En inblick i 26 Big Data analytiska tekniker: Del 2

Fram tills nu i mina bloggar om Big Data har jag bekantat dig med olika aspekter av Big Data, från vad det egentligen betyder till fakta och vad man måste göra och inte göra. I förra bloggen såg vi några Big Data Analytics-tekniker. Tar listan vidare i den här bloggen.

1. Mönsterigenkänning

Mönsterigenkänning är en gren av maskininlärning som fokuserar på igenkänning av mönster och regelbundenheter i data, även om det i vissa fall anses vara nästan synonymt med maskininlärning. Mönsterigenkänningssystem tränas i många fall från märkt "träningsdata" (övervakad inlärning), men när inga märkta data finns tillgängliga kan andra algoritmer användas för att upptäcka tidigare okända mönster (oövervakad inlärning).

1. Prediktiv modellering

Prediktiv analys omfattar en mängd olika tekniker som förutsäger framtida resultat baserat på historiska och aktuella data. I praktiken kan prediktiv analys tillämpas på nästan alla discipliner – från att förutsäga misslyckande i jetmotorer baserat på dataströmmen från flera tusen sensorer, till att förutsäga kunders nästa rörelse baserat på vad de köper, när de köper och till och med vad säger de på sociala medier. Prediktiv analysteknik bygger i första hand på statistiska metoder.

Se även:  En nybörjarguide till Big Data Analytics

1. Regressionsanalys

Detta är en teknik som tar användningen av oberoende variabler och hur de påverkar beroende variabler. Detta kan vara en mycket användbar teknik för att bestämma sociala medier-analyser som sannolikheten att hitta kärlek över en internetplattform.

1. Sentimentanalys

Sentiment Analysis hjälper forskare att fastställa känslorna hos talare eller författare med avseende på ett ämne. Sentimentanalys används för att hjälpa:

• Förbättra servicen hos en hotellkedja genom att analysera gästkommentarer.
• Anpassa incitament och tjänster för att möta vad kunderna verkligen efterfrågar.
• Bestäm vad konsumenter verkligen tycker baserat på åsikter från sociala medier.

1. Signalbehandling

Signalbehandling är en möjliggörande teknik som omfattar den grundläggande teorin, tillämpningarna, algoritmerna och implementeringarna av bearbetning eller överföring av information som finns i många olika fysiska, symboliska eller abstrakta format som i stora drag betecknas som signaler . Den använder matematiska, statistiska, beräkningsmässiga, heuristiska och språkliga representationer, formalismer och tekniker för representation, modellering, analys, syntes, upptäckt, återhämtning, avkänning, förvärv, extraktion, inlärning, säkerhet eller kriminalteknik. Exempelapplikationer inkluderar modellering för tidsserieanalys eller implementering av datafusion för att bestämma en mer exakt avläsning genom att kombinera data från en uppsättning mindre exakta datakällor (dvs. extrahera signalen från bruset).

1. Rumslig analys

Rumslig analys är den process genom vilken vi omvandlar rådata till användbar information. Det är processen att undersöka platserna, attributen och relationerna mellan funktioner i rumslig data genom överlagring och andra analytiska tekniker för att ta itu med en fråga eller få användbar kunskap. Rumslig analys extraherar eller skapar ny information från rumslig data.

1. Statistik

Inom statistik är explorativ dataanalys ett tillvägagångssätt för att analysera datamängder för att sammanfatta deras huvudsakliga egenskaper, ofta med visuella metoder. En statistisk modell kan användas eller inte, men EDA är främst till för att se vad data kan berätta för oss bortom den formella modellerings- eller hypotestestningsuppgiften. Statistiska tekniker används också för att minska sannolikheten för typ I-fel ("falska positiva") och typ II-fel ("falska negativa"). Ett exempel på en applikation är A/B-tester för att avgöra vilka typer av marknadsföringsmaterial som kommer att öka intäkterna mest.

Se även:  40 häpnadsväckande fakta om Big Data

1. Övervakat lärande

Övervakad inlärning är uppgiften för maskininlärning att härleda en funktion från märkta träningsdata. Träningsdata består av en uppsättning träningsexempel . Vid övervakad inlärning är varje exempel ett par som består av ett ingångsobjekt (vanligtvis en vektor) och ett önskat utvärde (även kallad övervakningssignalen ). En övervakad inlärningsalgoritm analyserar träningsdata och producerar en härledd funktion, som kan användas för att kartlägga nya exempel.

1. Analys av sociala nätverk

Analys av sociala nätverk är en teknik som först användes inom telekommunikationsindustrin och som sedan snabbt antogs av sociologer för att studera mellanmänskliga relationer. Den används nu för att analysera relationerna mellan människor inom många områden och kommersiell verksamhet. Noder representerar individer inom ett nätverk, medan band representerar relationerna mellan individerna.

1. Simulering

Modellera beteendet hos komplexa system, som ofta används för prognoser, förutsägelser och scenarioplanering. Monte Carlo-simuleringar, till exempel, är en klass av algoritmer som bygger på upprepade slumpmässiga provtagningar, dvs. kör tusentals simuleringar, var och en baserad på olika antaganden. Resultatet är ett histogram som ger en sannolikhetsfördelning av utfall. En ansökan är att bedöma sannolikheten att nå finansiella mål givet osäkerhet om framgången för olika initiativ

1. Tidsserieanalys

Tidsserieanalys omfattar metoder för att analysera tidsseriedata för att få fram meningsfull statistik och andra egenskaper hos datan. Tidsseriedata uppstår ofta när man övervakar industriella processer eller spårar företags affärsmått. Tidsserieanalys tar hänsyn till det faktum att datapunkter tagna över tiden kan ha en intern struktur (såsom autokorrelation, trend eller säsongsvariation) som bör beaktas. Exempel på tidsserieanalys inkluderar timvärdet av ett börsindex eller antalet patienter som diagnostiseras med ett givet tillstånd varje dag.

1. Oövervakat lärande

Oövervakad inlärning är uppgiften för maskininlärning att sluta sig till en funktion för att beskriva dold struktur från omärkta data. Eftersom exemplen som ges till eleven är omärkta, finns det ingen fel- eller belöningssignal för att utvärdera en potentiell lösning – detta skiljer oövervakat lärande från övervakat lärande och förstärkningsinlärning.

Men oövervakad inlärning omfattar också många andra tekniker som försöker sammanfatta och förklara viktiga egenskaper hos data.

1. Visualisering

Datavisualisering är förberedelse av data i ett bild- eller grafiskt format. Det gör det möjligt för beslutsfattare att se analyser presenteras visuellt, så att de kan förstå svåra koncept eller identifiera nya mönster. Med interaktiv visualisering kan du ta konceptet ett steg längre genom att använda teknik för att gå ner i diagram och grafer för mer detaljer, och interaktivt ändra vilken data du ser och hur den bearbetas.

Slutsats

Big data analytics har varit ett av de viktigaste genombrotten inom informationsteknologibranschen. Faktum är att Big Data har visat sin betydelse och sitt behov i nästan alla sektorer och i alla avdelningar inom dessa branscher. Det finns inte en enda aspekt av livet som inte har påverkats av Big Data, inte ens våra personliga liv. Därför behöver vi Big Data Analytics för att hantera dessa enorma mängder data effektivt.

Som sagt tidigare är denna lista inte uttömmande. Forskare experimenterar fortfarande med nya sätt att analysera dessa enorma mängder data som finns i en mängd olika former vars genereringshastighet ökar med tiden för att härleda värden för våra specifika användningsområden.