Et innblikk i 26 store dataanalytiske teknikker: Del 2

Til nå i bloggene mine om Big Data har jeg gjort deg kjent med ulike aspekter ved Big Data, fra hva det egentlig betyr til fakta og hva det kan gjøres og ikke gjøres. I forrige blogg så vi noen Big Data Analytics-teknikker. Tar listen videre i denne bloggen.

1. Mønstergjenkjenning

Mønstergjenkjenning er en gren av maskinlæring som fokuserer på gjenkjennelse av mønstre og regelmessigheter i data, selv om det i noen tilfeller anses å være nesten synonymt med maskinlæring. Mønstergjenkjenningssystemer er i mange tilfeller trent fra merket «trenings»-data (overvåket læring), men når ingen merkede data er tilgjengelig kan andre algoritmer brukes til å oppdage tidligere ukjente mønstre (uovervåket læring).

1. Prediktiv modellering

Prediktiv analyse omfatter en rekke teknikker som forutsier fremtidige utfall basert på historiske og nåværende data. I praksis kan prediktiv analyse brukes på nesten alle disipliner – fra å forutsi svikt i jetmotorer basert på strømmen av data fra flere tusen sensorer, til å forutsi kundenes neste trekk basert på hva de kjøper, når de kjøper, og til og med hva sier de på sosiale medier. Prediktive analyseteknikker er først og fremst basert på statistiske metoder.

Se også:  En nybegynnerveiledning til Big Data Analytics

1. Regresjonsanalyse

Dette er en teknikk som tar bruken av uavhengige variabler og hvordan de påvirker avhengige variabler. Dette kan være en veldig nyttig teknikk for å bestemme sosiale medier-analyser som sannsynligheten for å finne kjærlighet over en internettplattform.

1. Sentimentanalyse

Sentimentanalyse hjelper forskere med å bestemme følelsene til høyttalere eller forfattere med hensyn til et emne. Sentimentanalyse brukes til å hjelpe:

• Forbedre servicen i en hotellkjede ved å analysere gjestekommentarer.
• Tilpass insentiver og tjenester for å møte det kundene virkelig ber om.
• Bestem hva forbrukere egentlig tenker basert på meninger fra sosiale medier.

1. Signal Prosessering

Signalbehandling er en muliggjørende teknologi som omfatter den grunnleggende teorien, applikasjonene, algoritmene og implementeringene for behandling eller overføring av informasjon som finnes i mange forskjellige fysiske, symbolske eller abstrakte formater, bredt betegnet som signaler . Den bruker matematiske, statistiske, beregningsmessige, heuristiske og språklige representasjoner, formalismer og teknikker for representasjon, modellering, analyse, syntese, oppdagelse, gjenoppretting, sansing, anskaffelse, utvinning, læring, sikkerhet eller etterforskning. Eksempelapplikasjoner inkluderer modellering for tidsserieanalyse eller implementering av datafusjon for å bestemme en mer presis lesing ved å kombinere data fra et sett med mindre presise datakilder (dvs. trekke ut signalet fra støyen).

1. Romlig analyse

Romlig analyse er prosessen der vi gjør rådata til nyttig informasjon. Det er prosessen med å undersøke plasseringene, attributtene og relasjonene til funksjoner i romlige data gjennom overlegg og andre analytiske teknikker for å løse et spørsmål eller få nyttig kunnskap. Romlig analyse trekker ut eller skaper ny informasjon fra romlige data.

1. Statistikk

I statistikk er utforskende dataanalyse en tilnærming til å analysere datasett for å oppsummere hovedkarakteristikkene deres, ofte med visuelle metoder. En statistisk modell kan brukes eller ikke, men først og fremst er EDA for å se hva dataene kan fortelle oss utover den formelle modellerings- eller hypotesetestingsoppgaven. Statistiske teknikker brukes også for å redusere sannsynligheten for type I-feil ("falske positive") og type II-feil ("falske negative"). Et eksempel på en applikasjon er A/B-testing for å finne ut hvilke typer markedsføringsmateriell som vil øke inntektene mest.

Se også:  40 oppsiktsvekkende fakta om Big Data

1. Veiledet læring

Overvåket læring er maskinlæringsoppgaven med å utlede en funksjon fra merkede treningsdata. Treningsdataene består av et sett med treningseksempler . I overvåket læring er hvert eksempel et par som består av et inngangsobjekt (typisk en vektor) og en ønsket utgangsverdi (også kalt tilsynssignalet ). En overvåket læringsalgoritme analyserer treningsdataene og produserer en utledet funksjon, som kan brukes til å kartlegge nye eksempler.

1. Analyse av sosiale nettverk

Sosiale nettverksanalyse er en teknikk som først ble brukt i telekommunikasjonsindustrien, og deretter raskt tatt i bruk av sosiologer for å studere mellommenneskelige forhold. Det brukes nå for å analysere forholdet mellom mennesker på mange felt og kommersielle aktiviteter. Noder representerer individer innenfor et nettverk, mens bånd representerer relasjonene mellom individene.

1. Simulering

Modellering av oppførselen til komplekse systemer, ofte brukt til prognoser, forutsigelser og scenarioplanlegging. Monte Carlo-simuleringer, for eksempel, er en klasse av algoritmer som er avhengige av gjentatt tilfeldig prøvetaking, dvs. kjører tusenvis av simuleringer, hver basert på forskjellige antakelser. Resultatet er et histogram som gir en sannsynlighetsfordeling av utfall. En søknad er å vurdere sannsynligheten for å nå økonomiske mål gitt usikkerhet om suksessen til ulike tiltak

1. Tidsserieanalyse

Tidsserieanalyse omfatter metoder for å analysere tidsseriedata for å trekke ut meningsfull statistikk og andre egenskaper ved dataene. Tidsseriedata oppstår ofte ved overvåking av industrielle prosesser eller sporing av bedriftsberegninger. Tidsserieanalyse tar hensyn til det faktum at datapunkter tatt over tid kan ha en intern struktur (som autokorrelasjon, trend eller sesongvariasjon) som det bør tas hensyn til. Eksempler på tidsserieanalyser inkluderer timeverdien av en aksjemarkedsindeks eller antall pasienter diagnostisert med en gitt tilstand hver dag.

1. Uovervåket læring

Uovervåket læring er maskinlæringsoppgaven med å utlede en funksjon for å beskrive skjult struktur fra umerkede data. Siden eksemplene gitt til eleven ikke er merket, er det ikke noe feil- eller belønningssignal for å evaluere en potensiell løsning – dette skiller uovervåket læring fra veiledet læring og forsterkende læring.

Imidlertid omfatter uovervåket læring også mange andre teknikker som søker å oppsummere og forklare nøkkeltrekk ved dataene.

1. Visualisering

Datavisualisering er utarbeidelse av data i et billed- eller grafisk format. Det gjør det mulig for beslutningstakere å se analyser presentert visuelt, slik at de kan forstå vanskelige konsepter eller identifisere nye mønstre. Med interaktiv visualisering kan du ta konseptet et skritt videre ved å bruke teknologi til å gå ned i diagrammer og grafer for flere detaljer, og interaktivt endre hvilke data du ser og hvordan de behandles.

Konklusjon

Big data-analyse har vært et av de viktigste gjennombruddene i informasjonsteknologiindustrien. Faktisk har Big Data vist sin betydning og behov nesten i alle sektorer, og i alle avdelinger i disse bransjene. Det er ikke et eneste aspekt av livet som ikke har blitt påvirket av Big Data, ikke engang våre personlige liv. Derfor trenger vi Big Data Analytics for å administrere disse enorme datamengdene effektivt.

Som sagt før er ikke denne listen uttømmende. Forskere eksperimenterer fortsatt med nye måter å analysere disse enorme datamengdene på, som er tilstede i en rekke former, hvis hastighet øker med tiden for å utlede verdier for våre spesifikke bruksområder.