то, что существует множество моделей, для всех других текстовых редакторов
эффективная обработка данных стала узким местом. Нейронные сети рассматривают подход к проблеме
вычислений.
Ч. Мамата, П. Будда Редди, М. А. Ранджит Кумар, Шраван Кумар
Нейронная сеть — это математическая модель, вдохновленная биологическими нейронами. В этой
статье предлагается такая структура, где входными данными будут наборы изученных данных.
Эти наборы данных будут проанализированы по определенным заданным параметрам, и мы получим
результат. Эти выходные данные будут представлены в двух формах: доверять или не доверять.
Мы можем работать с набором данных, который можно взять из файла excel, Weka или OpenOffice. Этот
набор данных может обучать нейронную сеть с помощью набора инструментов MATLAB. У нас
также есть набор данных для оценки, который будет оценивать, обучена сеть или нет. У нас есть
прогнозируемый результат. Если желаемый результат совпадает с прогнозируемым результатом,
обучение успешно завершено.
Machine Translated by Google

---

http://iaeme.com/Home/journal/IJCIET
• Оценка набора данных.
[e-mail]
Анализ больших данных с помощью нейронной сети
212
• Обученный набор данных.
2. ПРЕДЛАГАЕМАЯ РАБОТА
Набор данных оценки — это данные, которые необходимо оценить для повышения точности в различных текстовых
редакторах. Данные были представлены в виде строк. Поскольку каждая строка состоит из идентификатора и входного
вектора, где идентификатор — это уникальный идентификатор, который будет использоваться для идентификации
связанного входного вектора, а входной вектор — это данные, которые представлены в виде 319 измерений, цель состоит
в том, чтобы генерировать прогнозы для оценки обученного набор данных.
Модуль обработки данных включает в себя создание дизайна набора данных, а дизайн набора данных ведет к двум
важным частям данных, которые
разделить этот набор данных для обучения и оценки. Один набор данных будет использоваться для обучения нейронной
сети с помощью набора инструментов MATLAB. Здесь набор данных будет представлен в виде строки, тогда как набор
данных будет представлен в виде идентификатора входного вектора, входного вектора, за которым следует целевой
вывод. Желаемый вывод будет в форме ИСТИНА или ЛОЖЬ по отношению к каждой входной строке. Входные строки имеют
форму входного вектора. Идентификатор входного вектора — это уникальный идентификатор, идентифицирующий
целевой выходной и входной вектора в упорядоченном виде, идентифицирующий обученный набор данных. Обученный набор
данных загружается в матрицу каждого отдельного файла, который состоит из матрицы входных векторных данных и
Входной набор данных формируется в формате CSV (значения, разделенные запятыми), который необходимо загрузить
в виде матрицы. Набор данных имеет входные векторы вместе с идентификатором вектора и целевым выходом, как
обсуждалось ранее. Здесь мы приходим к построению двух матриц из обученного набора данных, который включает
матрицу входных данных и целевую матрицу выходных данных, которая была включена для огромных миллионов строк
каждой векторной информации. Обученный набор данных собирается для прогнозирования выходных данных, которые
выполняются на основе набора данных оценки, который находится в десятичном формате от 0 до 1, и выполняется
разделение между идентификатором вектора и входным вектором, чтобы ограничить начало координат, которое
используется для точных прогнозов, которые для сохранения с использованием идентификатора вектора позже после
процесса оценки.
Аналитика больших данных в основном связана со сбором огромного количества данных из разных источников и
управлением данными таким образом, чтобы они истощались аналитиками и, наконец, доставлялись в полезный
организационный бизнес. Процесс включает в себя преобразование огромного количества данных в структурированные
и неструктурированные необработанные данные, собранные из разных источников. Огромный набор данных был собран для
лучшего понимания бизнеса и для обработки данных, которые должны быть подготовлены для моделирования прогнозов, а
затем продолжены для оценки.
Сбор данных берется совместимый с файлом excel, OpenOffice, Weka. Мы будем
Обученный набор данных состоит из данных, которые должны быть обучены в огромной организации данных, которая
включает данные в виде строк. Поскольку каждая строка состоит из идентификатора входного вектора, входного
вектора и целевого вывода. Идентификатор входного вектора уникален для каждой строки, в которую входят данные
входного вектора в виде измерений, за которыми следует целевой вывод, результат которого либо истинный, либо ложный.
При этом данные отбираются только для преобразования в набор данных для моделирования. Набор данных
представляет собой большой объем данных, который обеспечивает достаточное количество информации для эффективного
извлечения, и он исследуется для лучшего понимания, чтобы преодолеть аномалии с помощью визуализации данных.
Затем мы сосредоточимся на подготовке данных для моделирования, чтобы получить желаемый результат, поскольку
планируется оценка, чтобы получить точную возможность данных.
Machine Translated by Google

---

213
[e-mail]
Ч. Мамата, П. Будда Редди, М. А. Ранджит Кумар и Шраван Кумар
http://iaeme.com/Home/journal/IJCIET
Рис. 1. Предиктивный анализ огромного количества данных с использованием аналитики больших данных.
3. СОПУТСТВУЮЩИЕ РАБОТЫ
Большие данные имеют дело с большими объемами данных, которые представляют собой неструктурированные данные,
собранные из различных источников, которые могут состоять из различных форматов, таких как обычный текст,
изображение, речь, видео и т. д., которые включают в себя основные компоненты больших данных для обработки [1] [ 2].
целевая выходная матрица. Входной вектор состоит из 319 измерений, которые должны использоваться для
входных обучающих данных. Набор данных для оценки содержит данные для оценки набора данных, который должен быть
обучен с использованием обученного набора данных. Так как набор данных оценки состоит из данных в виде строк,
которые содержат идентификатор входного вектора и входной вектор. Строка представлена в виде идентификатора
входного вектора, за которым следует входной вектор. Файлы набора данных загружаются в виде формата CSV и
по мере набора достаточных данных пересылаются в матрицу. Обученный набор данных собирается для оценки данных
с использованием набора данных оценки вместе с соответствующим идентификатором вектора и входным вектором.
Набор оценочных данных представлен в виде десятичных значений 0 и 1. Затем следует прогнозный анализ, чтобы
получить точные результаты в пределах происхождения.
Широкий спектр нейронных сетей также называется глубоким обучением или глубокими нейронными сетями (DNN),
которые оказывают большое влияние на обработку большого объема неструктурированных данных, которые
Использование неструктурированных данных, которые выявляют очень важные взаимосвязи, которые очень
трудно определить, способ управления неструктурированными данными будет большой проблемой. Преобразование
для получения структурированных данных из неструктурированных данных рассматривается с целью анализа и
для лучшего управления данными [3].
Предел порога происхождения используется для расчета прогнозов. Поскольку обученный набор данных приводит
к миллионам строк набора данных в формате CSV, которые собираются из разных источников для обеспечения точных
прогнозов.
Существует огромный объем данных, который может привести к неопределенности результатов, что приводит
к неточности. Несмотря на то, что набор данных представлен в виде простого текста, может существовать
огромный набор данных в виде нескольких строк, которые могут простираться до миллионов, что становится
перегрузкой для всех других текстовых редакторов для эффективной обработки данных.
Machine Translated by Google

---

http://iaeme.com/Home/journal/IJCIET
214
Анализ больших данных с помощью нейронной сети
[e-mail]
4. ВЫВОДЫ
Существует обзор, в котором исследуется вычислительная мощность графических процессоров и
демонстрируется эффективный графический процессор для этапа обучения, который включает в себя концепцию
анализа больших данных и крупномасштабных нейронных сетей с DNN вместе с рекуррентной нейронной сетью
[9] [10].
диапазоны обработки данных распознавания речи, классификации визуальных объектов, информационного поиска
и данных естественного языка. Глубокая нейронная сеть — лучший признанный инструмент для обработки
больших данных [4][5].
Рекуррентные нейронные сети играют жизненно важную роль в хранении информации и улавливании дальних
зависимостей между входными данными, и это своеобразный образец нейронной сети, с помощью которого
обеспечивается рекуррентное соединение для RNN. Однако существует большое количество вычислительных
сложностей и трудностей, связанных с обучением данных [11].
Большие данные вместе с нейронными сетями, которые состоят из двух частей, называемых фазой обучения
и фазой эксплуатации. Фаза обучения предназначена для конкретной задачи, в которой используются
нейронные сети, требующие хранения большого объема памяти для хранения данных и вычисления результатов,
что также требует больших затрат времени, что приводит к большому размеру нейронных сетей [6]. .
Понимание рекуррентных нейронных сетей с точки зрения внутренней динамики, которым все больше внимания
уделяется в мире больших данных и нейронных сетей. Большая часть исследований была подтверждена
концепцией рекуррентных нейронных сетей, которая обеспечивает осведомленность с точки зрения свойств
визуализации, которые наследуют свойства внутреннего состояния RNN [12].
При таком подходе мы сталкиваемся с двумя разновидностями последовательных сетей, которые включают
в себя простые рекуррентные нейронные сети (SRR) для более эффективного расширения графических процессоров
до вентильных рекуррентных блоков (GRU), которые обеспечивают огромное исследование рекуррентных нейронных
сетей наряду с вычислительными свойствами для управления данные очень эффективным образом[13][14].
Производительность нейронных сетей классифицируется в виде точности, а идентификатор
производительности прогнозируется в соответствии с уровнями точности данных наряду с увеличением
диапазона нейронной сети [7]. Для обработки огромного количества данных вместе с большими объемами данных,
которые включают нейронные сети и аналитику больших данных, нам нужно больше вычислительной мощности, а
также потребление памяти в качестве основного воздействия на обработку и оценку данных, которые также
должны быть дешевле [8]. ].
Эта статья направлена на описание и определение концепции искусственных нейронных сетей наряду с
аналитикой больших данных для прогнозирования точности данных. Аналитика больших данных — перспективное
направление для прогнозирования точности огромного массива данных. Поскольку растет спрос на аналитику
больших данных, в которой информация собирается из разных источников, чтобы преодолеть неопределенность
данных в прогнозах. Прогнозный анализ данных выполняется путем отбора, выборки в формате набора данных и
последующего моделирования данных для уточнения информации. В этой статье представлена концепция
большого объема данных, которые должны быть собраны из разных источников и загружены в виде наборов данных.
Набор данных, который далее классифицируется как набор обученных данных и набор данных для оценки, который
загружается в формате CSV. Затем он загружается в матрицу, которую необходимо обработать, чтобы
определить точность данных. Существует огромный объем данных, который может привести к неопределенности
результатов, что приводит к неточности. Огромный набор данных рассматривается в виде набора данных,
представленного в виде простого текста, что приводит к множеству строк, которые могут расширяться до
миллионов, что становится перегрузкой для эффективной обработки данных. Используя понятие бумаги
Machine Translated by Google

---

[13]
215
.
Джикуан Нгиам и др. О методах оптимизации для глубокого обучения. На Международной конференции
по машинному обучению 2011.
Илья Суцкевер и др. Генерация текста с рекуррентными нейронными сетями. На Международной
конференции по машинному обучению 2011.
.
[20]
Интел. Показатели экспортного соответствия микропроцессоров Intel, 2013 г.
Джеффри Дин и др. Крупномасштабные распределенные глубокие сети. Достижения в области систем
обработки нейронной информации, 2012 г.
.
К. Према и д-р А. В. Шрихарша, Дифференциальная конфиденциальность в аналитике больших данных
для тактильных приложений. Международный журнал компьютерной инженерии и технологий, 8 (3), 2017
г., стр. 11–19.
[8] ДАРПА. Энергоэффективная революция для встраиваемых вычислительных технологий.
[3]
[4]
Доктор В.В.Р. Махешвара Рао, доктор В. Валли Кумари и Н. Силпа. Обширное исследование ведущих
направлений исследований в области методов и технологий больших данных. Международный журнал
компьютерной инженерии и технологий, 6 (12), 2015, стр. 20–34 Д-р М. Нагалакшми, д-р И. Сурья Прабха,
К. Анил, Техника сокращения карт больших данных, основанная на априори в распределенном майнинге.
Международный журнал перспективных исследований в области техники и технологий, 8(5), 2017 г., стр.
19–28.
[e-mail]
[7] Адам Коутс и др. Глубокое обучение с раскладушками HPC-систем. В Международной конференции по
[1]
Джеффри Элман. Нахождение структуры во времени. Когнитивная наука, 14(2):179–211, 1990.
[18]
http://iaeme.com/Home/journal/IJCIET
[12] Андрей Карпати, Джастин Джонсон и Ли Фей-Фей. Визуализация и понимание рекуррентных сетей.
Международная конференция по образовательным представлениям 2016 г., стр. 1–13, 2015 г.
[5]
[17] Суджа Черукуллапурат Мана, Парадигма больших данных и обзор планировщиков больших данных.
[10]
[11]
Ч. Мамата, П. Будда Редди, М. А. Ранджит Кумар и Шраван Кумар
Кай Ю. Крупномасштабное глубокое обучение в Baidu. На Международной конференции по управлению
информацией и знаниями 2013.
[16]
[21]
[15]
Интел. Большие данные 101: анализ неструктурированных данных.
[9] ТЕХНИЧЕСКОЕ ОПИСАНИЕ NVIDIA TESLA СЕРИИ K. Обзор продуктов семейства Kepler, 2012 г.
Патрик Мбассег, Ма-Лорена Эскандон-Кинтанилья, Микаэль Гардони, Управление знаниями и большие
данные: возможности и проблемы для малых и средних предприятий (МСП), Международный журнал
исследований и разработок в области промышленной инженерии, 8 (2), 2017, стр. 0 5 – 14
[14] Кёнхён Чо, Барт ван Мерриенбур, Дмитрий Богданов и Йошуа Бенгио. О свойствах нейронного машинного
перевода: подходы кодер-декодер. В материалах SSST-8, Восьмой семинар по синтаксису, семантике и
структуре в статистическом переводе, страницы 103–111, 2014 г.
Машинное обучение 2013.
[2] Корпорация EMC IDC IView. Извлечение ценности из хаоса.
[19] Гетане Бери Тарекегн и Йирга Яйе Мунайе, Большие данные: проблемы безопасности, вызовы и перспективы,
Международный журнал компьютерной инженерии и технологий, 7(4), 2016 г., стр. 12–24.
Международный журнал компьютерной инженерии и технологий, 8 (5), 2017, стр. 1 1–14 Доктор медицины
Табрез Квазим и Мохаммад. Мерадж, Безопасность и конфиденциальность больших данных: краткий
обзор, Международный журнал машиностроения и технологий, 8(4), 2017 г., стр. 408–412.
[6]
Майкрософт. Большой взрыв: как взрыв больших данных меняет мир.
ИСПОЛЬЗОВАННАЯ ЛИТЕРАТУРА
мы устанавливаем пороговое значение для обработки точных результатов, прогноз не должен
выходить за пределы источника, что приводит к точному прогнозу.
Machine Translated by Google