Journal: Elsevier 2018,
یادگیری عمیق، به عنوان یکی از رویکردهای یادگیری ماشین قابل توجه امروزی، موفقیت زیادی در بسیاری از کاربردها مانند پردازش تصویر، شناسایی گفتار و درک متون کسب کرده است. این رویکرد از استراتژی‌های نظارتی و غیر نظارتی برای آموزش ویژگی‌ها و مؤلفه‌های چند سطحی در معماری‌های سلسله مراتبی برای وظایف طبقه بندی و شناسایی الگو استفاده می‌کند. توسعه‌های اخیر در شبکه‌های حسگر و تکنولوژی‌های ارتباطی، مجموعه‌ای از داده‌های کلان را در دسترس قرار داده است. گرچه داده‌های کلان، فرصت‌های زیادی را برای یک ناحیه بزرگ شامل تجارت الکترونیک، کنترل صنعتی و پزشکی هوشمند ارائه می‌کنند، اما چالش‌های زیادی روی داده کاوی و پردازش اطلاعات به دلیل ویژگی‌های حجم بالا، تنوع زیاد، سرعت بالا و صحت بالا وجود دارد. در سال‌های اخیر، آموزش عمیق تقش مهمی در تحلیل راه حل‌های مربوط به داده‌های کلان بازی کرده است. در این مثاله، ما تحقیقات امید بخش برای مدل‌های آموزش عمیق را برای آموزش ویژگی‌های مربوط به داده‌ها کلان بررسی می‌کنیم. علاوه بر این، ما چالش‌های باقی مانده برا یادگیری عمیق در داده‌های کلان را بررسی کرده و در مورد موضوعات آتی بحث می‌کنیم.