2) تحلیل داده‌ها از نوع تشخیصی (چرا اتفاق می افتد؟)
@bigdatamining

تحلیل داده‌ها از نوع تشخیصی :
گام دوم در توصیف مناسب داده‌ها است که تحلیلگر را قادر می سازد ریشه اصلی مساله را دریابد. داشبوردهای مدیریتی و روش های هوشمندی کسب و کار( BI ) از جمله این نوع از تحلیل داده ها هستند
@bigdatamining

3) تحلیل داده‌ها از نوع پیش‌بینی‌کننده(چه اتفاقی می‌افتد؟)
@bigdatamining

تحلیل داده‌ها از نوع پیش‌بینی‌کننده:
توانایی پیش‌بینی مناسب در فضایی مملو از عدم اطمینان، تصمیم گیری‌های مناسب را ممکن می سازد. الگوریتم‌ها و مدل‌های مناسب پیش‌بینی در این نوع از تحلیل داده‌ها استفاده می‌گردد.
@bigdatamining

4) تحلیل داده‌ها از نوع پیشنهادی (چه کاری باید انجام دهیم؟)
@bigdatamining

تحلیل داده‌ها از نوع پیشنهادی:
درک آنچه اتفاق افتاده است و تحلیل آنچه که پیش‌بینی می‌شود، منجر به ارائه مدل پیشنهادی و انتخاب مناسب‌ترین مسیر در راه رسیدن به اهداف مورد نظر، می‌شود.
@bigdatamining

برترین روش ها و الگوریتم های علوم داده و یادگیری ماشین در سال های 2018 و 2019 در مقایسه با سال 2017

سیر تکامل فن آوری‌های پایگاه داده
@data_academy

نیازهای ذخیره سازی و محاسبات در چند دهه گذشته با جهش چشمگیری روبرو شده است و داده‌های سازمانها دیگر به طور منظم در حافظه استاندارد جای نمی گیرد. محاسبه لازم برای انجام بیشتر کارهای تجزیه و تحلیل داده ها ممکن است هفته ها و یا ماه ها طول بکشد .
وقتی شبکه ای از رایانه های به هم متصل شده برای دستیابی به نتیجه با یکدیگر همکاری می کنند ، در واقع یک خوشه را تشکیل می دهند. یک خوشه را می توان به عنوان یک رایانه واحد تصور کرد ، اما می تواند عملکرد بهتری نسبت به یک دستگاه واحد داشته باشد. Apache Hadoop نمونه ای از زیرساخت های داده توزیع شده است که از خوشه ها برای ذخیره و پردازش مقادیر زیادی از داده ها استفاده می کند.
@data_academy

ارائه دهندگان راه حل های مبتنی بر Hadoop
@data_academy

نمونه ای از خوشه بندی به روش K-Means با 3 خوشه
@data_academy

خوشه بندی عبارت است از فرایند تقسیم کل داده ها به گروه ها (خوشه ها) بر اساس الگوهای موجود در داده ها.
در خوشه بندی، هدفی برای پیش بینی نداریم. ما به داده ها نگاه می کنیم و سپس سعی می کنیم مشاهدات مشابه را بررسی کرده و گروه های مختلف را تشکیل دهیم. از این رو خوشه بندی یک مساله یادگیری بدون نظارت است.
@data_academy

ماشین بردار پشتیبان (SVM)
@data_academy

ماشین بردار پشتیبان (SVM) طبقه بندی کننده ای است که با یک ابرصفحه جداکننده تعریف می شود. به عبارت دیگر ، با توجه به داده های آموزش دارای برچسب (یادگیری با نظارت) ، این الگوریتم یک ابرصفحه را ارائه می دهد که نمونه های جدید را طبقه بندی می کند. در فضای دو بعدی ، این ابر صفحه خطی است که فضا را به دو قسمت تقسیم می کند که هر کلاس در هر طرف قرار می گیرد.
@data_academy

زبان پردازش طبیعی (NLP)
Natural Language Processing
@data_academy

زبان پردازش طبیعی یک دانش میان رشته ای است که به تعامل بین رایانه ها و زبان های طبیعی انسان (گفتار یا متن) می پردازد. ابزارهای Personal assistants بعنوان دستیار , Auto-complete در موتورهای جستجو همچنین ابزار Spell checking در نرم افزارهایی مانند word و Machine Translation مانند مترجم گوگل از آن جمله می باشند.
زبان پردازش طبیعی به دو بخش زبانشناسی و علوم رایانه تقسیم می شود.
بخش زبانشناسی به زبان، معنا، انواع مختلف عبارات (اسم یا فعل) و ... مربوط می شود.
بخش علوم رایانه نیز با استفاده از زمینه هایی مانند هوش مصنوعی (یادگیری ماشین و یادگیری عمیق) به استفاده از دانش زبانی می پردازد.

@data_academy

تفاوت Classifacation در مقابل Clustering (بخش بندی مشتریان از لحاظ ریسک بازپرداخت وام)