چکیده:

به طورکلی یادگیری از داده‌های خام با چالش‌هایی همراه است، که از پیش‌پردازش داده‌ها به عنوان یکی از مهم‌ترین این چالش‌ها می‌توان نام برد. به طوری که ۸۰ درصد کشف الگوهای مفید بستگی به پیش‌پردازش هوشمندانه داده‌ها دارد. درنتیجه، برای تبدیل یادگیری ماشین به ابزاری که بتوان در هر موقعیتی از آن استفاده کرد، نیاز به ساخت سیستم‌های فرایادگیریی است، که کل فرایند کشف دانش از پیش‌پردازش داده‌های خام تا به دست‌آوردن مدل‌های نهایی را انجام دهند و بتوانند در مواجهه با مسائل جدید به خوبی از عهده آنها برآیند. در این سخنرانی معماری‌های مختلفی که برای توسعه سیستم‌های فرایادگیری مطرح شده‌اند، مرور و نقاط قوت و ضعف هر کدام از آنها بررسی خواهد شد.