大数据环境下的人工智能算法设计研究.pdfVIP

创新实践

大数据环境下的人工智能算法设计研究

123

曾辉王倩赵普

（1.新疆工程学院，新疆乌鲁木齐830023；2.新疆师范大学，新疆乌鲁木齐830017；

3.新疆大学计算机科学与技术学院（网络空间安全学院），新疆乌鲁木齐市830046）

摘要：随着互联网、物联网和其他信息技术的快速发展，大数据已经成为当今社会不可忽视的重要资源。

大数据的产生与积累涉及各个领域，包括但不限于社交媒体、金融、医疗保健、交通运输等。这些海量数据所

蕴含的信息对于决策制定、趋势分析、资源优化等具有重要意义。在当前信息爆炸的时代，大数据的涌现为人

工智能算法的发展提供了前所未有的机遇与挑战。本论文旨在探讨大数据环境下人工智能算法的设计与优化，

以解决传统算法在处理海量数据时所面临的问题。

关键词：大数据环境；人工智能；算法设计

人工智能算法能够自动学习和适应数据的模式，并从中（二）基于无监督学习的人工智能算法分类

提取有价值的信息。因此，研究在大数据环境下的人工智能第一，无监督学习是另一类常见的人工智能算法，其特

算法设计成为当前研究的热点之一。通过将人工智能算法与点主要在于训练数据没有标签或分类信息，模型在实际的

大数据处理相结合，可以实现对大数据的高效分析与挖掘，构建过程当中需要自行发现数据中的结构和模式。在大数据

为各行业提供更加智能化、精准化的解决方案。环境下，无监督学习算法可以更加有效地用于数据聚类、降

维、异常检测等任务。第二，基于无监督学习的人工智能算

一、大数据环境下的人工智能算法分类

法就其自身而言主要包括聚类算法、降维算法和关联规则挖

（一）基于监督学习的人工智能算法分类掘算法等。聚类算法在实际的应用过程当中，主要会用于将

第一，监督学习是大数据环境下常用的人工智能算法之数据集中的对象分成不同的组或类别，常见的聚类算法包括

一。相应的算法在实际的应用过程当中，主要会通过已知K均值聚类、层次聚类等。降维算法在实际的使用过程当中，

输入与输出的数据对模型进行训练，然后在实际的应用过主要用于减少数据集的维度，并且更加有效地保留数据集的

程当中会利用该模型对未知数据进行预测或分类。在大数主要特征，常见的降维算法以后会进一步的包括主成分分

据环境下，监督学习算法能够更加有效地处理海量的数据，析（PCA）、t-分布邻域嵌入（t-SNE）等。关联规则挖掘算

同时也能够进一步从中学习复杂的模式和关联。第二，在法实际的应用过程当中，主要会用于发现数据集中的频繁项

基于监督学习的人工智能算法中，常见的内容主要会包括集和关联规则，常见的关联规则挖掘算法包括Apriori算法、

支持向量机（SVM）、决策树、随机森林等。支持向量机实FP-Growth算法等。

际的应用过程当中。通过构建超平面将数据分割成不同的（三）基于增强学习的人工智能算法分类

类别，就其自身而言，主要适用于分类和回归问题。决策第一，增强学习是一种通过与环境的交互学习来获取最

树算法通过一系列的决策节点对数据进行分割，能够更加优策略的机器学习方法。在大数据环境下，增强学习算法

有效地形成树形结构，可解释性强且易于理解，在实际的在实际的应用过程当中能够更为有效地处理与时间序列相关

应用过程当中，主要常用于分类和回归。随机森林是一种的决策问题，并在不断的试验和反馈中优化决策策略。第

集成学习