Katsaus 26 Big Datan analyyttiseen tekniikkaan: Osa 2

Tähän asti olen Big Dataa käsittelevissä blogeissani tutustunut Big Datan eri puoliin, alkaen siitä, mitä se todella tarkoittaa, tosiasioihin ja siihen, mitä tehdä ja ei saa tehdä. Vuonna edellisessä blogissa näimme Big Data Analytics Techniques. Listaa eteenpäin tässä blogissa.

1. Hahmontunnistus

Kuvioiden tunnistus on koneoppimisen osa, joka keskittyy datan kuvioiden ja säännönmukaisuuksien tunnistamiseen, vaikka sen katsotaan joissain tapauksissa olevan lähes synonyymi koneoppimisen kanssa. Kuvioiden tunnistusjärjestelmät koulutetaan monissa tapauksissa merkityistä "koulutustiedoista" (valvottu oppiminen), mutta kun merkittyä tietoa ei ole saatavilla, voidaan käyttää muita algoritmeja aiemmin tuntemattomien kuvioiden löytämiseen (valvomaton oppiminen).

1. Ennakoiva mallinnus

Ennustava analytiikka sisältää erilaisia ​​tekniikoita, jotka ennustavat tulevaisuuden tuloksia historiallisten ja nykyisten tietojen perusteella. Käytännössä ennustavaa analytiikkaa voidaan soveltaa lähes kaikkiin tieteenaloihin – suihkumoottoreiden vikojen ennustamisesta useiden tuhansien antureiden datavirran perusteella asiakkaiden tulevien liikkeiden ennustamiseen sen perusteella, mitä he ostavat, milloin he ostavat ja jopa mitä he ostavat. he sanovat sosiaalisessa mediassa. Ennustava analytiikan tekniikat perustuvat ensisijaisesti tilastollisiin menetelmiin.

Katso myös:  Aloittelijan opas Big Data Analyticsiin

1. Taantumisanalyysi

Tämä on tekniikka, jossa käytetään riippumattomia muuttujia ja kuinka ne vaikuttavat riippuviin muuttujiin. Tämä voi olla erittäin hyödyllinen tekniikka määritettäessä sosiaalisen median analytiikkaa, kuten todennäköisyyttä löytää rakkautta Internet-alustan kautta.

1. Sentimenttianalyysi

Sentimenttianalyysi auttaa tutkijoita määrittämään puhujien tai kirjoittajien tunteet aiheeseen liittyen. Tunneanalyysiä käytetään apuna:

• Paranna palvelua hotelliketjussa analysoimalla asiakkaiden kommentteja.
• Mukauta kannustimia ja palveluita vastaamaan sitä, mitä asiakkaat todella vaativat.
• Selvitä, mitä kuluttajat todella ajattelevat sosiaalisen median mielipiteiden perusteella.

1. Signaalinkäsittely

Signaalinkäsittely on mahdollistava tekniikka, joka kattaa perusteorian, sovellukset, algoritmit ja toteutukset tietojen käsittelystä tai siirtämisestä monissa erilaisissa fyysisissä, symbolisissa tai abstrakteissa muodoissa, joita kutsutaan yleisesti signaaleiksi . Se käyttää matemaattisia, tilastollisia, laskennallisia, heuristisia ja lingvistisiä esityksiä, formalismeja ja tekniikoita esittämiseen, mallintamiseen, analysointiin, synteesiin, löytämiseen, palauttamiseen, havaitsemiseen, hankintaan, poimimiseen, oppimiseen, turvallisuuteen tai rikostekniseen tutkimukseen. Esimerkkisovelluksia ovat mallintaminen aikasarjaanalyysiä varten tai tietojen yhdistäminen tarkemman lukeman määrittämiseksi yhdistämällä tiedot joukosta vähemmän tarkkoja tietolähteitä (eli erottamalla signaali kohinasta).

1. Spatiaalinen analyysi

Spatiaalinen analyysi on prosessi, jolla muutamme raakatiedoista hyödyllistä tietoa. Se on prosessi, jossa tutkitaan paikkatiedon ominaisuuksien sijainteja, attribuutteja ja suhteita peittokuvan ja muiden analyyttisten tekniikoiden avulla, jotta voidaan vastata kysymykseen tai saada hyödyllistä tietoa. Spatiaalinen analyysi poimii tai luo uutta tietoa paikkatiedoista.

1. Tilastot

Tilastoissa tutkiva data-analyysi on tapa analysoida tietojoukkoja niiden tärkeimpien ominaisuuksien tiivistämiseksi, usein visuaalisilla menetelmillä. Tilastollista mallia voidaan käyttää tai ei, mutta EDA on ensisijaisesti sen näkemiseen, mitä data voi kertoa muodollisen mallinnuksen tai hypoteesien testauksen lisäksi. Tilastollisia tekniikoita käytetään myös vähentämään tyypin I virheiden ("väärät positiiviset") ja tyypin II virheiden ("väärät negatiivit") todennäköisyyttä. Esimerkki sovelluksesta on A/B-testaus sen määrittämiseksi, minkä tyyppinen markkinointimateriaali lisää eniten tuloja.

Katso myös:  40 hämmentävää faktaa suurdatasta

1. Ohjattu oppiminen

Ohjattu oppiminen on koneoppimistehtävä, jossa päätellään funktio tunnistetuista koulutustiedoista. Harjoitustiedot koostuvat joukosta harjoitusesimerkkejä . Ohjatussa oppimisessa kukin esimerkki on pari, joka koostuu tuloobjektista (tyypillisesti vektorista) ja halutusta lähtöarvosta (kutsutaan myös valvontasignaaliksi ). Valvottu oppimisalgoritmi analysoi harjoitustiedot ja tuottaa päätellyn funktion, jota voidaan käyttää uusien esimerkkien kartoittamiseen.

1. Sosiaalisen verkoston analyysi

Sosiaalisen verkoston analyysi on tekniikka, jota käytettiin ensin televiestintäteollisuudessa, ja sitten sosiologit omaksuivat sen nopeasti tutkiessaan ihmissuhteita. Sitä käytetään nyt analysoimaan ihmisten välisiä suhteita monilla aloilla ja kaupallisessa toiminnassa. Solmut edustavat yksilöitä verkossa, kun taas siteet edustavat yksilöiden välisiä suhteita.

1. Simulointi

Monimutkaisten järjestelmien käyttäytymisen mallintaminen, jota käytetään usein ennustamiseen, ennustamiseen ja skenaarioiden suunnitteluun. Esimerkiksi Monte Carlo -simulaatiot ovat luokka algoritmeja, jotka luottavat toistuvaan satunnaisotantaan, eli suorittavat tuhansia simulaatioita, joista jokainen perustuu erilaisiin oletuksiin. Tuloksena on histogrammi, joka antaa tulosten todennäköisyysjakauman. Yksi hakemus koskee taloudellisten tavoitteiden saavuttamisen todennäköisyyttä, kun otetaan huomioon eri aloitteiden onnistumisen epävarmuustekijät

1. Aikasarja-analyysi

Aikasarjaanalyysi sisältää menetelmiä aikasarjatietojen analysointiin, jotta tiedosta saadaan mielekkäitä tilastoja ja muita ominaisuuksia. Aikasarjatiedot syntyvät usein, kun seurataan teollisia prosesseja tai seurataan yrityksen liiketoiminnan mittareita. Aikasarjaanalyysi ottaa huomioon sen tosiasian, että ajan mittaan otetuilla datapisteillä voi olla sisäinen rakenne (kuten autokorrelaatio, trendi tai kausivaihtelu), joka tulee ottaa huomioon. Esimerkkejä aikasarjaanalyysistä ovat osakemarkkinaindeksin tuntiarvo tai niiden potilaiden lukumäärä, joilla on diagnosoitu tietty sairaus päivittäin.

1. Ohjaamaton oppiminen

Valvomaton oppiminen on koneoppimistehtävä päätellä funktio, joka kuvaa piilotettua rakennetta merkitsemättömästä tiedosta. Koska oppijalle annetut esimerkit ovat nimeämättömiä, mahdollisen ratkaisun arvioimiseksi ei ole virhe- tai palkkiosignaalia – tämä erottaa ohjaamattoman oppimisen ohjatusta oppimisesta ja vahvistusoppimisesta.

Ohjaamaton oppiminen kattaa kuitenkin myös monia muita tekniikoita, joilla pyritään tiivistämään ja selittämään datan keskeisiä piirteitä.

1. Visualisointi

Tiedon visualisointi on tietojen valmistamista kuva- tai graafiseen muotoon. Sen avulla päättäjät näkevät analytiikan visuaalisesti esitettynä, jotta he voivat tarttua vaikeisiin käsitteisiin tai tunnistaa uusia malleja. Vuorovaikutteisen visualisoinnin avulla voit viedä konseptia askeleen pidemmälle käyttämällä tekniikkaa kaavioiden ja kaavioiden syventämiseen saadaksesi enemmän yksityiskohtia ja muuttaa interaktiivisesti sitä, mitä tietoja näet ja miten niitä käsitellään.

Johtopäätös

Big data -analytiikka on ollut yksi tärkeimmistä tietotekniikan läpimurroista. Itse asiassa Big Data on osoittanut tärkeyden ja tarpeensa lähes kaikilla aloilla ja näiden toimialojen kaikilla osastoilla. Ei ole olemassa yhtäkään elämän osa-aluetta, johon Big Data ei olisi vaikuttanut, ei edes henkilökohtainen elämämme. Siksi tarvitsemme Big Data Analyticsia hallitaksemme näitä valtavia tietomääriä tehokkaasti.

Kuten aiemmin mainittiin, tämä luettelo ei ole tyhjentävä. Tutkijat kokeilevat edelleen uusia tapoja analysoida näitä valtavia tietomääriä, joita on läsnä useissa eri muodoissa ja joiden syntynopeus kasvaa ajan myötä, jotta voimme saada arvoja erityiskäyttöön.