Abstracto

Machine Learning 2018: metodología descendente de gran cantidad de información - Abdurazzag Ali Aburas - Universidad de KwaZulu-Natal

Abdurazzag Ali Aburas

Hoy en día, la información masiva o ciencia de la información se está desarrollando. El problema de la información masiva para las grandes empresas, por ejemplo, transmisión de medios, banca, seguros sociales y condiciones de instrucción masiva, por ejemplo, estudiar universidades. Necesitamos la ciencia de la información masiva a la luz del hecho de que refleja numerosos datos de alto impacto requeridos en las áreas comerciales, gubernamentales o potencialmente privadas. El objetivo de esta discusión presenta los componentes de auditoría de la información masiva, los problemas de trabajo de investigación de flujo en la configuración de ingeniería, la información de almacenamiento y la recuperación de datos/información. Se evaluaron tipos de bases de datos masivas, por ejemplo, la nube, la seguridad de la información masiva, los arreglos de creación de software y los rastreadores web de información masiva. Además, con el crecimiento exponencial de la información recopilada y accesible, surge la necesidad de clasificar y utilizar adecuadamente esa información de manera eficiente. Esto plantea nuevos desafíos a las organizaciones y prácticamente a todas las organizaciones. Estas gigantescas cantidades de información se conocen como big data y esta introducción cubre las estrategias esenciales utilizadas y las aplicaciones reales y el gran uso de la información recopilada. Los casos de uso son innumerables y prácticamente todas las organizaciones deben manejar este problema. Sea como fuere, los grandes sistemas de información tienen otro tipo de definición en cuanto a calidad y cantidad, de esta manera, independientemente de si se trata de rastrear su negocio, datos sobre sus clientes o datos especializados. En consecuencia, los sistemas de grandes sistemas de información deben tener un aparato de cálculo decreciente, no procedimientos de presión para obtener información útil. Tanto el enfoque de arriba hacia abajo como el de abajo hacia arriba son estrategias de procesamiento de información y ordenamiento de conocimientos, que se utilizan en una variedad de campos, incluidos el software, las teorías humanísticas y científicas (ver sistémica), y la gestión y la organización. En la práctica, pueden verse como un estilo de pensamiento, enseñanza o liderazgo. Un enfoque de arriba hacia abajo (también conocido como diseño por pasos y en algunos casos utilizado como sinónimo de descomposición) es esencialmente la descomposición de un sistema para obtener información sobre sus subsistemas compositivos en un estilo de ingeniería inversa. En un enfoque de arriba hacia abajo se formula una descripción general del sistema, especificando, pero sin detallar, ningún subsistema de primer nivel. Luego, cada subsistema se refina con mayor detalle, a veces en muchos niveles de subsistema adicionales, hasta que la especificación completa se reduce a los elementos básicos. Un modelo descendente suele especificarse con la ayuda de "cajas negras", lo que facilita su manipulación. Sin embargo, las cajas negras pueden no aclarar los mecanismos elementales o no ser lo suficientemente detalladas como para validar el modelo de manera realista. El enfoque descendente comienza con el panorama general y, a partir de allí, se divide en segmentos más pequeños.[1] Un enfoque ascendente consiste en unir los sistemas para dar lugar a sistemas más complejos, convirtiendo así los sistemas originales en subsistemas del sistema emergente.El procesamiento ascendente es un tipo de procesamiento de información basado en los datos entrantes del entorno para formar una percepción. Desde una perspectiva de psicología cognitiva, la información entra a los ojos en una dirección (entrada sensorial, o "fondo"), y luego el cerebro la convierte en una imagen que puede interpretarse y reconocerse como una percepción (salida que se "construye" desde el procesamiento hasta la cognición final). En un enfoque ascendente, primero se especifican con gran detalle los elementos básicos individuales del sistema. Luego, estos elementos se vinculan entre sí para formar subsistemas más grandes, que a su vez se vinculan, a veces en muchos niveles, hasta que se forma un sistema completo de nivel superior. Esta estrategia a menudo se asemeja a un modelo de "semilla", por el cual los comienzos son pequeños pero eventualmente crecen en complejidad y completitud. Sin embargo, las "estrategias orgánicas" pueden dar como resultado una maraña de elementos y subsistemas, desarrollados de forma aislada y sujetos a una optimización local en lugar de cumplir un propósito global.

Biografía :

Abdurazzag Ali Aburas Estudió en la Universidad de KwaZulu-Natal, Sudáfrica