طراحی و ارزیابی مدل های آماری جهت تسریع فرآیند های تصمیم گیری در تحلیل داده های عظیم با استفاده از تکنیک های یادگیری ماشین

چکیده

مدل های یادگیری ماشین ,به خصوص یادگیری عمیق,نقش اساسی در تحلیل داده های بزرگ و پیچیده را بازی میکند.این مقاله یک مدل تحقیقی که متشکل شده از دو تکنیک نزول گرادیانت سرد شده و تصویر و تخمین متعامد ترکیبی است را که برای بهبود دقت پیش بینی,کم کردن زمان تمرین و بهبود پایداری در مدل های یادگیری عمیق است را معرفی میکند. AGD به عنوان الگوریتم بهینه سازی,برای سرعت بخشی همگرایی و جلوگیری از دام مینیمم محلی و در نتیجه افزایش سرعت تمرین میباشد. در همین حال، HOPE، از طریق تصویرسازی متعامد، به کاهش ابعاد و حذف نویز کمک می‌کند. مدل پیشنهادی، با بهره‌گیری از این دو تکنیک، عملکرد مدل‌های یادگیری عمیق را در تجزیه و تحلیل داده‌های پیچیده و سری‌های زمانی به طور قابل توجهی بهبود می‌بخشد. نتایج تجربی نشان می‌دهد که مدل پیشنهادی می‌تواند زمان آموزش را تا 40٪ کاهش دهد و دقت پیش‌بینی را تا 6٪ در مقایسه با روش‌های سنتی مانند SGD، SVM و XGBoost افزایش دهد. علاوه بر این، چارچوب ترکیبی AGD-HOPE، استحکام و پایداری بهبود یافته‌ای را در مجموعه داده‌های متنوع و معماری‌های شبکه نشان می‌دهد. نتایج، اثربخشی آن را در مدیریت داده‌های با ابعاد بالا و نویزی ضمن حفظ رفتار همگرایی سازگار، برجسته می‌کند. این مزایا، رویکرد پیشنهادی را به یک راه حل امیدوارکننده برای کاربردهای یادگیری عمیق در مقیاس بزرگ و سری‌های زمانی تبدیل می‌کند.