چکیده
یادگیری ماشین(ML) و رایانش ابری، دو زمینۀ مطالعاتی هستند که از ادغام پذیری بسیار خوبی برخوردارند. وجود رایانش ابری، این امکان را برای دانشمندان داده فراهم می سازد تا مدل های یادگیری ماشین خود را را با بهره گیری از مزایای رایانش ابری اعم از هزینۀ کم، عملکرد عالی و دسترس پذیری بالا ایجاد نمایند. این مهم، فرصت جدیدی را در اختیار دانشجویان و سایر افراد می گذارد تا با به کارگیری سرویس ابری مناسب، ماشین های قدرتمند را در کارهای روزمرۀ خود مورد استفاده قرار دهند. از سوی دیگر، معمولاً یادگیری ماشین، برای تشخیص الگوها در زندگی روزمرۀ ما، روشی ایده آل به شمار می‌رود. این مقاله، امکان پذیری و مزایای ایجاد یک الگوی تشخیص همه منظورۀ کاربرپسند را به چالش می کشد که می تواند توسط هر فردی که از نرم افزار به عنوان یک سرویس(SaaS) استفاده می کند، به کار گرفته شود.
2.2. تشخیص الگو
تشخیص الگو، مطالعۀ درک داده ها با هدف استخراج معانی و ویژگی های درون الگوها است. اگر با دیدی موشکافانه به محیط پیرامون خود بنگریم، الگوها را در همه جا رویت خواهیم نمود. آنها معمولاً توسط ما برای شناسایی هر گونه شی ای مورد استفاده قرار می گیرند. همچنین درست در زمانی که ما در حال تجسم هستیم، ماشین ها می توانند از الگوها برای هرگونه هدف امکان پذیری استفاده کنند[10].
2.3. رایانش ابری
رایانش ابری مفهومی است که خدمات کامپیوتری در آن وجود دارند و این خدمات از طریق اینترنت در دسترس قرار می گیرند. این عامل، برای صاحبان سرور این امکان را فراهم می سازد تا به آسانی، سرورهای خود را را فارغ از هرگونه تخصص در مدیریت و نگهداری سخت افزار و نرم افزار مربوط به سرورهای کامپیوتری اجرا نمایند. افزون بر این، رایانش ابری مدیران سرور را قادر می سازند که به راحتی یک سرور مقیاس پذیر و مبتنی بر پرداخت را اجاره کنند[11]. ابر، یک مخزن سرور است که می تواند منابع محاسباتی را در اختیار مشتریان خود قرار دهد. برخی از ویژگی های رایانش ابری عبارتند از: خود ترمیم شونده، چند مستاجره، مقیاس پذیر خطی، سرویس گرا، مبتنی بر SLA( توافقنامه سطح خدمات) و انعطاف پذیر.
چهار عنصر اساسی در رایانش ابری وجود دارد که عبارتند از: سلف سرویس بر حسب تقاضا، که در آن کاربران بدون اینکه نیاز به تماس مستقیم با ارائه دهندگان برای دریافت مجوز داشته باشند، می توانند منابع محاسباتی را درخواست دهند. دسترسی به شبکۀ گسترده که در آن منابع محاسباتی در سراسر شبکه به کاربران چند پلتفرمی ارائه می گردد. تجمیع منابع [12]، که به تشریح تجمیع منابع با یکدیگر در یک مکان واحد می پردازد و سبب «نامرئی» به نظر رسیدن منابع محاسباتی فیزیکی برای کاربران می گردد؛ و خدمات اندازه گیری شده، که به منظور اندازه گیری میزان استفاده از منابع، ما به ازای پرداخت مورد استفاده قرار می گیرد. ابر جَمعی (جامعۀ ابری) همچنین مدل های خدمات زیر را برای طبقه بندی سرویس ابری مورد استفاده قرار می دهد: نرم افزار به عنوان سرویس (SaaS)، پلت فرم به‌عنوان سرویس (PaaS)، زیرساخت به‌عنوان سرویس (IaaS)، و ذخیره سازی داده به‌عنوان سرویس (DaaS)[13].
