大数据时代机器学习的新趋势

doi:10.3969/j.issn.1000-0801.2012.12.012

摘要/Abstract

摘要：

当前，大数据技术和应用吸引了众多的关注，对大量结构繁多的数据进行分析并获得知识，需要充分利用机器学习的相关技术和成果。本文主要讨论了大数据时代机器学习的发展新趋势和研究重点，并对与大数据相关性大的几个关键技术进行了分析介绍。

关键词: 大数据, 机器学习, 半监督学习, 集成学习, 概率图模型, 迁移学习

Abstract:

Recently,big data techniques and applications have attracted more and more concentrates.It can be concluded that machine learning plays an important role in analyzing the huge volume and various data to get the underlying knowledge which is one of the core task of big data analysis.This paper focused on the machine learning development trends and the era of big data,and discussed the core techniques of machine learning as well.

Key words: big data, machine learning, semi-supervised learning, integrated learning, probabilistic graphical model, transfer learning

陈康,向勇,喻超. 大数据时代机器学习的新趋势[J]. 电信科学, 2012, 28(12): 77-85.

Kang Chen,Yong Xiang,Chao Yu. New Trend of Machine Learning in the Age of Big Data[J]. Telecommunications Science, 2012, 28(12): 77-85.

参考文献 12

1	Tom Mitchell . Machine Learning. McGraw Hill Higher Education, 1997
2	Olivier C , Bernhard S , Alexander Z . Semi-Supervised Learning. The MIT Press, 2006
3	Zhu X J . Semi-Supervised Learning Literature Survey. Madison:University of Wisconsin, 2008
4	Zhou Z H . Ensemble Methods:Foundations and Algorithms.Boca Raton, FL:Chapman ＆ Hall/CRC, 2012
5	梁吉业，高嘉伟，常瑜 . 半监督学习研究进展. 山西大学学报， 2009,32（4）:528～534
6	Freund Y , Schapire R E . A decision theoretic generalization of online learning and application to boosting. Journal of Computer and System Sciences, 1997,55（1）:119～139
7	Breiman L . Bagging predictors. Machine Learning, 1996,24（2）:123～140
8	张春霞，张讲社 . 选择性集成算法综述. 计算机学报， 2011（8）
9	Koller D , Friedman N . Probabilistic Graphical Models:Principles and Techniques. The MIT Press, 2009
10	Darwiche A . Modeling and Reasoning with Bayesian Networks. Cambridge University Press, 2009
11	Pan J L , Yang Q . A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering（IEEE TKDE）, 2010,22（10）:1345～1359
12	Bahadori M T , Liu Y , Zhang D . Learning with minimum supervision:a general framework for transductive transfer learning. IEEE International Conference on Data Mining（ICDM 2011）, 2011

[1]	郭泽华, 朱昊文, 徐同文. 面向分布式机器学习的网络模态创新[J]. 电信科学, 2023, 39(6): 44-51.
[2]	韩璐, 陈威宇, 张斐, 何建锋, 苏怀振. 差异化需求下的非关系型分布式报送信息大数据分类方法[J]. 电信科学, 2023, 39(6): 114-121.
[3]	韩雪. 基于电力大数据的电力骨干通信网络毁伤韧性评估方法[J]. 电信科学, 2023, 39(5): 136-143.
[4]	刘昊双, 张永, 曹莹波. 基于K-means聚类的子结构相关适配迁移学习方法[J]. 电信科学, 2023, 39(3): 124-134.
[5]	刘雅琼, 吕哲, 赵亚飞, 寿国础. AI技术在卫星通信/互联网领域的应用综述[J]. 电信科学, 2023, 39(2): 10-24.
[6]	孙玉娣. 基于电信大数据的5G网络海量用户复访行为预测模型[J]. 电信科学, 2023, 39(2): 157-162.
[7]	章坚武, 安彦军, 邓黄燕. DNS攻击检测与安全防护研究综述[J]. 电信科学, 2022, 38(9): 1-17.
[8]	李爱华, 吴晓波, 陈超, 魏彬, 史嫄嫄. 5G网络大数据智能分析技术[J]. 电信科学, 2022, 38(8): 129-139.
[9]	黄更生, 黄宇红, 郭漫雪, 郑健平, 葛欣. DT时代面向数据服务的新型基础设施架构[J]. 电信科学, 2022, 38(7): 138-145.
[10]	祝文军, 王思宁, 高晓欣, 郑倩. 基于知识流和迁移学习的负荷预测[J]. 电信科学, 2022, 38(5): 114-123.
[11]	李攀攀, 谢正霞, 乐光学, 刘鑫. 基于深度学习的无线通信接收方法研究进展与趋势[J]. 电信科学, 2022, 38(2): 1-17.
[12]	赵海波, 相志军, 肖林松. 基于异构数据的电力短期负荷大数据预测方案[J]. 电信科学, 2022, 38(12): 103-111.
[13]	周志超, 冯毅, 夏小涵, 冯瑜瑶, 蔡超, 邱佳慧, 杨立辉, 乌云霄. 基于移动蜂窝网的机器学习室外指纹定位方案[J]. 电信科学, 2021, 37(8): 85-95.
[14]	刘志勇, 何忠江, 阮宜龙, 单俊峰, 张超. 大数据安全特征与运营实践[J]. 电信科学, 2021, 37(5): 160-169.
[15]	余立, 李哲, 高飞, 袁向阳, 杨永. 改进自训练模型在业务质差用户识别中的应用[J]. 电信科学, 2021, 37(10): 136-142.