Увид у 26 аналитичких техника великих података: 1. део

„ Велики подаци “ су примена специјализованих техника и технологија за обраду веома великих скупова података. Ови скупови података су често толико велики и сложени да постаје тешко обрадити користећи приручне алате за управљање базом података.

Радикалан раст информационих технологија довео је до неколико комплементарних услова у индустрији. Један од најупорнијих и вероватно најприсутнијих исхода је присуство великих података. Термин Биг Дата је фраза која је скована да опише присуство огромних количина података. Резултат поседовања тако огромне количине података је Аналитика података.

Аналитика података је процес структурирања великих података. У оквиру великих података постоје различити обрасци и корелације које омогућавају аналитици података да направи боље израчунату карактеризацију података. Ово чини анализу података једним од најважнијих делова информационе технологије.

Дакле, овде наводим 26 техника анализе великих података. Ова листа ни у ком случају није коначна.

1. А/Б тестирање

А/Б тестирање је алат за процену за идентификацију која верзија веб странице или апликације помаже организацији или појединцу да ефикасније испуни пословни циљ. Ова одлука се доноси упоређивањем која верзија нечега има бољи учинак. А/Б тестирање се обично користи у веб развоју како би се осигурало да су промене на веб страници или компоненти странице вођене подацима, а не личним мишљењем.

Назива се и тестирањем просипања или тестирањем кашике.

Такође погледајте:  Сива зона великих података – шта треба и не треба

1. Учење правила асоцијације

Скуп техника за откривање интересантних односа, тј. „правила асоцијације“, међу варијаблама у великим базама података. Ове технике се састоје од разних алгоритама за генерисање и тестирање могућих правила.

Једна апликација је анализа тржишне корпе, у којој продавац може да утврди који се производи често купују заједно и да користи ове информације за маркетинг. (Често цитирани пример је откриће да многи купци у супермаркетима који купују нацхос купују и пиво.)

1. Анализа стабла класификације

Статистичка класификација је метод идентификације категорија којима припада ново посматрање. То захтева скуп за обуку исправно идентификованих запажања – другим речима историјских података.

Статистичка класификација се користи за:

• Аутоматски доделите документе категоријама
• Категоризирајте организме у групе
• Развијте профиле ученика који похађају онлајн курсеве

1. Цлустер Аналисис

Статистички метод за класификацију објеката који дели разнолику групу на мање групе сличних објеката, чије карактеристике сличности нису унапред познате. Пример кластер анализе је сегментирање потрошача у себи сличне групе за циљани маркетинг. Користи се за рударење података.

1. Цровдсоурцинг

У цровдсоурцингу, нијанса је у томе да се задатак или посао предају екстерном, али не одређеном професионалцу или организацији, већ широј јавности у облику отвореног позива. Краудсорсинг је техника која се може применити за прикупљање података из различитих извора као што су текстуалне поруке, ажурирања друштвених медија, блогови, итд. Ово је врста масовне сарадње и пример коришћења Веба.

1. Фузија података и интеграција података

Вишестепени процес који се бави повезивањем, корелацијом, комбинацијом података и информација из једног и више извора за постизање префињене позиције, идентификовање процена и потпуне и благовремене процене ситуација, претњи и њиховог значаја.

Технике фузије података комбинују податке са више сензора и сродне информације из повезаних база података како би се постигла побољшана тачност и специфичније закључке него што би се могло постићи употребом само једног сензора.

Такође погледајте:  Водич за почетнике за аналитику великих података

1. Претрага података

Дата мининг је сортирање података да би се идентификовали обрасци и успоставили односи. Дата мининг се односи на колективне технике екстракције података које се изводе на великој количини података. Параметри рударења података укључују повезивање, анализу секвенце, класификацију, груписање и предвиђање.

Апликације укључују прикупљање података о купцима да би се одредили сегменти који ће највероватније одговорити на понуду, прикупљање података о људским ресурсима да би се идентификовале карактеристике најуспешнијих запослених или анализу тржишне корпе за моделирање понашања купаца при куповини.

1. Ансамбл учење

То је уметност комбиновања различитих скупова алгоритама за учење заједно како би се импровизовала стабилност и моћ предвиђања модела. Ово је врста учења под надзором.

1. Генетски алгоритми

Технике оптимизације које користе процесе као што су генетска комбинација, мутација и природна селекција у дизајну заснованом на концептима природне еволуције. Генетски алгоритми су технике које се користе за идентификацију најгледанијих видео записа, ТВ емисија и других облика медија. Постоји еволутивни образац који се може урадити коришћењем генетских алгоритама. Видео и медијска аналитика се може урадити коришћењем генетских алгоритама.

1. Машинско учење

Машинско учење је још једна техника која се може користити за категорије и одређивање вероватног исхода одређеног скупа података. Машинско учење дефинише софтвер који може да одреди могуће исходе одређеног скупа догађаја. Стога се користи у предиктивној аналитици. Пример предиктивне аналитике је вероватноћа добијања судских спорова или успех одређених продукција.

1. Обрада природног језика

Скуп техника из подспецијалности рачунарских наука (унутар области која се историјски назива „вештачка интелигенција”) и лингвистике која користи компјутерске алгоритме за анализу људског (природног) језика. Многе НЛП технике су врсте машинског учења. Једна примена НЛП-а је коришћење анализе сентимента на друштвеним медијима да би се утврдило како потенцијални купци реагују на кампању брендирања.

1. Неуронске мреже

Нелинеарни предиктивни модели који уче кроз обуку и по структури личе на биолошке неуронске мреже. Могу се користити за препознавање образаца и оптимизацију. Неке апликације неуронске мреже укључују надгледано учење, а друге укључују учење без надзора. Примери апликација укључују идентификацију клијената високе вредности који су у опасности да напусте одређену компанију и идентификацију лажних потраживања у осигурању.

Прочитајте такође:  40 запањујућих чињеница о великим подацима

1. Оптимизација

Портфолио нумеричких техника које се користе за редизајн сложених система и процеса ради побољшања њихових перформанси према једној или више објективних мера (нпр. цена, брзина или поузданост). Примери апликација укључују побољшање оперативних процеса као што су заказивање, рутирање и распоред спрата, и доношење стратешких одлука као што су стратегија асортимана производа, анализа повезаних инвестиција и стратегија портфолија истраживања и развоја. Генетски алгоритми су пример технике оптимизације.

У свом следећем блогу, описао бих преосталих 13 техника аналитике великих података.

Прочитајте: Следећи део увида у 26 аналитичких техника великих података