Увид у 26 аналитичких техника великих података: 2. део

До сада сам вас у својим блоговима о великим подацима упознао са различитим аспектима великих података, од онога што заправо значи до чињеница и онога што треба и шта не треба радити. У претходном блогу смо видели неке технике аналитике великих података. Даље листа на овом блогу.

1. Паттерн Рецогнитион

Препознавање образаца је грана машинског учења која се фокусира на препознавање образаца и правилности у подацима, иако се у неким случајевима сматра скоро синонимом за машинско учење. Системи за препознавање образаца се у многим случајевима обучавају на основу означених података „тренинг“ (учење под надзором), али када нису доступни означени подаци, други алгоритми се могу користити за откривање раније непознатих образаца (учење без надзора).

1. Предиктивно моделирање

Предиктивна аналитика обухвата низ техника које предвиђају будуће исходе на основу историјских и тренутних података. У пракси, предиктивна аналитика се може применити на скоро све дисциплине – од предвиђања квара млазних мотора на основу тока података са неколико хиљада сензора, до предвиђања следећих потеза купаца на основу тога шта купују, када купују, па чак и шта кажу на друштвеним мрежама. Технике предиктивне аналитике су првенствено засноване на статистичким методама.

Такође погледајте:  Водич за почетнике за аналитику великих података

1. Регресиона анализа

Ово је техника која користи независне варијабле и како оне утичу на зависне варијабле. Ово може бити веома корисна техника у одређивању аналитике друштвених медија као што је вероватноћа проналаска љубави преко интернет платформе.

1. Сентимент Аналисис

Анализа осећања помаже истраживачима да одреде осећања говорника или писаца у вези са темом. Анализа осећања се користи да помогне:

• Побољшајте услугу у хотелском ланцу анализом коментара гостију.
• Прилагодите подстицаје и услуге како бисте одговорили на оно што клијенти заиста траже.
• Одредите шта потрошачи заиста мисле на основу мишљења са друштвених медија.

1. Обрада сигнала

Обрада сигнала је омогућавајућа технологија која обухвата основну теорију, апликације, алгоритме и имплементације обраде или преноса информација садржаних у многим различитим физичким, симболичким или апстрактним форматима који се широко означавају као сигнали . Користи математичке, статистичке, рачунарске, хеуристичке и лингвистичке репрезентације, формализме и технике за представљање, моделирање, анализу, синтезу, откривање, опоравак, сенсинг, аквизицију, екстракцију, учење, безбедност или форензику. Примери апликација укључују моделирање за анализу временских серија или имплементацију фузије података да би се одредило прецизније очитавање комбиновањем података из скупа мање прецизних извора података (тј. издвајање сигнала из шума).

1. Спатиал Аналисис

Просторна анализа је процес којим сирове податке претварамо у корисне информације. То је процес испитивања локација, атрибута и односа карактеристика у просторним подацима преко преклапања и других аналитичких техника како би се одговорило на питање или стекло корисно знање. Просторна анализа издваја или креира нове информације из просторних података.

1. Статистика

У статистици, истраживачка анализа података је приступ анализи скупова података ради сумирања њихових главних карактеристика, често визуелним методама. Статистички модел се може користити или не, али првенствено ЕДА служи за увид у оно што нам подаци могу рећи мимо формалног задатка моделирања или тестирања хипотеза. Статистичке технике се такође користе за смањење вероватноће грешака типа И („лажно позитивне”) и грешке типа ИИ („лажно негативне”). Пример апликације је А/Б тестирање како би се утврдило које врсте маркетиншког материјала ће највише повећати приход.

Такође погледајте:  40 запањујућих чињеница о великим подацима

1. Учење под надзором

Надзирано учење је задатак машинског учења закључивања функције из означених података о обуци. Подаци о обуци се састоје од скупа примера обуке . У надгледаном учењу, сваки пример је пар који се састоји од улазног објекта (обично вектора) и жељене излазне вредности (која се назива и надзорни сигнал ). Алгоритам за учење под надзором анализира податке о обуци и производи изведену функцију, која се може користити за мапирање нових примера.

1. Анализа друштвених мрежа

Анализа друштвених мрежа је техника која је прво коришћена у индустрији телекомуникација, а потом је брзо усвојена од стране социолога за проучавање међуљудских односа. Сада се примењује за анализу односа између људи у многим областима и комерцијалним активностима. Чворови представљају појединце унутар мреже, док везе представљају односе између појединаца.

1. Симулација

Моделирање понашања сложених система, често се користи за предвиђање, предвиђање и планирање сценарија. Монте Карло симулације, на пример, су класа алгоритама који се ослањају на поновљено насумично узорковање, тј. извођење хиљада симулација, свака заснована на различитим претпоставкама. Резултат је хистограм који даје дистрибуцију вероватноће исхода. Једна апликација процењује вероватноћу испуњавања финансијских циљева с обзиром на неизвесност у погледу успеха различитих иницијатива

1. Анализа временских серија

Анализа временских серија обухвата методе за анализу података временске серије у циљу издвајања значајних статистика и других карактеристика података. Подаци о временским серијама често настају приликом праћења индустријских процеса или праћења корпоративних пословних метрика. Анализа временских серија узима у обзир чињеницу да тачке података које се узимају током времена могу имати унутрашњу структуру (као што је аутокорелација, тренд или сезонске варијације) коју треба узети у обзир. Примери анализе временских серија укључују вредност по сату индекса берзе или број пацијената са дијагнозом датог стања сваког дана.

1. Учење без надзора

Учење без надзора је задатак машинског учења закључивања функције за описивање скривене структуре из неозначених података. Пошто су примери који су дати ученику неозначени, нема сигнала грешке или награде за процену потенцијалног решења – ово разликује учење без надзора од учења под надзором и учења уз помоћ.

Међутим, учење без надзора такође обухвата многе друге технике које настоје да сумирају и објасне кључне карактеристике података.

1. Визуелизација

Визуелизација података је припрема података у сликовном или графичком формату. Омогућава доносиоцима одлука да виде аналитику представљену визуелно, тако да могу да схвате тешке концепте или идентификују нове обрасце. Са интерактивном визуализацијом, концепт можете да одведете корак даље коришћењем технологије за детаљније анализирање графикона и графикона, интерактивно мењајући податке које видите и како се обрађују.

Закључак

Аналитика великих података била је једно од најважнијих открића у индустрији информационих технологија. У ствари, велики подаци су показали своју важност и потребу готово у свим секторима, иу свим одељењима тих индустрија. Не постоји ниједан аспект живота на који Биг Дата није утицао, чак ни наш лични живот. Стога нам је потребна Аналитика великих података да бисмо ефикасно управљали овим огромним количинама података.

Као што је већ речено, ова листа није коначна. Истраживачи још увек експериментишу на новим начинима анализе ове огромне количине података који су присутни у различитим облицима чија се брзина генерисања повећава са временом како би се извукле вредности за наше специфичне намене.