دسته بندی داده ها در بستر رایانش مه و رایانش ابر: بررسی و مرور جامع

حجم سرویس ها و داده های موجود در بستر اینترنت وهمچنین تعداد بیشمار سرویس گیرندگان در سرتاسر جهان این نیاز را بوجود آورد تا راهکاری گسترده برای دریافت و پاسخ به این درخواست ها تعبیه گردد، از این رو مفاهیمی مانند رایانش ابر، رایانش لبه ورایانش مه به سرعت مورد استقبال قرارداد. پلتفرم های ابر و مه می توانند به محققان در انجام آزمایشات دسته بندی که به قدرت رایانشی بالایی نیاز دارند، کمک کنند. دراین مقاله ما سعی داریم روش های یادگیری ماشین جهت طبقه بندی داده ها را در صنعت های مختلف، مزایا و تاثیر آنها را در رایانش مه و ابر مورد بررسی قرار دهیم دراین راستا تعداد ۲۱ مقاله که ۶ عدد مروری و ۱۵ عدد مقاله تحقیقاتی است، را از پایگاه های داده معتبر علمی دنیا دریافت و بررسی و تحلیل کردیم. که در ادامه به مزایا و معایب دسته بندی داده، روش های دسته بندی داده مانند نزدیکترین همسایه، ماشین بردار خطی، روش های فازی و...... خواهیم پرداخت وهمچنین نتیجه ارزیابی مدل ها را بیان خواهیم نمود. به طور کلی مقالات را از زوایای مختلف بررسی نموده ایم واز منظرپارامترهای ارزیابی مانند تست، آزمون دقت، عملکرد و F۱-score وهمچنین براساس محیط های ارزیابی نمونه اولیه، پیاده سازی، شبیه سازی ومحیط واقعی ارزیابی نموده ایم.در نتیحه به ۶ سوال مهم پاسخ داده ایم.

کلیدواژه ها:

رایانش ابر ، رایانش مه ، دسته بندی داده ، یادگیری ماشین ، ماشین بردار پشتیبانی ، رویکرد فازی