تحلیل و بررسی هشت الگوریتم داده¬کاوی برای اینترنت اشیا (IoT) هوشمندتر

اینترنت اشیا (IOT) برای دگرگون کردن تمامی جنبه‌های زندگی ما برنامه‌ریزی شده‌است. انتظار می‌رود تعداد اشیا متصل به IoT تا سال ۲۰۲۰ به ۵۰ میلیارد برسد و تعداد زیاد داده‌های با ارزش را افزایش دهد. داده‌های جمع‌آوری‌شده از دستگاه‌های IoT برای درک و کنترل محیط‌های پیچیده اطرافمان استفاده خواهند شد و انتظار می¬رود تا باعث نتایجی مانند اتوماسیون بیشتر، بازده بیشتر، راندمان بالاتر، بهره‌وری، دقت، و تولید ثروت بیشتری شود. داده کاوی و دیگر روش‌های هوش¬مصنوعی نقش مهمی در افزایش هوشمندی IoT را با وجود چالش‌های زیادی ایفا می‌کنند. در این مقاله، ما قابلیت استفاده از الگوریتم های داده کاوی شناخته‌شده برای داده‌های IoT را مورد بررسی قرار می‌دهیم. این موارد شامل یادگیری عمیق شبکه‌های عصبی مصنوعی (DLANNs) هستند که یک شبکه عصبی مصنوعی چند لایه (ANN) را برای مدل‌سازی انتزاعی داده‌ها در سطح بالا ایجاد می‌کنند. نتایج اولیه ما بر روی سه مجموعه داده‌های واقعی IoT نشان می‌دهد که C4.5 و C5.0 دقت بهتری داشته و کارآمد است و دارای سرعت پردازش نسبتا بالاتر می¬باشد. ANNها و DLANNsها می‌توانند نتایج بسیار دقیق ارایه

Internet of Things (IoT) is set to revolutionize all aspects of our lives. The number of objects connected to IoT is expected to reach 50 billion by 2020, giving rise to an enormous amounts of valuable data. The data collected from the IoT devices will be used to understand and control complex environments around us, enabling better decision making, greater automation, higher efficiencies, productivity, accuracy, and wealth generation. Data mining and other artificial intelligence methods would play a critical role in creating smarter IoTs, albeit with many challenges. In this paper, we examine the applicability of eight well-known data mining algorithms for IoT data. These include, among others, the deep learning artificial neural networks (DLANNs), which build a feed forward multi-layer artificial neural network (ANN) for modelling high-level data abstractions. Our preliminary results on three real IoT datasets show that C4.5 and C5.0 have better accuracy, are memory efficient and h