Μια εικόνα για 26 τεχνικές ανάλυσης μεγάλων δεδομένων: Μέρος 2

Μέχρι τώρα στα ιστολόγιά μου σχετικά με τα Μεγάλα Δεδομένα , σας έχω εξοικειώσει με διάφορες πτυχές των Μεγάλων Δεδομένων, από το Τι σημαίνει στην πραγματικότητα μέχρι τα γεγονότα και τα πράγματα που πρέπει και τα μη. Στο προηγούμενο blog είδαμε μερικές τεχνικές ανάλυσης Big Data. Προχωρώντας τη λίστα περαιτέρω σε αυτό το ιστολόγιο.

1. Αναγνώριση μοτίβου

Η αναγνώριση προτύπων είναι ένας κλάδος της μηχανικής μάθησης που εστιάζει στην αναγνώριση προτύπων και κανονικοτήτων στα δεδομένα, αν και σε ορισμένες περιπτώσεις θεωρείται σχεδόν συνώνυμη με τη μηχανική μάθηση. Τα συστήματα αναγνώρισης προτύπων εκπαιδεύονται σε πολλές περιπτώσεις από δεδομένα «εκπαίδευσης» με ετικέτα (εποπτευόμενη μάθηση), αλλά όταν δεν υπάρχουν διαθέσιμα δεδομένα με ετικέτα, μπορούν να χρησιμοποιηθούν άλλοι αλγόριθμοι για την ανακάλυψη προηγουμένως άγνωστων προτύπων (μάθηση χωρίς επίβλεψη).

1. Προγνωστική Μοντελοποίηση

Η προγνωστική ανάλυση περιλαμβάνει μια ποικιλία τεχνικών που προβλέπουν μελλοντικά αποτελέσματα με βάση ιστορικά και τρέχοντα δεδομένα. Στην πράξη, η προγνωστική ανάλυση μπορεί να εφαρμοστεί σχεδόν σε όλους τους κλάδους – από την πρόβλεψη της αστοχίας των κινητήρων αεριωθούμενων με βάση τη ροή δεδομένων από πολλές χιλιάδες αισθητήρες, έως την πρόβλεψη των επόμενων κινήσεων των πελατών με βάση το τι αγοράζουν, πότε αγοράζουν και ακόμη και τι λένε στα social media. Οι τεχνικές προγνωστικής ανάλυσης βασίζονται κυρίως σε στατιστικές μεθόδους.

Δείτε επίσης:  Οδηγός για αρχάριους για ανάλυση μεγάλων δεδομένων

1. Ανάλυση παλινδρόμησης

Αυτή είναι μια τεχνική που χρησιμοποιεί ανεξάρτητες μεταβλητές και πώς αυτές επηρεάζουν τις εξαρτημένες μεταβλητές. Αυτή μπορεί να είναι μια πολύ χρήσιμη τεχνική για τον προσδιορισμό των αναλύσεων των μέσων κοινωνικής δικτύωσης, όπως η πιθανότητα εύρεσης αγάπης μέσω μιας διαδικτυακής πλατφόρμας.

1. Ανάλυση Συναισθήματος

Η Ανάλυση Συναισθήματος βοηθά τους ερευνητές να προσδιορίσουν τα συναισθήματα των ομιλητών ή των συγγραφέων σε σχέση με ένα θέμα. Η ανάλυση συναισθήματος χρησιμοποιείται για να βοηθήσει:

• Βελτιώστε την εξυπηρέτηση σε μια αλυσίδα ξενοδοχείων αναλύοντας τα σχόλια των επισκεπτών.
• Προσαρμόστε τα κίνητρα και τις υπηρεσίες για να αντιμετωπίσετε αυτό που πραγματικά ζητούν οι πελάτες.
• Προσδιορίστε τι πραγματικά σκέφτονται οι καταναλωτές με βάση τις απόψεις από τα μέσα κοινωνικής δικτύωσης.

1. Επεξεργασία σήματος

Η επεξεργασία σήματος είναι μια τεχνολογία ενεργοποίησης που περιλαμβάνει τη θεμελιώδη θεωρία, τις εφαρμογές, τους αλγόριθμους και τις υλοποιήσεις της επεξεργασίας ή της μεταφοράς πληροφοριών που περιέχονται σε πολλές διαφορετικές φυσικές, συμβολικές ή αφηρημένες μορφές που ονομάζονται ευρέως ως σήματα . Χρησιμοποιεί μαθηματικές, στατιστικές, υπολογιστικές, ευρετικές και γλωσσικές αναπαραστάσεις, φορμαλισμούς και τεχνικές για αναπαράσταση, μοντελοποίηση, ανάλυση, σύνθεση, ανακάλυψη, ανάκτηση, αίσθηση, απόκτηση, εξαγωγή, μάθηση, ασφάλεια ή εγκληματολογία. Τα δείγματα εφαρμογών περιλαμβάνουν μοντελοποίηση για ανάλυση χρονοσειρών ή υλοποίηση συγχώνευσης δεδομένων για τον προσδιορισμό μιας πιο ακριβούς ανάγνωσης συνδυάζοντας δεδομένα από ένα σύνολο λιγότερο ακριβών πηγών δεδομένων (δηλ. εξαγωγή του σήματος από τον θόρυβο).

1. Χωρική Ανάλυση

Η χωρική ανάλυση είναι η διαδικασία με την οποία μετατρέπουμε τα ακατέργαστα δεδομένα σε χρήσιμες πληροφορίες. Είναι η διαδικασία εξέτασης των τοποθεσιών, των χαρακτηριστικών και των σχέσεων των χαρακτηριστικών στα χωρικά δεδομένα μέσω επικάλυψης και άλλων αναλυτικών τεχνικών με σκοπό την αντιμετώπιση μιας ερώτησης ή την απόκτηση χρήσιμης γνώσης. Η χωρική ανάλυση εξάγει ή δημιουργεί νέες πληροφορίες από χωρικά δεδομένα.

1. Στατιστική

Στη στατιστική, η διερευνητική ανάλυση δεδομένων είναι μια προσέγγιση για την ανάλυση συνόλων δεδομένων για τη σύνοψη των κύριων χαρακτηριστικών τους, συχνά με οπτικές μεθόδους. Ένα στατιστικό μοντέλο μπορεί να χρησιμοποιηθεί ή όχι, αλλά πρωτίστως το EDA είναι για να δούμε τι μπορούν να μας πουν τα δεδομένα πέρα ​​από την τυπική εργασία μοντελοποίησης ή δοκιμής υποθέσεων. Χρησιμοποιούνται επίσης στατιστικές τεχνικές για τη μείωση της πιθανότητας σφαλμάτων Τύπου Ι ("ψευδώς θετικά") και σφαλμάτων Τύπου ΙΙ ("ψευδώς αρνητικά"). Ένα παράδειγμα εφαρμογής είναι η δοκιμή A/B για να προσδιοριστεί ποιοι τύποι υλικού μάρκετινγκ θα αυξήσουν περισσότερο τα έσοδα.

Δείτε επίσης:  40 συγκλονιστικά γεγονότα για τα μεγάλα δεδομένα

1. Επίβλεψη μάθησης

Η εποπτευόμενη μάθηση είναι η εργασία μηχανικής μάθησης για το συμπέρασμα μιας συνάρτησης από δεδομένα εκπαίδευσης με ετικέτα. Τα δεδομένα εκπαίδευσης αποτελούνται από ένα σύνολο παραδειγμάτων εκπαίδευσης . Στην εποπτευόμενη μάθηση, κάθε παράδειγμα είναι ένα ζεύγος που αποτελείται από ένα αντικείμενο εισόδου (συνήθως ένα διάνυσμα) και μια επιθυμητή τιμή εξόδου (ονομάζεται επίσης εποπτικό σήμα ). Ένας εποπτευόμενος αλγόριθμος μάθησης αναλύει τα δεδομένα εκπαίδευσης και παράγει μια συνάρτηση που προκύπτει, η οποία μπορεί να χρησιμοποιηθεί για τη χαρτογράφηση νέων παραδειγμάτων.

1. Ανάλυση Κοινωνικών Δικτύων

Η ανάλυση κοινωνικών δικτύων είναι μια τεχνική που χρησιμοποιήθηκε αρχικά στη βιομηχανία των τηλεπικοινωνιών και στη συνέχεια υιοθετήθηκε γρήγορα από τους κοινωνιολόγους για τη μελέτη των διαπροσωπικών σχέσεων. Τώρα εφαρμόζεται για την ανάλυση των σχέσεων μεταξύ ανθρώπων σε πολλούς τομείς και εμπορικές δραστηριότητες. Οι κόμβοι αντιπροσωπεύουν άτομα μέσα σε ένα δίκτυο, ενώ οι δεσμοί αντιπροσωπεύουν τις σχέσεις μεταξύ των ατόμων.

1. Προσομοίωση

Μοντελοποίηση της συμπεριφοράς πολύπλοκων συστημάτων, που χρησιμοποιούνται συχνά για πρόβλεψη, πρόβλεψη και σχεδιασμό σεναρίων. Οι προσομοιώσεις Monte Carlo, για παράδειγμα, είναι μια κατηγορία αλγορίθμων που βασίζονται σε επαναλαμβανόμενη τυχαία δειγματοληψία, δηλαδή στην εκτέλεση χιλιάδων προσομοιώσεων, καθεμία βασισμένη σε διαφορετικές υποθέσεις. Το αποτέλεσμα είναι ένα ιστόγραμμα που δίνει μια κατανομή πιθανοτήτων των αποτελεσμάτων. Μια εφαρμογή αξιολογεί την πιθανότητα επίτευξης οικονομικών στόχων, δεδομένης της αβεβαιότητας σχετικά με την επιτυχία διαφόρων πρωτοβουλιών

1. Ανάλυση χρονοσειρών

Η ανάλυση χρονοσειρών περιλαμβάνει μεθόδους για την ανάλυση δεδομένων χρονοσειρών με σκοπό την εξαγωγή σημαντικών στατιστικών και άλλων χαρακτηριστικών των δεδομένων. Τα δεδομένα χρονοσειρών προκύπτουν συχνά κατά την παρακολούθηση βιομηχανικών διαδικασιών ή την παρακολούθηση εταιρικών επιχειρηματικών μετρήσεων. Η ανάλυση χρονοσειρών εξηγεί το γεγονός ότι τα σημεία δεδομένων που λαμβάνονται με την πάροδο του χρόνου μπορεί να έχουν μια εσωτερική δομή (όπως αυτοσυσχέτιση, τάση ή εποχιακή διακύμανση) που πρέπει να λαμβάνεται υπόψη. Παραδείγματα ανάλυσης χρονοσειρών περιλαμβάνουν την ωριαία αξία ενός χρηματιστηριακού δείκτη ή τον αριθμό των ασθενών που διαγιγνώσκονται με μια δεδομένη πάθηση κάθε μέρα.

1. Εκμάθηση χωρίς επίβλεψη

Η μη εποπτευόμενη μάθηση είναι η εργασία μηχανικής μάθησης που συνάγει μια συνάρτηση για την περιγραφή της κρυφής δομής από δεδομένα χωρίς ετικέτα. Δεδομένου ότι τα παραδείγματα που δίνονται στον εκπαιδευόμενο δεν έχουν ετικέτα, δεν υπάρχει σήμα σφάλματος ή ανταμοιβής για την αξιολόγηση μιας πιθανής λύσης – αυτό διακρίνει τη μη εποπτευόμενη μάθηση από την εποπτευόμενη μάθηση και την ενισχυτική μάθηση.

Ωστόσο, η μάθηση χωρίς επίβλεψη περιλαμβάνει επίσης πολλές άλλες τεχνικές που επιδιώκουν να συνοψίσουν και να εξηγήσουν βασικά χαρακτηριστικά των δεδομένων.

1. Οραματισμός

Οπτικοποίηση δεδομένων είναι η προετοιμασία δεδομένων σε εικονογραφική ή γραφική μορφή. Δίνει τη δυνατότητα στους υπεύθυνους λήψης αποφάσεων να βλέπουν τα αναλυτικά στοιχεία που παρουσιάζονται οπτικά, ώστε να μπορούν να κατανοήσουν δύσκολες έννοιες ή να εντοπίσουν νέα μοτίβα. Με τη διαδραστική οπτικοποίηση, μπορείτε να προχωρήσετε την ιδέα ένα βήμα παραπέρα χρησιμοποιώντας την τεχνολογία για να εμβαθύνετε σε γραφήματα και γραφήματα για περισσότερες λεπτομέρειες, αλλάζοντας διαδραστικά τα δεδομένα που βλέπετε και τον τρόπο επεξεργασίας τους.

συμπέρασμα

Η ανάλυση μεγάλων δεδομένων ήταν μια από τις πιο σημαντικές ανακαλύψεις στον κλάδο της τεχνολογίας της πληροφορίας. Στην πραγματικότητα, τα Big Data έχουν δείξει τη σημασία και την ανάγκη τους σχεδόν σε όλους τους τομείς και σε όλα τα τμήματα αυτών των βιομηχανιών. Δεν υπάρχει καμία πτυχή της ζωής που να μην έχει επηρεαστεί από τα Μεγάλα Δεδομένα, ούτε καν η προσωπική μας ζωή. Ως εκ τούτου, χρειαζόμαστε Big Data Analytics για να διαχειριστούμε αποτελεσματικά αυτές τις τεράστιες ποσότητες δεδομένων.

Όπως αναφέρθηκε προηγουμένως, αυτή η λίστα δεν είναι εξαντλητική. Οι ερευνητές εξακολουθούν να πειραματίζονται σε νέους τρόπους Ανάλυσης αυτών των τεράστιων ποσοτήτων Δεδομένων που υπάρχουν σε ποικίλες μορφές των οποίων η ταχύτητα παραγωγής αυξάνεται με την πάροδο του χρόνου για να εξαχθούν τιμές για τις συγκεκριμένες χρήσεις μας.