Десять лет назад данные по всему миру начали активно расти, открывая возможности по улучшению клиентского опыта. На текущий момент понятие Big Data уже прочно вошло в обиход по всему миру. Львиная доля этих данных собирается через Интернет, а остальная часть с помощью устройств с возможностью выхода в сеть. Также еще один важный фактор роста — это растущее число виртуальных online офисов.
Компании заинтересованы как в найме экспертов Big Data, так и людей хорошо разбирающихся в инструментах аналитики. Руководители команд ищут сотрудников, обладающих компетентными навыками и демонстрирующих талант и когнитивные способности, которые стали бы ценным активом для выполнения нишевых обязанностей компании. Много из того, что было ценным раньше утратило свою ценность и наоборот. В любом случае, давай подробнее разберем что такое Big Data.
Top 10 Big Data Tools | Tamil
Топ 30 инструментов Big Data (Биг Дата) для анализа данных. Как анализировать данные?
На сегодняшний день существуют тысячи Big Data — инструментов для анализа данных. Анализ данных — это процесс проверки, очистки, преобразования и моделирования данных с целью получения полезной информации, выводов и обоснований для принятия решений. Чтобы сэкономить ваше время, в этой статье перечислю 30 лучших Big Data — инструментов для анализа данных в области инструментов с открытым исходным кодом, инструментов визуализации данных, инструментов анализа настроений, инструментов извлечения данных и баз данных.
Содержание скрыть
Open source инструменты для анализа данных
1. Knime
KNIME Analytics Platform — ведущий open source фреймворк для инноваций, зависящих от данных. Он поможет вам раскрыть скрытый потенциал ваших данных, найти новые свежие идеи, или предсказать будущие тенденции. KNIME Analytics Platform содержит в себе более 1000 модулей, сотни готовых к запуску примеров, широкий спектр интегрированных инструментов и широкий выбор современных доступных алгоритмов, определённо, это идеальный набор инструментов для любого специалиста в data science.
2. OpenRefine
OpenRefine (ранее Google Refine) — это мощный инструмент для работы с сырыми данными: их очистки, преобразования из одного формата в другой и расширения с помощью веб-сервисов и внешних данных. OpenRefine поможет вам с легкостью исследовать большие наборы данных.
3. R-Programming
Что если я скажу вам, что Project R это проект GNU, написанный на самом R? В первую очередь он написан на C и Fortran. И большинство его модулей написаны на самом R. Это открытая среда программирования для статистических вычислений и графики. Язык R широко используется среди майнеров данных для разработки статистического программного обеспечения и анализа данных. Простота его использования и расширяемость значительно повысили популярность R в последние годы. Помимо интеллектуального анализа данных, он предоставляет статистические и графические методы анализа, включая линейное и нелинейное моделирование, классические статистические тесты, анализ временных рядов, классификацию, кластеризацию и другое.
RTU/BTU Big Data Full Course || with notes || Hindi
4. Orange
Orange это набор open source инструментов для анализа и визуализации результатов обработки данных, он прекрасно подходить как для экспертов, так и для новичков. Orange предоставляет большой набор инструментов для создания интерактивных рабочих процессов для анализа и визуализации данных. Orange предлагает пользователю различные способы визуализации — от точечных диаграмм, гистограмм, деревьев, до дендрограмм, сетей и тепловых карт.
₽ 0.00 – ₽ 1,499.00
₽ 0.00 – ₽ 9,700.00
₽ 0.00 – ₽ 1,299.00
₽ 0.00 – ₽ 1,999.00
₽ 0.00 – ₽ 1,999.00
₽ 0.00 – ₽ 1,299.00
РЕСТОРАНЫ И КАФЕ
₽ 0.00 – ₽ 999.00
₽ 0.00 – ₽ 799.00
5. RapidMiner
Как и KNIME, RapidMiner работает через визуальное программирование и способен обрабатывать, анализировать и моделировать данные. Благодаря открытому исходному коду платформы подготовки данных, машинного обучения и развертывания моделей RapidMiner дает командам, изучающим Data Science, больший простор для действий. Единая платформа для обработки данных ускоряет построение полных аналитических рабочих процессов — от подготовки данных и машинного обучения до проверки моделей и развертывания их в единой среде, что значительно повышает эффективность и сокращает время, затрачиваемое на проекты в сфере Data Science.
6. Pentaho
Pentaho уничтожает барьеры, которые мешают вашей компании получить всю выгоду от ваших данных. Платформа упрощает подготовку и трансформацию любых данных и включает в себя спектр инструментов для простого анализа, визуализации, исследования, составления отчетов и прогнозирования. Открытый, встраиваемый и расширяемый, Pentaho спроектирован так, чтобы любой член вашей команды — от разработчиков до бизнес-пользователей мог легко преобразовать данные в нечто стоящее.
7. Talend
Talend это ведущий поставщик программного обеспечения с открытым исходным кодом для компаний, управляющих данными. Наши клиенты подключаются в любом месте, при любой скорости соединения. От конкретного пользователя до облака, от пакетной до потоковой передачи и интеграции данных или интеграции приложений Talend подключается в масштабе больших данных, в 5 раз быстрее и за 20% от стоимости.
8. Weka
Weka, программное обеспечение с открытым исходным кодом, представляет собой набор алгоритмов машинного обучения для задач интеллектуального анализа данных. Алгоритмы могут быть применены непосредственно к набору данных или вызваны из вашего собственного Java-кода. Он также хорошо подходит для разработки новых схем машинного обучения, поскольку полностью реализован на языке программирования Java, а также поддерживает несколько стандартных задач интеллектуального анализа данных.Для тех, кто некоторое время не программировал, Weka с ее графическим интерфейсом, обеспечивает самый простой переход в мир Data Science. Для пользователей с опытом программирования на Java есть возможность встраивать в библиотеку свой собственный код.
9. NodeXL
NodeXL — это программное обеспечение для анализа данных и визуализации, зависимостей и сетей. NodeXL предоставляет точные расчеты. Это бесплатное (но не профессиональное) программное обеспечение для анализа и визуализации сети с открытым исходным кодом. Это один из лучших статистических инструментов для анализа данных, который включает в себя расширенные сетевые метрики, доступ к импортерам данных в социальных сетях и автоматизацию.
10. Gephi
Gephi также представляет собой пакет программного обеспечения для сетевого анализа и визуализации с открытым исходным кодом, написанный на Java на платформе NetBeans. Подумайте об огромных картах дружбы, которые вы видите на LinkedIn или Facebook. Gephi развил это дальше, предоставляя точные расчеты.
Какие существуют программы для для визуализации собранных данных?
11. Datawrapper
Datawrapper — это интерактивный онлайн сервис для создания графиков и таблиц. После того, как вы загрузите данные из файла CSV, PDF или Excel или вставите их непосредственно в поле загрузки, Datawrapper генерирует гистограммы, графики, карты или любую другую связанную визуализацию. Графики Datawrapper можно встроить в любой веб-сайт или CMS с готовым для интеграции кодом. Многие журналисты и новостные организации используют Datawrapper для встраивания графиков в свои статьи. Он очень прост в использовании и создаёт эффективное и понятное визуальное представление информации.
12. Solver
Solver специализируется на предоставлении финансовой отчетности, составлении бюджета и анализа мирового уровня с помощью кнопки доступа ко всем источникам данных, которые обеспечивают рентабельность всей компании. Solver предоставляет инструмент BI360, который доступен как для облачного, так для и локального развертывания, с акцентом на четыре ключевых области аналитики.
13. Qlik
Qlik позволяет создавать визуализации, информационные панели и приложения, которые отвечают на самые важные вопросы вашей компании. Теперь вы можете увидеть всю историю, которая живет в ваших данных.
14. Tableau Public
Tableau демократизирует визуализацию с помощью элегантного, простого и интуитивно понятного инструмента. Он исключительно мощный в бизнесе, потому что он передает информацию через визуализацию данных. В процессе аналитики визуальные эффекты Tableau позволяют вам быстро исследовать гипотезу, верифицировать и просто исследовать данные, прежде чем отправиться в коварное статистическое путешествие.
15. Google Fusion Tables
Fusion Tables работает с Google Spreadsheets гораздо лучше и быстрее, чем его двоюродный брат . Google Fusion Tables — это невероятный инструмент для анализа данных, визуализации больших наборов данных и составления карт. Неудивительно, что невероятное картографическое программное обеспечение Google играет большую роль в продвижении этого инструмента в рейтинге ПО. Возьмите, к примеру, эту карту, которую я сделал, чтобы посмотреть на нефтедобывающие платформы в Мексиканском заливе
16. Infogram
Infogram предлагает более 35 интерактивных диаграмм и более 500 карт, которые помогут вам красиво визуализировать ваши данные. Создайте различные диаграммы, включая гистограммы, круговые диаграммы или облако слов. Добавьте карту к своей инфографике или отчету, чтобы произвести неизгладимое впечатление на вашу аудиторию.
Сентимент-инструменты
17. Opentext
Модуль OpenText Sentiment Analysis — это специализированный механизм классификации, используемый для идентификации и оценки субъективных моделей и выражений настроений в текстовом контенте. Анализ выполняется на уровне темы, предложения и документа и настроен на распознавание того, являются ли части текста фактическими или субъективными, если мнение, выраженное в этих частях контента, является положительным, отрицательным, смешанным или нейтральный.
18. Semantria
Semantria — это инструмент, который предлагает уникальный сервисный подход, собирая тексты, твиты и другие комментарии от клиентов и тщательно их анализируя, чтобы получить действенные и очень ценные идеи. Semantria предлагает анализ текста через API и плагин Excel. Он отличается от Lexalytics тем, что предлагается через API и плагин Excel, и включает в себя большую базу знаний и использует глубокое обучение.
19. Trackur
Автоматический анализ настроений Trackur анализирует конкретное ключевое слово, которое вы отслеживаете, а затем определяет, является ли мнение по этому ключевому слову положительным, отрицательным или нейтральным по отношению к документу. Это основная функция в алгоритме Trackur. Его можно использовать для мониторинга всех социальных сетей и основных новостей, чтобы получить представление руководителей о тенденциях, обнаружении ключевых слов, автоматическом анализе настроений.
20. SAS Sentiment Analysis
Анализ настроений SAS автоматически извлекает настроения в режиме реального времени или в течение определенного периода времени с помощью уникальной комбинации статистического моделирования и методов обработки естественного языка на основе правил. Встроенные отчеты показывают шаблоны и подробные реакции. Таким образом, вы можете отточить выраженные чувства. С помощью текущих оценок вы уточните модели и скорректируете классификации, чтобы отразить возникающие темы и новые термины, относящиеся к вашим клиентам, компании или отрасли.
21. Opinion Crawl
Opinion Crawl — это онлайн-анализ настроений в отношении текущих событий, компаний, продуктов и людей. Opinion Crawl позволяет посетителям оценить настроение в сети по темам: человек, событие, компания или продукт. Выберите тему и вы получите оценку настроения для каждого конкретного случая.
Для каждой темы вы получаете круговую диаграмму, показывающую текущее настроение в режиме реального времени, список заголовков последних новостей, несколько миниатюрных изображений и облако тегов ключевых семантических концепций, которые публика связывает с субъектом. Концепции позволяют вам увидеть, какие проблемы или события положительно влияют на настроение. Для более глубокой оценки веб-сканеры будут находить последние опубликованные материалы по многим популярным темам и текущим публичным вопросам и рассчитывать настроения для них на постоянной основе. Затем в постах блога будет показана тенденция настроений с течением времени, а также соотношение «положительный/отрицательный».
Какие существуют программы для парсинга данных в Интернете?
Отдельно отмечу наш сервис парсинга сайтов и мониторинга цен xmldatafeed.com. Мы на ежедневной основе парсим более 500 крупнейших сайтов России и наши клиенты могут использовать данные для аналитики и более точного ценообразования.
22. Octoparse
Octoparse — это бесплатный и мощный сканер веб-сайтов, используемый для извлечения практически всех видов данных с веб-сайта, которые Вас интересуют. Вы можете использовать Octoparse для копирования веб-сайта с его обширными функциями и возможностями. Его удобный интерфейс помогает людям без опыта программирования быстро привыкнуть к Octoparse. Он позволяет вам парсить весь текст с сайтов использующих AJAX, JavaScript, файлы cookie и, таким образом, вы можете загрузить практически весь контент веб-сайта и сохранить его в структурированном формате, таком как EXCEL, TXT, HTML или в ваши базы данных. Будучи усовершенствованным, он поддерживает запланированный облачный парсинг, позволяющий Вам извлекать динамические данные в режиме реального времени и вести лог-файл.
23. Content Grabber
Content Graber — это программное обеспечение для парсинга в Интернете, предназначенное для компаний. Он может извлекать контент практически с любого веб-сайта и сохранять его в виде структурированных данных в формате по вашему выбору, включая отчеты Excel, XML, CSV и большинство баз данных. Он больше подходит для людей с продвинутыми навыками программирования, поскольку предлагает множество мощных сценариев редактирования, отладки интерфейсов для продвинутых пользователей. Пользователи могут использовать C # или VB.NET для отладки или написания сценариев по управлению процессом парсинга.
24. Import.io
Import.io — это платный веб-инструмент для парсинга данных, позволяющий извлекать информацию с веб-сайтов, что раньше было доступно только специалистам в области программирования. Просто выделите то, что вы хотите, и Import.io пройдёт по сайту и «изучит» то, что вас интересует. Import.io будет парсить, очищать и извлекать данные для анализа или экспорта.
25. Parsehub
Parsehub — это отличный веб-сканер, который поддерживает сбор данных с сайтов, использующих технологии AJAX, JavaScript, файлы cookie и т.д. Его технология машинного обучения позволяет считывать, анализировать а затем преобразовывать веб-документы в готовые данные. В бесплатной версии Parsehub вы можете настроить не более пяти публичных проектов. Платные планы подписки позволяют вам создать как минимум 20 частных проектов для парсинга веб-сайтов.
26.Mozenda
Mozenda — это облачный сервис парсинга. Он предоставляет множество полезных утилит для извлечения данных. Пользователи могут загружать извлеченные данные в облачное хранилище
Базы данных
27. Data.gov
Правительство США пообещало в прошлом году сделать все правительственные данные свободно доступными в интернете. Этот сайт является первым этапом и служит порталом для получения всевозможной удивительной информации обо всем — от климата до преступности.
28. US Census Bureau
Бюро переписи и статистики США — это обширная информация о жизни граждан США, охватывающая данные о населении, географические данные и информацию по образованию.
29. The CIA World Factbook
Общемировая книга фактов, выпускаемая ЦРУ, предоставляет информацию по истории, людям, правительству, экономике, географии, коммуникациям, транспорту, военным и транснациональным проблемам для 267 мировых юридических лиц.
30. PubMed
PubMed, разработанный Национальной медицинской библиотекой (NLM), предоставляет бесплатный доступ к MEDLINE, базе данных из более чем 11 миллионов библиографических ссылок и рефератов из почти 4500 журналов в области медицины, сестринского дела, стоматологии, ветеринарной медицины, фармации, системы здравоохранения и доклинической науки. PubMed также содержит ссылки на полнотекстовые версии статей на веб-сайтах партнерских издателей. Кроме того, PubMed обеспечивает доступ и ссылки на интегрированные базы данных молекулярной биологии, которые ведет Национальный центр биотехнологической информации (NCBI). Эти базы данных содержат последовательности ДНК и белка, данные о трехмерной структуре белка, наборы данных исследования населения и сборки полных геномов в интегрированной системе. Дополнительные библиографические базы данных NLM, такие как AIDSLINE, добавляются в PubMed. PubMed включает в себя «Old Medline». «Old Medline» охватывает промежуток 1950-1965 гг. (Обновляется ежедневно.)
Источник: xmldatafeed.com
Big Data — что такое системы больших данных? Развитие технологий Big Data
Под термином «большие данные» буквально понимают огромный объем хранящейся на каком-либо носителе информации.
Содержание статьи
- Источники больших данных
- История появления и развития Big Data
- Техники и методы анализа и обработки больших данных
- Перспективы и тенденции развития Big data
- Большие данные в маркетинге и бизнесе
- Примеры использования Big Data
- Проблемы Big Data
- Рынок технологий больших данных в России и мире
- Лучшие книги по Big Data
Причем данный объем настолько велик, что обрабатывать его с помощью привычных программных или аппаратных средств нецелесообразно, а в некоторых случаях и вовсе невозможно.
Big Data – это не только сами данные, но и технологии их обработки и использования, методы поиска необходимой информации в больших массивах. Проблема больших данных по-прежнему остается открытой и жизненно важной для любых систем, десятилетиями накапливающих самую разнообразную информацию.
С данным термином связывают выражение «Volume, Velocity, Variety» – принципы, на которых строится работа с большими данными. Это непосредственно объем информации, быстродействие ее обработки и разнообразие сведений, хранящихся в массиве. В последнее время к трем базовым принципам стали добавлять еще один – Value, что обозначает ценность информации. То есть, она должна быть полезной и нужной в теоретическом или практическом плане, что оправдывало бы затраты на ее хранение и обработку.
Источники больших данных
В качестве примера типичного источника больших данных можно привести социальные сети – каждый профиль или публичная страница представляет собой одну маленькую каплю в никак не структурированном океане информации. Причем независимо от количества хранящихся в том или ином профиле сведений взаимодействие с каждым из пользователей должно быть максимально быстрым.
Большие данные непрерывно накапливаются практически в любой сфере человеческой жизни. Сюда входит любая отрасль, связанная либо с человеческими взаимодействиями, либо с вычислениями. Это и социальные медиа, и медицина, и банковская сфера, а также системы устройств, получающие многочисленные результаты ежедневных вычислений. Например, астрономические наблюдения, метеорологические сведения и информация с устройств зондирования Земли.
Что такое цифровой след и цифровое портфолио
Информация со всевозможных систем слежения в режиме реального времени также поступает на сервера той или иной компании. Телевидение и радиовещание, базы звонков операторов сотовой связи – взаимодействие каждого конкретного человека с ними минимально, но в совокупности вся эта информация становится большими данными.
Технологии больших данных стали неотъемлемыми от научно-исследовательской деятельности и коммерции. Более того, они начинают захватывать и сферу государственного управления – и везде требуется внедрение все более эффективных систем хранения и манипулирования информацией.
История появления и развития Big Data
Впервые термин «большие данные» появился в прессе в 2008 году, когда редактор журнала Nature Клиффорд Линч выпустил статью на тему развития будущего науки с помощью технологий работы с большим количеством данных. До 2009 года данный термин рассматривался только с точки зрения научного анализа, но после выхода еще нескольких статей пресса стала широко использовать понятие Big Data – и продолжает использовать его в настоящее время.
В 2010 году стали появляться первые попытки решить нарастающую проблему больших данных. Были выпущены программные продукты, действие которых было направлено на то, чтобы минимизировать риски при использовании огромных информационных массивов.
Действительно ли опасно соединение 5G? Четыре факта, которые нужно знать
К 2011 году большими данными заинтересовались такие крупные компании, как Microsoft, Oracle, EMC и IBM – они стали первыми использовать наработки Big data в своих стратегиях развития, причем довольно успешно.
ВУЗы начали проводить изучение больших данных в качестве отдельного предмета уже в 2013 году – теперь проблемами в этой сфере занимаются не только науки о данных, но и инженерия вкупе с вычислительными предметами.
Техники и методы анализа и обработки больших данных
К основным методам анализа и обработки данных можно отнести следующие:
Методы класса или глубинный анализ (Data Mining)
Данные методы достаточно многочисленны, но их объединяет одно: используемый математический инструментарий в совокупности с достижениями из сферы информационных технологий.
Краудсорсинг
Данная методика позволяет получать данные одновременно из нескольких источников, причем количество последних практически не ограничено.
А/В-тестирование
Из всего объема данных выбирается контрольная совокупность элементов, которую поочередно сравнивают с другими подобными совокупностями, где был изменен один из элементов. Проведение подобных тестов помогает определить, колебания какого из параметров оказывают наибольшее влияние на контрольную совокупность. Благодаря объемам Big Data можно проводить огромное число итераций, с каждой из них приближаясь к максимально достоверному результату.
VPN — сеть, придуманная хакерами
Прогнозная аналитика
Специалисты в данной области стараются заранее предугадать и распланировать то, как будет вести себя подконтрольный объект, чтобы принять наиболее выгодное в этой ситуации решение.
Машинное обучение (искусственный интеллект)
Основывается на эмпирическом анализе информации и последующем построении алгоритмов самообучения систем.
Сетевой анализ
Наиболее распространенный метод для исследования социальных сетей – после получения статистических данных анализируются созданные в сетке узлы, то есть взаимодействия между отдельными пользователями и их сообществами.
Перспективы и тенденции развития Big data
В 2017 году, когда большие данные перестали быть чем-то новым и неизведанным, их важность не только не уменьшилась, а еще более возросла. Теперь эксперты делают ставки на то, что анализ больших объемов данных станет доступным не только для организаций-гигантов, но и для представителей малого и среднего бизнеса. Такой подход планируется реализовать с помощью следующих составляющих:
Облачные хранилища
Использование Dark Data
Так называемые «темные данные» – вся неоцифрованная информация о компании, которая не играет ключевой роли при непосредственном ее использовании, но может послужить причиной для перехода на новый формат хранения сведений.
Искусственный интеллект и Deep Learning
Технология обучения машинного интеллекта, подражающая структуре и работе человеческого мозга, как нельзя лучше подходит для обработки большого объема постоянно меняющейся информации. В этом случае машина сделает все то же самое, что должен был бы сделать человек, но при этом вероятность ошибки значительно снижается.
Blockchain
Эта технология позволяет ускорить и упростить многочисленные интернет-транзакции, в том числе международные. Еще один плюс Блокчейна в том, что благодаря ему снижаются затраты на проведение транзакций.
Самообслуживание и снижение цен
В 2017 году планируется внедрить «платформы самообслуживания» – это бесплатные площадки, где представители малого и среднего бизнеса смогут самостоятельно оценить хранящиеся у них данные и систематизировать их.
Большие данные в маркетинге и бизнесе
Все маркетинговые стратегии так или иначе основаны на манипулировании информацией и анализе уже имеющихся данных. Именно поэтому использование больших данных может предугадать и дать возможность скорректировать дальнейшее развитие компании.
Кот Шрёдингера — доказано, что реальность «не размазана»
К примеру, RTB-аукцион, созданный на основе больших данных, позволяет использовать рекламу более эффективно – определенный товар будет показываться только той группе пользователей, которая заинтересована в его приобретении.
Чем выгодно применение технологий больших данных в маркетинге и бизнесе?
- С их помощью можно гораздо быстрее создавать новые проекты, которые с большой вероятностью станут востребованными среди покупателей.
- Они помогают соотнести требования клиента с существующим или проектируемым сервисом и таким образом подкорректировать их.
- Методы больших данных позволяют оценить степень текущей удовлетворенности всех пользователей и каждого в отдельности.
- Повышение лояльности клиентов обеспечивается за счет методов обработки больших данных.
- Привлечение целевой аудитории в интернете становится более простым благодаря возможности контролировать огромные массивы данных.
Например, один из самых популярных сервисов для прогнозирования вероятной популярности того или иного продукта – Google.trends. Он широко используется маркетологами и аналитиками, позволяя им получить статистику использования данного продукта в прошлом и прогноз на будущий сезон. Это позволяет руководителям компаний более эффективно провести распределение рекламного бюджета, определить, в какую область лучше всего вложить деньги.
Примеры использования Big Data
Активное внедрение технологий Big Data на рынок и в современную жизнь началось как раз после того, как ими стали пользоваться всемирно известные компании, имеющие клиентов практически в каждой точке земного шара.
Это такие социальные гиганты, как Facebook и Google, IBM., а также финансовые структуры вроде Master Card, VISA и Bank of America.
К примеру, IBM применяет методы больших данных к проводимым денежным транзакциям. С их помощью было выявлено на 15% больше мошеннических транзакций, что позволило увеличить сумму защищенных средств на 60%. Также были решены проблемы с ложными срабатываниями системы – их число сократилось более, чем наполовину.
Теория игр — раздел математики, который изучают даже военные
Компания VISA аналогично использовала Big Data, отслеживая мошеннические попытки произвести ту или иную операцию. Благодаря этому ежегодно они спасают от утечки более 2 млрд долларов США.
Министерство труда Германии сумело сократить расходы на 10 млрд евро, внедрив систему больших данных в работу по выдаче пособий по безработице. При этом было выявлено, что пятая часть граждан данные пособия получает безосновательно.
Big Data не обошли стороной и игровую индустрию. Так, разработчики World of Tanks провели исследование информации обо всех игроках и сравнили имеющиеся показатели их активности. Это помогло спрогнозировать возможный будущий отток игроков – опираясь на сделанные предположения, представители организации смогли более эффективно взаимодействовать с пользователями.
К числу известных организаций, использующих большие данные, можно также отнести HSBC, Nasdaq, Coca-Cola, Starbucks и AT
Ошибка выжившего — парадоксально, но факт!
Лучшие книги по Big Data
«The Human Face of Big Data», Рик Смолан и Дженнифер Эрвитт
Подойдет для первоначального изучения технологий обработки больших данных – легко и понятно вводит в курс дела. Дает понять, как обилие информации повлияло на повседневную жизнь и все ее сферы: науку, бизнес, медицину и т. д. Содержит многочисленные иллюстрации, поэтому воспринимается без особых усилий.
«Introduction to Data Mining», Панг-Нинг Тан, Майкл Стейнбах и Випин Кумар
Также полезная для новичков книга по Big Data, объясняющая работу с большими данными по принципу «от простого к сложному». Освещает многие немаловажные на начальном этапе моменты: подготовку к обработке, визуализацию, OLAP, а также некоторые методы анализа и классификации данных.
«Python Machine Learning», Себастьян Рашка
Практическое руководство по использованию больших данных и работе с ними с применением языка программирования Python. Подходит как студентам инженерных специальностей, так и специалистам, которые хотят углубить свои знания.
«Hadoop for Dummies», Дирк Дерус, Пол С. Зикопулос, Роман Б. Мельник
Hadoop – это проект, созданный специально для работы с распределенными программами, организующими выполнение действий на тысячах узлов одновременно. Знакомство с ним поможет более детально разобраться в практическом применении больших данных.
Источник: promdevelop.com