Machine Learning for Big Data Analytics: Challenges, Trends, and Future Research Directions
Notice bibliographique
Résumé
The rapid expansion of Big Data has revolutionized how organizations and societies create, store, and use information, but it has brought opportunities and challenges to effective intelligent data-driven decision-making. The capacity of Machine Learning (ML) to learn patterns, make predictions, and automate processes has turned it into an important key to unlocking the full potential of Big Data. This survey gives an in-depth overview of the overlap between ML and Big Data, including fundamental concepts, technology ecosystems, and a wide range of applications across the areas of healthcare, finance, smart cities, and governance. It also looks at some of the main issues like data heterogeneity, scalability, interpretability, security and privacy issues that restrict large-scale adoption. The research identifies some of the recent developments in the field such as deep learning, federated learning and edge intelligence which are transforming Big Data analytics. In addition, the paper outlines new research frontiers like sustainable and energy-efficient ML, hybrid models of heterogeneous data, human-in-the-loop systems, and cross-disciplinary applications to solve social issues such as climate change and disease epidemiology. Through a synthesis of previous work, this survey highlights the paradigm-shifting potential of ML in deriving actionable intelligence out of Big Data and describes future directions in developing scalable, secure, interpretable, and socially responsible analytics systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».