互联网的复杂性大大增加,这意味着处理各种数据挖掘问题的能力在多个领域变得更加重要,更具挑战性。存储技术的快速发展,结合其他因素,如移动网络的出现,数字社会,和新技术,使得大数据的出现。然而,大数据带有一定的冗余,因此虽然这些冗余数据传输和处理,时间和复杂性大大增加。为了解决这个问题,在大数据冗余数据通过数据挖掘技术可以开采或删除。然而,数据挖掘的应用在各种各样的问题,例如,网络流量监控、金融市场分析,和医疗数据分析,仍然知之甚少。

找到一个解决方案,提出了机器学习(ML)技术来实现数据挖掘大数据,并实现智能分析在各种应用程序中,如人脸识别、图像处理、语音识别、医疗诊断、信号处理、DNA分类、社交网络、物联网(物联网)。毫升是计算机算法的集合,允许计算机程序来提高自动通过经验来实现一个智能的过程。毫升基于训练数据构建模型在工程问题进行预测或决策而不显式地编程。毫升也是人工智能(AI)的主要分支,并加速人工智能的快速发展。它的主要目标是利用计算机算法从收集的数据中提取信息。然而,传统的机器学习技术不是很有效地挖掘有用的信息从大数据由于其局限性在处理复杂的任务。神经网络被广泛接受为人工智能方法,提供另一种方式来控制复杂的和不明确的问题。因此,神经网络的机器学习是必要的,解决这些问题在大数据复杂和深入的数据挖掘系统。例子包括反向传播神经网络与遗传算法(BPNN-GA),反向传播神经网络和粒子群优化(BPNN-PSO),深度学习(DL),神经网络和主成分分析(PCA-NN),神经网络和多层perceptron-genetic算法(GA-MLP-NN),径向基函数神经网络与遗传算法(RBFNN-GA),结构上限制神经网络(AC-NN)和神经网络图(GNN)。

这个特殊问题的目的是刺激讨论的设计、使用、机器学习和评价的神经网络在数据挖掘大数据系统。这个特殊的问题将包括学者和工业从业人员的交流和讨论最新的创新和应用这些方法。

潜在的主题包括但不限于以下:

• BPNN-based粒子群优化交通大数据的数据分析
• BPNN-based遗传算法在数据处理医疗大数据
• NN-based迭代学习非线性大数据系统的数据控制
• 基于人工神经网络(ANN)的整体数据可视化的方法在大型社交媒体数据
• 卷积神经网络(CNN)的上下文感知学习的数据安全和隐私为物联网在大数据
• CNN-based长期短期记忆(LSTM)机械大数据系统的故障诊断
• 小说理论和机器学习神经网络在数据挖掘中的应用