Uvid u 26 analitičkih tehnika velikih podataka: 2. dio

Do sada sam vas u svojim blogovima o Big Data upoznao s različitim aspektima Big Data, od onoga što zapravo znači do činjenica i onoga što treba i ne treba raditi. U prethodnom blogu vidjeli smo neke tehnike Big Data Analytics. Dalje na ovom blogu.

1. Prepoznavanje uzorka

Prepoznavanje uzoraka grana je strojnog učenja koja se usredotočuje na prepoznavanje obrazaca i pravilnosti u podacima, iako se u nekim slučajevima smatra gotovo sinonimom za strojno učenje. Sustavi za prepoznavanje uzoraka se u mnogim slučajevima osposobljavaju na temelju označenih podataka o "treningu" (nadzirano učenje), ali kada nisu dostupni označeni podaci, mogu se koristiti drugi algoritmi za otkrivanje prethodno nepoznatih obrazaca (nenadzirano učenje).

1. Prediktivno modeliranje

Prediktivna analitika obuhvaća niz tehnika koje predviđaju buduće ishode na temelju povijesnih i trenutnih podataka. U praksi se prediktivna analitika može primijeniti na gotovo sve discipline – od predviđanja kvara mlaznih motora na temelju toka podataka s nekoliko tisuća senzora, do predviđanja sljedećih poteza kupaca na temelju onoga što kupuju, kada kupuju, pa čak i što kažu na društvenim mrežama. Tehnike prediktivne analitike prvenstveno se temelje na statističkim metodama.

Također pogledajte:  Vodič za početnike za analitiku velikih podataka

1. Regresijska analiza

Ovo je tehnika koja koristi neovisne varijable i kako one utječu na zavisne varijable. Ovo može biti vrlo korisna tehnika u određivanju analitike društvenih medija kao što je vjerojatnost pronalaska ljubavi putem internetske platforme.

1. Analiza osjećaja

Analiza osjećaja pomaže istraživačima odrediti osjećaje govornika ili pisaca s obzirom na temu. Analiza osjećaja koristi se za pomoć:

• Poboljšajte uslugu u hotelskom lancu analizom komentara gostiju.
• Prilagodite poticaje i usluge kako biste odgovorili na ono što kupci stvarno traže.
• Odredite što potrošači stvarno misle na temelju mišljenja s društvenih medija.

1. Procesiranje signala

Obrada signala omogućavajuća je tehnologija koja obuhvaća temeljnu teoriju, aplikacije, algoritme i implementacije obrade ili prijenosa informacija sadržanih u mnogim različitim fizičkim, simboličkim ili apstraktnim formatima koji se široko označavaju kao signali . Koristi matematičke, statističke, računske, heurističke i lingvističke reprezentacije, formalizme i tehnike za predstavljanje, modeliranje, analizu, sintezu, otkrivanje, oporavak, otkrivanje, stjecanje, ekstrakciju, učenje, sigurnost ili forenziku. Primjeri aplikacija uključuju modeliranje za analizu vremenskih serija ili implementaciju fuzije podataka za određivanje preciznijeg očitanja kombiniranjem podataka iz skupa manje preciznih izvora podataka (tj. izdvajanje signala iz šuma).

1. Prostorna analiza

Prostorna analiza je proces kojim sirove podatke pretvaramo u korisne informacije. To je proces ispitivanja lokacija, atributa i odnosa značajki u prostornim podacima putem prekrivanja i drugih analitičkih tehnika kako bi se odgovorilo na pitanje ili steklo korisno znanje. Prostorna analiza izdvaja ili stvara nove informacije iz prostornih podataka.

1. Statistika

U statistici, istraživačka analiza podataka je pristup analizi skupova podataka kako bi se sažele njihove glavne karakteristike, često vizualnim metodama. Statistički model se može koristiti ili ne, ali prvenstveno EDA služi za uvid u ono što nam podaci mogu reći izvan formalnog modeliranja ili zadatka testiranja hipoteza. Statističke tehnike također se koriste za smanjenje vjerojatnosti pogrešaka tipa I („lažno pozitivnih”) i pogrešaka tipa II („lažno negativnih”). Primjer aplikacije je A/B testiranje kako bi se utvrdilo koje će vrste marketinškog materijala najviše povećati prihod.

Vidi također:  40 zapanjujućih činjenica o velikim podacima

1. Učenje pod nadzorom

Nadzirano učenje zadatak je strojnog učenja zaključivanja funkcije iz označenih podataka o obuci. Podaci o obuci sastoje se od skupa primjera obuke . U nadziranom učenju, svaki primjer je par koji se sastoji od ulaznog objekta (obično vektora) i željene izlazne vrijednosti (koja se također naziva nadzorni signal ). Algoritam za učenje pod nadzorom analizira podatke o obuci i proizvodi inferiranu funkciju koja se može koristiti za mapiranje novih primjera.

1. Analiza društvenih mreža

Analiza društvenih mreža tehnika je koja se prvo koristila u telekomunikacijskoj industriji, a potom su je sociolozi brzo usvojili za proučavanje međuljudskih odnosa. Sada se primjenjuje za analizu odnosa između ljudi u mnogim područjima i komercijalnim aktivnostima. Čvorovi predstavljaju pojedince unutar mreže, dok veze predstavljaju odnose između pojedinaca.

1. Simulacija

Modeliranje ponašanja složenih sustava, često se koristi za predviđanje, predviđanje i planiranje scenarija. Monte Carlo simulacije, na primjer, su klasa algoritama koji se oslanjaju na ponovljeno slučajno uzorkovanje, tj. izvođenje tisuća simulacija, od kojih se svaka temelji na različitim pretpostavkama. Rezultat je histogram koji daje distribuciju vjerojatnosti ishoda. Jedna aplikacija procjenjuje vjerojatnost ispunjavanja financijskih ciljeva s obzirom na neizvjesnosti o uspjehu različitih inicijativa

1. Analiza vremenskih serija

Analiza vremenskih serija uključuje metode za analizu podataka vremenskih serija kako bi se izvukle značajne statistike i druge karakteristike podataka. Podaci o vremenskim serijama često nastaju prilikom praćenja industrijskih procesa ili praćenja korporativnih poslovnih metrika. Analiza vremenskih serija uzima u obzir činjenicu da točke podataka uzete tijekom vremena mogu imati unutarnju strukturu (kao što je autokorelacija, trend ili sezonske varijacije) koju treba uzeti u obzir. Primjeri analize vremenskih serija uključuju satnu vrijednost indeksa burze ili broj pacijenata s dijagnozom danog stanja svaki dan.

1. Učenje bez nadzora

Nenadzirano učenje je zadatak strojnog učenja zaključivanja funkcije za opisivanje skrivene strukture iz neoznačenih podataka. Budući da su primjeri koji se daju učeniku neoznačeni, nema signala pogreške ili nagrade za procjenu potencijalnog rješenja – to razlikuje učenje bez nadzora od učenja pod nadzorom i učenja s pojačanjem.

Međutim, učenje bez nadzora također obuhvaća mnoge druge tehnike koje nastoje sažeti i objasniti ključne značajke podataka.

1. Vizualizacija

Vizualizacija podataka je priprema podataka u slikovnom ili grafičkom formatu. Omogućuje donositeljima odluka da vide analitiku predstavljenu vizualno, tako da mogu shvatiti teške koncepte ili identificirati nove obrasce. Uz interaktivnu vizualizaciju, koncept možete podići korak dalje korištenjem tehnologije za dubljenje grafikona i grafikona za više detalja, interaktivno mijenjajući koje podatke vidite i kako se obrađuju.

Zaključak

Analitika velikih podataka bila je jedan od najvažnijih otkrića u industriji informacijskih tehnologija. Naime, Big Data je pokazao svoju važnost i potrebu gotovo u svim sektorima, te u svim odjelima tih industrija. Ne postoji niti jedan aspekt života na koji Big Data nije utjecao, čak ni naš osobni život. Stoga nam je potrebna Big Data Analytics za učinkovito upravljanje ovim ogromnim količinama podataka.

Kao što je već rečeno, ovaj popis nije konačan. Istraživači još uvijek eksperimentiraju s novim načinima analize ove ogromne količine podataka koji su prisutni u raznim oblicima čija se brzina generiranja povećava s vremenom kako bi se izvukle vrijednosti za naše specifične namjene.