Abstrait

Machine Learning 2018 : méthodologie descendante de collecte de grandes quantités d'informations - Abdurazzag Ali Aburas - Université du KwaZulu-Natal

Abdurazzag Ali Aburas

Aujourd'hui, les données massives ou la science de l'information se développent. La grande quantité de données est un problème pour les grandes entreprises, telles que la transmission de médias, la banque, la sécurité sociale et les grandes entreprises, par exemple les universités. Nous avons besoin de la science de l'information massive car elle reflète de nombreuses données à fort impact nécessaires dans les entreprises, le gouvernement ou les parties potentiellement privées. Le but de cette discussion est de présenter les composants d'audit des données massives, les problèmes de travail d'analyse de flux dans la configuration technique, le stockage des données et la récupération des données/informations. Les types de bases de données massives, par exemple le cloud, la sécurité des données massives, les solutions de création de logiciels et les robots d'exploration de données massives sont évalués. De plus, avec la croissance exponentielle des données collectées et accessibles, la nécessité de trier et d'utiliser efficacement ces informations apparaît. Cela pose de nouveaux défis aux organisations et à pratiquement toutes les organisations. Ces mesures gigantesques de données sont appelées big data et cette introduction couvre les stratégies essentielles utilisées et les applications réelles et la grande utilisation des données collectées. Les cas d'utilisation sont innombrables et presque toutes les organisations doivent gérer ce problème. Quoi qu'il en soit, les big data ont un autre type de définition en termes de qualité et de quantité, de cette manière, qu'il s'agisse de suivre leur activité, des données sur leurs clients ou des données techniques. Par conséquent, les systèmes de big data doivent avoir un appareil de calcul inférieur et ne pas forcer les processus à obtenir des informations utiles. Top-down et bottom-up sont tous deux des méthodes de traitement de l'information et d'ordonnancement des connaissances, utilisées dans divers domaines, notamment les logiciels, les théories humanistes et scientifiques (voir systémique), ainsi que la gestion et l'organisation. Dans la pratique, elles peuvent être considérées comme un style de pensée, d'enseignement ou de leadership. Une approche top-down (également connue sous le nom de conception par étapes et parfois utilisée comme synonyme de décomposition) consiste essentiellement à décomposer un système pour obtenir un aperçu de ses sous-systèmes de composition de manière rétro-ingénierie. Dans une approche top-down, un aperçu du système est formulé, spécifiant, mais ne détaillant pas, les sous-systèmes de premier niveau. Chaque sous-système est ensuite affiné de manière encore plus détaillée, parfois dans de nombreux niveaux de sous-systèmes supplémentaires, jusqu'à ce que la spécification entière soit réduite aux éléments de base. Un modèle descendant est souvent spécifié à l'aide de « boîtes noires », ce qui le rend plus facile à manipuler. Cependant, les boîtes noires peuvent ne pas clarifier les mécanismes élémentaires ou être suffisamment détaillées pour valider le modèle de manière réaliste. L'approche descendante commence par une vue d'ensemble. Elle se décompose ensuite en segments plus petits.[1] Une approche ascendante consiste à assembler des systèmes pour donner naissance à des systèmes plus complexes, faisant ainsi des systèmes originaux des sous-systèmes du système émergent.Le traitement ascendant est un type de traitement de l'information basé sur des données entrantes provenant de l'environnement pour former une perception. Du point de vue de la psychologie cognitive, l'information entre dans les yeux dans une direction (entrée sensorielle, ou le « bas »), puis est transformée en une image par le cerveau qui peut être interprétée et reconnue comme une perception (sortie qui est « construite » du traitement à la cognition finale). Dans une approche ascendante, les éléments de base individuels du système sont d'abord spécifiés de manière très détaillée. Ces éléments sont ensuite liés entre eux pour former des sous-systèmes plus grands, qui sont ensuite liés à leur tour, parfois à plusieurs niveaux, jusqu'à ce qu'un système complet de niveau supérieur soit formé. Cette stratégie ressemble souvent à un modèle « d'ensemencement », par lequel les débuts sont petits mais finissent par devenir plus complexes et complets. Cependant, les « stratégies organiques » peuvent aboutir à un enchevêtrement d'éléments et de sous-systèmes, développés de manière isolée et soumis à une optimisation locale plutôt qu'à la réalisation d'un objectif global.

Biographie :

Abdurazzag Ali Aburas a étudié à l'Université du KwaZulu-Natal, en Afrique du Sud