جستجو برای:
سبد خرید 0
  • صفحه اصلی
  • کدکول اپلای
    • صفر تا صد اپلای
    • موقعیت های تحصیلی
    • موقعیت های شغلی
  • آکادمی کدکول
    • معرفی بیوانفورماتیک
    • زیست شناسی محاسباتی
    • بیوانفورماتیک ساختاری
    • وبینارها
    • معرفی کتاب
    • همکاران کدکول
  • خدمات
  • رویدادها
  • تازه های بیوانفورماتیکی
    • مقالات علمی
    • سوژه های برگزیده
    • اینفوگرافی
    • پادکست
      • پادکست ویدیویی
      • پادکست صوتی
  • درباره ما
    • معرفی کدکول
    • اعضا فعلی گروه
    • جشن دو سالگی کدکول
  • تماس با ما
    • تهران -پاسداران خیابان بوستان هشتم پلاک 120 واحد 14

      09308877635

      info@codecool.ir

      پیج اینستاگرام
      کانال تلگرام
      صفحه لینکدین
گروه زیست داده کاو کدکول
  • صفحه اصلی
  • کدکول اپلای
    • صفر تا صد اپلای
    • موقعیت های تحصیلی
    • موقعیت های شغلی
  • آکادمی کدکول
    • معرفی بیوانفورماتیک
    • زیست شناسی محاسباتی
    • بیوانفورماتیک ساختاری
    • وبینارها
    • معرفی کتاب
    • همکاران کدکول
  • خدمات
  • رویدادها
  • تازه های بیوانفورماتیکی
    • مقالات علمی
    • سوژه های برگزیده
    • اینفوگرافی
    • پادکست
      • پادکست ویدیویی
      • پادکست صوتی
  • درباره ما
    • معرفی کدکول
    • اعضا فعلی گروه
    • جشن دو سالگی کدکول
  • تماس با ما
    • تهران -پاسداران خیابان بوستان هشتم پلاک 120 واحد 14

      09308877635

      info@codecool.ir

      پیج اینستاگرام
      کانال تلگرام
      صفحه لینکدین
ورود / عضویت
0

وبلاگ

گروه زیست داده کاو کدکولاخبارتازه های بیوانفورماتیکیسوژه های برگزیدهگسسته‌سازی، پیش‌بینی و انتخاب ویژگی مقرون به صرفه برای سیستم‌های پیچیده

گسسته‌سازی، پیش‌بینی و انتخاب ویژگی مقرون به صرفه برای سیستم‌های پیچیده

27 تیر 1401
ارسال شده توسط مریم رفیعی پور
سوژه های برگزیده

یک عامل محدود کننده برای تحلیل سیستم‌های بزرگ، هزینه‌ٔ محاسباتی است. انتظار می‌رود رشد نمایی بهبود عملکرد سخت‌افزار که در ۶۰ سال اخیر مشاهده شده‌ است، در اوایل این دهه به پایان برسد.

هزینه‌ٔ محاسباتی روش‌های پیشرفته‌تر یادگیری ماشین برای داده‌های بزرگ به صورت نمایی رشد می‌کند و این موضوع نشان می‎‌دهد با این‌که پیش‌پردازش‌ها ممکن است کاملاً جانبدارانه باشند؛ اما برای داده‌های بزرگ غیر قابل اجتناب هستند.

از آن‌جا که انتظار می‌رود همچنان اندازه‌ٔ داده‌ها در علوم طبیعی به صورت نمایی رشد کند، فشار بر کیفیت عملکرد و هزینه‌ٔ محاسبات الگوریتم‌ها افزایش می‌یابد.

در این مقاله روشی به نام تقریب احتمالی مقیاس پذیر (SPA) ارائه شده که تحلیل سیستم‌های پیچیده را با هزینه‌ٔ محاسباتی کمتری انجام می‌دهد.

روش SPA مسائل مربوط به گسسته‌سازی و انتخاب ویژگی و پیش‌بینی را به صورت همزمان انجام می‌دهد و آن‌ها را جداگانه حل نمی‌کند‌. پیچیدگی زمانی الگوریتم SPA با افزایش مقدار داده به صورت خطی تغییر می‌کند که آن را برای استفاده روی داده‌های بزرگ مناسب می‌کند. الگوریتم SPA به هیچ کدام از برنامه‌های کاهش ابعاد نیاز ندارد و پیچیدگی زمانی آن مانند الگوریتم محبوب و بسیار کم هزینه‌ٔ K-mean است. الگوریتم SPA به صورت قابل ملاحظه‌ای تقریب با کیفیت بهتر و سرعت بیش‌تر با افزایش اندازه‌ٔ داده دارد. در این مقاله نشان داده شده‌ است که برای تعداد کلاس‌بندی کمتر SPA در مقایسه با سایر الگوریتم‌ها با تقریب بسیار خوب و با کیفیتی به جواب می‌رسد.

استفاده ازروش SPA روی داده‌های بزرگ علوم طبیعی نشان می‌دهد که ویژگی‌های SPA بهبود چشمگیری در پیش‌بینی و ارزیابی داده‌ همراه با کاهش هزینه‌های محاسباتی را موجب می‌شود. به عنوان مثال پیش‌بینی دمای روز بعد احتیاج به حل معادلات حرکت جو دارد که حل این معادلات توسط ابرکامپیوتر ممکن است. با استفاده از این روش و پردازش داده‌ها روی یک کامپیوتر شخصی MAC دمای روز بعد با خطای میانگین ۰.۷۵ درجه سانتیگراد پیش‌بینی شد.

منبع: Science Advances

برچسب ها: بهبود هزینهٔ محاسباتیروش SPAیادگیری ماشین
درباره مریم رفیعی پور

فارغ التحصیل کارشناسی ارشد رشته بیوانفورماتیک از دانشگاه تربیت مدرس

نوشته‌های بیشتر از مریم رفیعی پور
قبلی ساخت دستگاهی که کبد انسان را به مدت یک هفته خارج از بدن زنده نگه می‌­دارد
بعدی پیدا کردن دارو با استفاده از شبکه‌ برای COVID-19

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

جستجو برای:
دسته‌ها
  • آشنایی با بیوانفورماتیک و کاربرد های آن
  • اپلای
  • ایمنی شناسی
  • بیوانفورماتیک ساختاری
  • پادکست صوتی
  • تکامل
  • چالش های علمی
  • زیست پزشکی
  • زیست شناسی سلولی
  • زیست شناسی محاسباتی
  • ژنتیک و اپی ژنتیک
  • سوژه های برگزیده
  • شبکه های زیستی
  • معرفی کتاب
  • مقالات علمی
  • موقعیت تحصیلی
  • موقعیت شغلی
  • ویدئو
برچسب‌ها
COVID-19 DNA RNA SARS-COV2 آفریقا آمار آمار زیستی آنالیز داده برنامه نویسی بیان ژن بیوانفورماتیک بیوشیمی تخیلی توالی یابی تومور تکامل جبر خطی دارو زیست شناسی زیست شناسی سامانه ای زیست شناسی محاسباتی سرطان سلول های ایمنی طراحی محاسباتی دارو علمی متابولیسم مغز مهندسی کامپیوتر میکروبیوم همه گیری هوش مصنوعی واکسن کرونا ویروس کرونا پردازش تصویر پزشکی پزشکی شخصی شده ژن ژنتیک ژنوم کدکول کرونا کووید-19 یادگیری عمیق یادگیری ماشین یووال نوح هراری
  • محبوب
  • جدید
  • دیدگاه ها

گروه زیست داده کاو کدکول، متشکل از کادري مجرب و متخصص در زمينه بيوانفورماتيک و زيست شناسي محاسباتي، رسالت خويش را آموزش و پژوهش در حوزه بيوانفورماتيک و همچنين آناليز انواع داده هاي زيستي، قرار داده است.

خبرنامه

نمادها
کلیه حقوق مادی و معنوی این اثر متعلق به گروه زیست داده کاو کدکول می باشد.
اشتراک گذاری در شبکه های اجتماعی
ارسال به ایمیل
https://codecool.ir/?p=9944
ورود به سیستم ×
کد تایید
لطفاً کد تأیید ارسال شده به آن را تایپ کنید
ارسال
رمز عبور را فراموش کرده اید؟
آیا حساب کاربری ندارید؟
ثبت نام
ارسال مجدد کد یکبار مصرف(00:120)
برگشت به صفحه ورود به سایت

ارسال مجدد کد یکبار مصرف (00:120)
برگشت به صفحه ورود به سایت
  • (+93) Afghanistan
  • (+355) Albania
  • (+213) Algeria
  • (+1) American Samoa
  • (+376) Andorra
  • (+244) Angola
  • (+1) Anguilla
  • (+1) Antigua
  • (+54) Argentina
  • (+374) Armenia
  • (+297) Aruba
  • (+61) Australia
  • (+43) Austria
  • (+994) Azerbaijan
  • (+973) Bahrain
  • (+880) Bangladesh
  • (+1) Barbados
  • (+375) Belarus
  • (+32) Belgium
  • (+501) Belize
  • (+229) Benin
  • (+1) Bermuda
  • (+975) Bhutan
  • (+591) Bolivia
  • (+599) Bonaire, Sint Eustatius and Saba
  • (+387) Bosnia and Herzegovina
  • (+267) Botswana
  • (+55) Brazil
  • (+246) British Indian Ocean Territory
  • (+1) British Virgin Islands
  • (+673) Brunei
  • (+359) Bulgaria
  • (+226) Burkina Faso
  • (+257) Burundi
  • (+855) Cambodia
  • (+237) Cameroon
  • (+1) Canada
  • (+238) Cape Verde
  • (+1) Cayman Islands
  • (+236) Central African Republic
  • (+235) Chad
  • (+56) Chile
  • (+86) China
  • (+57) Colombia
  • (+269) Comoros
  • (+682) Cook Islands
  • (+225) Côte d'Ivoire
  • (+506) Costa Rica
  • (+385) Croatia
  • (+53) Cuba
  • (+599) Curaçao
  • (+357) Cyprus
  • (+420) Czech Republic
  • (+243) Democratic Republic of the Congo
  • (+45) Denmark
  • (+253) Djibouti
  • (+1) Dominica
  • (+1) Dominican Republic
  • (+593) Ecuador
  • (+20) Egypt
  • (+503) El Salvador
  • (+240) Equatorial Guinea
  • (+291) Eritrea
  • (+372) Estonia
  • (+251) Ethiopia
  • (+500) Falkland Islands
  • (+298) Faroe Islands
  • (+691) Federated States of Micronesia
  • (+679) Fiji
  • (+358) Finland
  • (+33) France
  • (+594) French Guiana
  • (+689) French Polynesia
  • (+241) Gabon
  • (+995) Georgia
  • (+49) Germany
  • (+233) Ghana
  • (+350) Gibraltar
  • (+30) Greece
  • (+299) Greenland
  • (+1) Grenada
  • (+590) Guadeloupe
  • (+1) Guam
  • (+502) Guatemala
  • (+44) Guernsey
  • (+224) Guinea
  • (+245) Guinea-Bissau
  • (+592) Guyana
  • (+509) Haiti
  • (+504) Honduras
  • (+852) Hong Kong
  • (+36) Hungary
  • (+354) Iceland
  • (+91) India
  • (+62) Indonesia
  • (+98) Iran
  • (+964) Iraq
  • (+353) Ireland
  • (+44) Isle Of Man
  • (+972) Israel
  • (+39) Italy
  • (+1) Jamaica
  • (+81) Japan
  • (+44) Jersey
  • (+962) Jordan
  • (+7) Kazakhstan
  • (+254) Kenya
  • (+686) Kiribati
  • (+965) Kuwait
  • (+996) Kyrgyzstan
  • (+856) Laos
  • (+371) Latvia
  • (+961) Lebanon
  • (+266) Lesotho
  • (+231) Liberia
  • (+218) Libya
  • (+423) Liechtenstein
  • (+370) Lithuania
  • (+352) Luxembourg
  • (+853) Macau
  • (+389) Macedonia
  • (+261) Madagascar
  • (+265) Malawi
  • (+60) Malaysia
  • (+960) Maldives
  • (+223) Mali
  • (+356) Malta
  • (+692) Marshall Islands
  • (+596) Martinique
  • (+222) Mauritania
  • (+230) Mauritius
  • (+262) Mayotte
  • (+52) Mexico
  • (+373) Moldova
  • (+377) Monaco
  • (+976) Mongolia
  • (+382) Montenegro
  • (+1) Montserrat
  • (+212) Morocco
  • (+258) Mozambique
  • (+95) Myanmar
  • (+264) Namibia
  • (+674) Nauru
  • (+977) Nepal
  • (+31) Netherlands
  • (+687) New Caledonia
  • (+64) New Zealand
  • (+505) Nicaragua
  • (+227) Niger
  • (+234) Nigeria
  • (+683) Niue
  • (+672) Norfolk Island
  • (+850) North Korea
  • (+1) Northern Mariana Islands
  • (+47) Norway
  • (+968) Oman
  • (+92) Pakistan
  • (+680) Palau
  • (+970) Palestine
  • (+507) Panama
  • (+675) Papua New Guinea
  • (+595) Paraguay
  • (+51) Peru
  • (+63) Philippines
  • (+48) Poland
  • (+351) Portugal
  • (+1) Puerto Rico
  • (+974) Qatar
  • (+242) Republic of the Congo
  • (+40) Romania
  • (+262) Runion
  • (+7) Russia
  • (+250) Rwanda
  • (+290) Saint Helena
  • (+1) Saint Kitts and Nevis
  • (+508) Saint Pierre and Miquelon
  • (+1) Saint Vincent and the Grenadines
  • (+685) Samoa
  • (+378) San Marino
  • (+239) Sao Tome and Principe
  • (+966) Saudi Arabia
  • (+221) Senegal
  • (+381) Serbia
  • (+248) Seychelles
  • (+232) Sierra Leone
  • (+65) Singapore
  • (+1) Sint Maarten
  • (+421) Slovakia
  • (+386) Slovenia
  • (+677) Solomon Islands
  • (+252) Somalia
  • (+27) South Africa
  • (+82) South Korea
  • (+211) South Sudan
  • (+34) Spain
  • (+94) Sri Lanka
  • (+1) St. Lucia
  • (+249) Sudan
  • (+597) Suriname
  • (+268) Swaziland
  • (+46) Sweden
  • (+41) Switzerland
  • (+963) Syria
  • (+886) Taiwan
  • (+992) Tajikistan
  • (+255) Tanzania
  • (+66) Thailand
  • (+1) The Bahamas
  • (+220) The Gambia
  • (+670) Timor-Leste
  • (+228) Togo
  • (+690) Tokelau
  • (+676) Tonga
  • (+1) Trinidad and Tobago
  • (+216) Tunisia
  • (+90) Turkey
  • (+993) Turkmenistan
  • (+1) Turks and Caicos Islands
  • (+688) Tuvalu
  • (+1) U.S. Virgin Islands
  • (+256) Uganda
  • (+380) Ukraine
  • (+971) United Arab Emirates
  • (+44) United Kingdom
  • (+1) United States
  • (+598) Uruguay
  • (+998) Uzbekistan
  • (+678) Vanuatu
  • (+58) Venezuela
  • (+84) Vietnam
  • (+681) Wallis and Futuna
  • (+212) Western Sahara
  • (+967) Yemen
  • (+260) Zambia
  • (+263) Zimbabwe
مرورگر شما از HTML5 پشتیبانی نمی کند.