Différentes approches de l'analyse des Big Data - les nuls

Dans de nombreux cas, l'analyse des données volumineuses sera présentée à l'utilisateur final à l'aide de rapports et de visualisations. Parce que les données brutes peuvent varier de façon incompréhensible, vous devrez vous appuyer sur des outils et des techniques d'analyse pour aider à présenter les données de manière significative.

De nouvelles applications sont disponibles et se diviseront en deux catégories: personnalisées ou semi-personnalisées.

Applications personnalisées pour l'analyse de Big Data

En général, une application personnalisée est créée à des fins spécifiques ou à des fins connexes. Pour l'analyse de Big Data, le développement d'applications personnalisées a pour but d'accélérer le processus de décision ou d'action.

R environnement

L'environnement «R» est basé sur le langage statistique et d'analyse «S» développé dans les années 1990 par Bell Laboratories. Il est géré par le projet GNU et est disponible sous licence GNU.

Bien que difficile à comprendre, sa profondeur et sa flexibilité en font un choix incontournable pour les développeurs d'applications d'analyse et les «utilisateurs expérimentés». "En outre, le projet CRAN R maintient un ensemble mondial de serveurs de transfert de fichiers et de serveurs Web avec les versions les plus récentes de l'environnement R. Une version entreprise de R, commercialement supportée, est également disponible auprès de Revolution Analytics.

Plus précisément, R est une suite intégrée d'outils logiciels et de technologies conçus pour créer des applications personnalisées permettant de faciliter la manipulation, le calcul, l'analyse et l'affichage visuel des données. Parmi les autres fonctionnalités avancées, elle prend en charge

les composants efficaces de gestion et de manipulation des données.
Opérateurs pour les calculs sur les tableaux et autres types de données ordonnées.
Outils spécifiques à une grande variété d'analyses de données.
Capacités de visualisation avancées.
Langage de programmation S conçu par des programmeurs, pour des programmeurs avec de nombreux concepts familiers, y compris des conditionnels, des boucles, des fonctions récursives définies par l'utilisateur, et une large gamme de fonctions d'entrée et de sortie.

R est bien adapté aux applications personnalisées à usage unique pour l'analyse de sources de données volumineuses.

API Google Prediction

L'API Google Prediction est un exemple d'une classe émergente d'outils d'application d'analyse de Big Data. Il est disponible sur le site Web des développeurs de Google et est bien documenté et doté de plusieurs mécanismes d'accès utilisant différents langages de programmation. Pour vous aider à démarrer, il est disponible gratuitement pendant six mois.

L'API Prediction est assez simple. Il cherche des modèles et les associe à des modèles proscriptifs, prescriptifs ou autres existants.Tout en effectuant son appariement, il "apprend aussi". "Plus vous l'utilisez, plus c'est intelligent.

La prédiction est implémentée en tant qu'API RESTful avec le support de la langue pour. NET, Java, PHP, JavaScript, Python, Ruby, et bien d'autres. Google fournit également des scripts pour accéder à l'API ainsi qu'une bibliothèque cliente pour R.

L'analyse prédictive est l'une des capacités potentielles les plus puissantes du Big Data et l'API Google Prediction est un outil très utile pour créer des applications personnalisées.

Applications semi-personnalisées pour l'analyse de Big Data

En réalité, ce que beaucoup de gens perçoivent comme des applications personnalisées sont en fait créées en utilisant des composants «packagés» ou des composants tiers tels que des bibliothèques. Il n'est pas toujours nécessaire de coder complètement une nouvelle application. L'utilisation d'applications ou de composants empaquetés nécessite que les développeurs ou les analystes écrivent du code pour «assembler» ces composants dans une application personnalisée en cours de fonctionnement. Voici les raisons pour lesquelles il s'agit d'une approche solide:

Vitesse de déploiement: Comme vous n'avez pas besoin d'écrire toutes les parties de l'application, le temps de développement peut être considérablement réduit.
Stabilité: L'utilisation de composants tiers fiables et bien construits peut contribuer à rendre l'application personnalisée plus résiliente.
Meilleure qualité: Les composants emballés sont souvent soumis à des normes de qualité plus élevées car ils sont déployés dans une grande variété d'environnements et de domaines.
Plus de flexibilité: Si un meilleur composant arrive, il peut être interverti dans l'application, prolongeant la durée de vie, l'adaptabilité et l'utilité de l'application personnalisée.

Un autre type d'application semi-personnalisée est celui où le code source est disponible et est modifié pour un usage particulier. Cela peut être une approche efficace, car il existe de nombreux exemples de blocs de construction d'application à intégrer dans votre application semi-personnalisée:

TA-Lib: La bibliothèque d'analyse technique est largement utilisée par les développeurs de logiciels. effectuer une analyse technique des données du marché financier. Il est disponible en open source sous licence BSD, ce qui lui permet d'être intégré dans des applications semi-personnalisées.
JUNG: Le framework Java Universal Network Graph est une bibliothèque qui fournit un cadre commun pour l'analyse et la visualisation de données pouvant être représentées par un graphe ou un réseau. Il est utile pour l'analyse de réseaux sociaux, les mesures d'importance et l'exploration de données. Il est disponible en open source sous licence BSD.
GeoTools: Une boîte à outils géospatiale open source pour manipuler les données SIG sous de nombreuses formes, en analysant les attributs spatiaux et non spatiaux ou les données SIG, et en créant des graphiques et des réseaux de données. Il est disponible sous la licence GPL2, permettant l'intégration dans des applications semi-personnalisées.