Sissevaade 26 suurandmete analüüsitehnikasse: 2. osa

Tänaseks minu blogisid Big andmed , olen tutvunud teile erinevaid aspekte Big andmed, mis see tegelikult tähendab faktide ja käsud ja keelud ta. Kui eelmise blogi nägime mõned Big Andmed Analytics. Loendit edasi selles ajaveebis.

1. Mustri äratundmine

Mustrituvastus on masinõppe haru, mis keskendub andmete mustrite ja seaduspärasuste tuvastamisele, kuigi mõnel juhul peetakse seda masinõppe peaaegu sünonüümiks. Mustrituvastussüsteeme koolitatakse paljudel juhtudel märgistatud koolitusandmete põhjal (järelvalvega õppimine), kuid kui märgistatud andmed pole saadaval, saab varem tundmatute mustrite avastamiseks kasutada teisi algoritme (järelevalveta õpe).

1. Ennustav modelleerimine

Ennustav analüüs hõlmab mitmesuguseid tehnikaid, mis ennustavad ajalooliste ja praeguste andmete põhjal tulevasi tulemusi. Praktikas saab ennustavat analüütikat rakendada peaaegu kõikides valdkondades – alates reaktiivmootorite rikke ennustamisest mitme tuhande anduri andmevoo põhjal kuni klientide järgmiste sammude ennustamiseni selle põhjal, mida nad ostavad, millal nad ostavad ja isegi mida. ütlevad nad sotsiaalmeedias. Ennustava analüüsi tehnikad põhinevad peamiselt statistilistel meetoditel.

Vaata ka:  Big Data Analyticsi juhend algajatele

1. Regressioonianalüüs

See on meetod, mis kasutab sõltumatuid muutujaid ja seda, kuidas need sõltuvaid muutujaid mõjutavad. See võib olla väga kasulik tehnika sotsiaalmeedia analüütika määramisel, näiteks Interneti-platvormi kaudu armastuse leidmise tõenäosus.

1. Sentimendi analüüs

Sentiment Analysis aitab teadlastel määrata kõnelejate või kirjanike tundeid teema suhtes. Sentimentanalüüsi kasutatakse selleks, et aidata:

• Parandage hotelliketi teenust, analüüsides külaliste kommentaare.
• Kohandage stiimuleid ja teenuseid, et vastata sellele, mida kliendid tegelikult nõuavad.
• Tehke sotsiaalmeedia arvamuste põhjal kindlaks, mida tarbijad tegelikult arvavad.

1. Signaali töötlemine

Signaalitöötlus on võimaldav tehnoloogia, mis hõlmab paljudes erinevates füüsilistes, sümboolsetes või abstraktsetes vormingutes sisalduva teabe töötlemise või edastamise põhiteooriat, rakendusi, algoritme ja teostusi, mida üldiselt nimetatakse signaalideks . See kasutab matemaatilisi, statistilisi, arvutuslikke, heuristlikke ja keelelisi esitusi, formalisme ja tehnikaid esitamiseks, modelleerimiseks, analüüsiks, sünteesiks, avastamiseks, taastamiseks, tuvastamiseks, omandamiseks, ekstraheerimiseks, õppimiseks, turvalisuse või kohtuekspertiisi jaoks. Näidisrakendused hõlmavad aegridade analüüsi modelleerimist või andmete liitmist, et määrata täpsem näit, kombineerides andmeid vähem täpsetest andmeallikatest (st eraldades signaali mürast).

1. Ruumiline analüüs

Ruumianalüüs on protsess, mille käigus muudame toorandmed kasulikuks teabeks. See on protsess, mille käigus uuritakse ruumiandmetes olevate objektide asukohti, atribuute ja seoseid ülekatte ja muude analüütiliste tehnikate abil, et vastata küsimusele või saada kasulikke teadmisi. Ruumianalüüs eraldab või loob ruumiandmetest uut teavet.

1. Statistika

Statistikas on uurimuslik andmeanalüüs lähenemine andmekogumite analüüsimiseks, et võtta kokku nende peamised omadused, sageli visuaalsete meetoditega. Statistilist mudelit saab kasutada või mitte, kuid peamiselt on EDA eesmärk näha, mida andmed võivad meile öelda lisaks formaalsele modelleerimisele või hüpoteeside testimisele. Statistilisi meetodeid kasutatakse ka I tüüpi vigade („valenegatiivsed“) ja II tüüpi vigade („valenegatiivsed“) tõenäosuse vähendamiseks. Rakenduse näide on A/B testimine, et teha kindlaks, mis tüüpi turundusmaterjal tulu kõige rohkem suurendab.

Vaata ka:  40 hämmastavat fakti suurandmete kohta

1. Juhendatud õpe

Juhendatud õpe on masinõppeülesanne, mille eesmärk on tuletada funktsiooni märgistatud koolitusandmete põhjal. Treeningu andmed koosnevad treeningnäidete komplektist . Juhendatud õppe puhul on iga näide paar, mis koosneb sisendobjektist (tavaliselt vektorist) ja soovitud väljundväärtusest (nimetatakse ka järelevalvesignaaliks ). Järelevalvega õppealgoritm analüüsib treeninguandmeid ja loob tuletatud funktsiooni, mida saab kasutada uute näidete kaardistamiseks.

1. Sotsiaalvõrgustiku analüüs

Sotsiaalsete võrgustike analüüs on tehnika, mida kasutati esmakordselt telekommunikatsioonitööstuses ja seejärel võtsid sotsioloogid kiiresti kasutusele inimestevaheliste suhete uurimiseks. Nüüd kasutatakse seda inimestevaheliste suhete analüüsimiseks paljudes valdkondades ja äritegevuses. Sõlmed esindavad üksikisikuid võrgus, sidemed aga üksikisikute vahelisi suhteid.

1. Simulatsioon

Keeruliste süsteemide käitumise modelleerimine, mida sageli kasutatakse prognoosimiseks, ennustamiseks ja stsenaariumide kavandamiseks. Näiteks Monte Carlo simulatsioonid on algoritmide klass, mis tuginevad korduvale juhuslikule valimile, st käitavad tuhandeid simulatsioone, millest igaüks põhineb erinevatel eeldustel. Tulemuseks on histogramm, mis annab tulemuste tõenäosusjaotuse. Üks taotlus on rahaliste eesmärkide saavutamise tõenäosuse hindamine, võttes arvesse ebakindlust erinevate algatuste edu suhtes

1. Aegridade analüüs

Aegridade analüüs hõlmab aegridade andmete analüüsimise meetodeid, et saada sisulist statistikat ja muid andmete tunnuseid. Aegridade andmed tekivad sageli tööstusprotsesside jälgimisel või ettevõtte ärimõõdikute jälgimisel. Aegridade analüüs võtab arvesse asjaolu, et aja jooksul võetud andmepunktidel võib olla sisemine struktuur (nt autokorrelatsioon, trend või hooajaline varieeruvus), mida tuleks arvesse võtta. Aegridade analüüsi näideteks on aktsiaturu indeksi tunniväärtus või iga päev teatud haigusseisundiga diagnoositud patsientide arv.

1. Järelevalveta õppimine

Järelevalveta õpe on masinõppeülesanne, mis tuletab märgistamata andmetest peidetud struktuuri kirjeldamise funktsiooni. Kuna õppijale antud näited on märgistamata, ei ole võimaliku lahenduse hindamiseks vea- ega tasusignaali – see eristab juhendamata õppimist juhendatud õppest ja kinnitusõppest.

Kuid juhendamata õppimine hõlmab ka paljusid muid tehnikaid, mis püüavad kokku võtta ja selgitada andmete põhijooni.

1. Visualiseerimine

Andmete visualiseerimine on andmete ettevalmistamine pildilises või graafilises vormingus. See võimaldab otsustajatel näha analüüse visuaalselt esitletuna, et nad saaksid aru keerulistest kontseptsioonidest või tuvastada uusi mustreid. Interaktiivse visualiseerimisega saate selle kontseptsiooni sammu edasi viia, kasutades tehnoloogiat, et süveneda diagrammidesse ja graafikutesse, et saada üksikasjalikku teavet, muutes interaktiivselt seda, milliseid andmeid näete ja kuidas neid töödeldakse.

Järeldus

Suurandmete analüüs on olnud infotehnoloogiatööstuse üks olulisemaid läbimurdeid. Tegelikult on suurandmed näidanud oma tähtsust ja vajadust peaaegu kõigis sektorites ja nende tööstusharude kõigis osakondades. Pole ühtegi eluvaldkonda, mida suurandmed poleks mõjutanud, isegi mitte meie isiklik elu. Seetõttu vajame nende tohutute andmehulkade tõhusaks haldamiseks Big Data Analyticsit.

Nagu varem öeldud, pole see nimekiri ammendav. Teadlased katsetavad endiselt uusi viise, kuidas analüüsida seda tohutut andmehulka, mis esinevad mitmel kujul ja mille genereerimiskiirus aja jooksul kasvab, et tuletada väärtusi meie konkreetse kasutuse jaoks.