Vpogled v 26 analitičnih tehnik velikih podatkov: 2. del

Do zdaj sem vas v svojih blogih o velikih podatkih seznanjal z različnimi vidiki velikih podatkov, od tega, kaj dejansko pomenijo, do dejstev in tega, kaj storiti in ne. V prejšnjem blogu smo videli nekaj tehnik analize velikih podatkov. Nadaljevanje seznama v tem blogu.

1. Prepoznavanje vzorcev

Prepoznavanje vzorcev je veja strojnega učenja, ki se osredotoča na prepoznavanje vzorcev in pravilnosti v podatkih, čeprav se v nekaterih primerih šteje za skoraj sinonim za strojno učenje. Sistemi za prepoznavanje vzorcev se v mnogih primerih usposobijo iz označenih podatkov o »usposabljanju« (nadzorovano učenje), ko pa ni na voljo nobenih označenih podatkov, se lahko uporabijo drugi algoritmi za odkrivanje prej neznanih vzorcev (nenadzorovano učenje).

1. Predvidljivo modeliranje

Napovedna analitika obsega različne tehnike, ki napovedujejo prihodnje rezultate na podlagi preteklih in trenutnih podatkov. V praksi je napovedno analitiko mogoče uporabiti v skoraj vseh disciplinah – od napovedovanja okvare reaktivnih motorjev na podlagi toka podatkov iz več tisoč senzorjev do napovedovanja naslednjih korakov strank glede na to, kaj kupijo, kdaj kupijo in celo kaj pravijo na družbenih omrežjih. Tehnike napovedne analitike temeljijo predvsem na statističnih metodah.

Glejte tudi:  Vodnik za začetnike po analitiki velikih podatkov

1. Regresijska analiza

To je tehnika, ki uporablja neodvisne spremenljivke in kako te vplivajo na odvisne spremenljivke. To je lahko zelo uporabna tehnika pri določanju analitike družbenih medijev, kot je verjetnost, da boste našli ljubezen prek internetne platforme.

1. Analiza občutkov

Analiza občutkov pomaga raziskovalcem določiti občutke govorcev ali piscev glede na temo. Analiza občutkov se uporablja za pomoč:

• Izboljšajte storitve v hotelski verigi z analizo komentarjev gostov.
• Prilagodite spodbude in storitve tako, da odgovorite na tisto, kar stranke resnično zahtevajo.
• Ugotovite, kaj potrošniki res mislijo na podlagi mnenj iz družbenih medijev.

1. Obdelava signala

Obdelava signalov je omogočena tehnologija, ki zajema temeljno teorijo, aplikacije, algoritme in izvedbe obdelave ali prenosa informacij v številnih različnih fizičnih, simbolnih ali abstraktnih formatih, ki so splošno označeni kot signali . Uporablja matematične, statistične, računalniške, hevristične in jezikovne predstavitve, formalizme in tehnike za predstavitev, modeliranje, analizo, sintezo, odkrivanje, obnovitev, zaznavanje, pridobivanje, ekstrakcijo, učenje, varnost ali forenziko. Vzorčne aplikacije vključujejo modeliranje za analizo časovnih vrst ali izvajanje fuzije podatkov za določitev natančnejšega odčitka s kombiniranjem podatkov iz niza manj natančnih virov podatkov (tj. izločanje signala iz šuma).

1. Prostorska analiza

Prostorska analiza je proces, s katerim surove podatke spremenimo v uporabne informacije. Gre za proces preučevanja lokacij, atributov in razmerij med značilnostmi v prostorskih podatkih s prekrivanjem in drugimi analitičnimi tehnikami, da bi odgovorili na vprašanje ali pridobili koristno znanje. Prostorska analiza izloči ali ustvari nove informacije iz prostorskih podatkov.

1. Statistika

V statistiki je raziskovalna analiza podatkov pristop k analizi nizov podatkov za povzetek njihovih glavnih značilnosti, pogosto z vizualnimi metodami. Statistični model se lahko uporablja ali ne, vendar je EDA predvsem za to, da vidimo, kaj nam lahko podatki povedo poleg formalnega modeliranja ali naloge testiranja hipotez. Statistične tehnike se uporabljajo tudi za zmanjšanje verjetnosti napak tipa I (»lažno pozitivne«) in napake tipa II (»lažno negativne«). Primer aplikacije je testiranje A/B, da ugotovimo, katere vrste trženjskega materiala bodo najbolj povečale prihodke.

Glejte tudi:  40 osupljivih dejstev o velikih podatkih

1. Nadzorovano učenje

Nadzorovano učenje je naloga strojnega učenja sklepanja funkcije iz označenih podatkov o usposabljanju. Podatki o usposabljanju so sestavljeni iz niza primerov usposabljanja . Pri nadzorovanem učenju je vsak primer par, ki ga sestavljata vhodni objekt (običajno vektor) in želena izhodna vrednost (imenovana tudi nadzorni signal ). Algoritem nadzorovanega učenja analizira vadbene podatke in ustvari izpeljano funkcijo, ki se lahko uporablja za preslikavo novih primerov.

1. Analiza družbenih omrežij

Analiza družbenih omrežij je tehnika, ki je bila najprej uporabljena v telekomunikacijski industriji, nato pa so jo sociologi hitro sprejeli za preučevanje medosebnih odnosov. Zdaj se uporablja za analizo odnosov med ljudmi na številnih področjih in komercialnih dejavnostih. Vozlišča predstavljajo posameznike znotraj omrežja, medtem ko vezi predstavljajo odnose med posamezniki.

1. Simulacija

Modeliranje obnašanja kompleksnih sistemov, ki se pogosto uporablja za napovedovanje, napovedovanje in načrtovanje scenarijev. Simulacije Monte Carlo so na primer razred algoritmov, ki se zanašajo na ponavljajoče se naključno vzorčenje, to je izvajanje na tisoče simulacij, od katerih vsaka temelji na različnih predpostavkah. Rezultat je histogram, ki daje verjetnostno porazdelitev rezultatov. Ena aplikacija ocenjuje verjetnost izpolnjevanja finančnih ciljev glede na negotovosti glede uspeha različnih pobud

1. Analiza časovnih vrst

Analiza časovnih vrst obsega metode za analizo podatkov časovnih vrst za pridobivanje smiselnih statistik in drugih značilnosti podatkov. Podatki o časovnih vrstah se pogosto pojavijo pri spremljanju industrijskih procesov ali spremljanju poslovnih meritev podjetja. Analiza časovnih vrst upošteva dejstvo, da imajo lahko podatkovne točke, vzete skozi čas, notranjo strukturo (kot je avtokorelacija, trend ali sezonska variacija), ki jo je treba upoštevati. Primeri analize časovnih vrst vključujejo urno vrednost borznega indeksa ali število bolnikov z diagnozo določenega stanja vsak dan.

1. Nenadzorovano učenje

Nenadzorovano učenje je naloga strojnega učenja sklepanja funkcije za opis skrite strukture iz neoznačenih podatkov. Ker so primeri, ki so bili dani učencu, neoznačeni, ni signala za napako ali nagrado za oceno potencialne rešitve – to razlikuje nenadzorovano učenje od nadzorovanega učenja in učenja z okrepitvijo.

Vendar pa nenadzorovano učenje zajema tudi številne druge tehnike, ki poskušajo povzeti in razložiti ključne značilnosti podatkov.

1. Vizualizacija

Vizualizacija podatkov je priprava podatkov v slikovni ali grafični obliki. Odločevalcem omogoča, da vidijo analitiko, predstavljeno vizualno, tako da lahko dojamejo težke koncepte ali prepoznajo nove vzorce. Z interaktivno vizualizacijo lahko koncept naredite še korak dlje, tako da uporabite tehnologijo za poglobitev v grafikone in grafe za več podrobnosti, pri čemer interaktivno spremenite, katere podatke vidite in kako se obdelujejo.

Zaključek

Analitika velikih podatkov je bila eden najpomembnejših prebojev v industriji informacijske tehnologije. Pravzaprav so veliki podatki pokazali svoj pomen in potrebo skoraj v vseh sektorjih in v vseh oddelkih teh panog. Ni enega vidika življenja, na katerega ne bi vplivali veliki podatki, niti na naše osebno življenje. Zato potrebujemo Big Data Analytics za učinkovito upravljanje te ogromne količine podatkov.

Kot smo že omenili, ta seznam ni izčrpen. Raziskovalci še vedno eksperimentirajo z novimi načini analiziranja te ogromne količine podatkov, ki so prisotni v različnih oblikah, katerih hitrost generiranja se s časom povečuje, da bi dobili vrednosti za naše posebne uporabe.