Базовые процедуры и техники обработки больших данных: простейшие методы машинного обучения (machine learning).

ВВЕДЕНИЕ 3
ЦЕЛЬ: 3
ЗАДАЧИ: 3
АКТУАЛЬНОСТЬ: 3
БОЛЬШИЕ ДАННЫЕ. КЛЮЧЕВЫЕ ХАРАКТЕРИСТИКИ И ЭТАПЫ ИХ ОБРАБОТКИ. 4
Что же означает Machine Learning? 5
Типы и суть Machine Learning 6
Методы Machine Learning 7
Преимущества и недостатки машинного обучения. 8
Алгоритмы машинного обучения 8
Примеры применения машинного обучения в реальной жизни 21
ЗАКЛЮЧЕНИЕ 24
СПИСОК ЛИТЕРАТУРЫ: 25

Весь текст будет доступен после покупки

ЦЕЛЬ:
Изучить базовые процедуры и техники обработки больших данных: простейшие методы машинного обучения (machine learning).

ЗАДАЧИ:
1. Определить ключевые характеристики больших данных .
2. Изучить основные этапы обработки больших данных.
3. Изучить принципы работы простейших методов машинного обучения.
4. Выявить плюсы и минусы машинного обучения.
5. Изучить алгоритмы машинного обучения.
6. Привести примеры применения машинного обучения в реальной жизни

Весь текст будет доступен после покупки

БОЛЬШИЕ ДАННЫЕ. КЛЮЧЕВЫЕ ХАРАКТЕРИСТИКИ И ЭТАПЫ ИХ ОБРАБОТКИ.

В прогрессивном мире, где количество данных увеличивается с огромной скоростью, значение большие данные (Big Data) стало предметом глубокого изучения и обсуждения. С каждым днем создается неимоверное количество новых записей, для которых и возникает необходимость высокоэффективных методов обработки и анализа информации. [10]
Само понятие Big Data появилось в 2008 году. Впервые оно было использован редактором журнала Nature Клиффордом Линчем. Автор повествовал о гигантском росте мировой информации и отметил, что новые, более усовершенствованные инструменты и технологии помогут преобладать над этой информацией.
Большие данные – это комбинация технологий, которые могут выполнять три операции. [15]
Во-первых, обработать большие объемы данных по сравнению со «стандартными сценариями».
Во-вторых, чтобы иметь возможность работать с быстро поступающими данными в очень больших количествах. Это означает, что данных не просто много, их становится все больше и больше.
В-третьих, они должны иметь возможность работать параллельно со структурированными и плохо структурированными данными в различных аспектах.
Большие данные вмещают в себя разнообразные наборы информации, от сенсорных данных до социальных медиа, и становятся основой для комплексного понимания различных процессов и явлений. Большие данные – это структурированные и неструктурированные данные огромных объемов и разнообразия, а также методы их обработки, которые позволяют распределено анализировать информацию. [20]
Среди многочисленного количества инструментов и методологий, которые применяются для обработки и анализа больших данных, можно выделить машинное обучение (Machine Learning).

Что же означает Machine Learning?
Общий термин «Machine Learning» или «машинное обучение» обозначает множество математических, статистических и вычислительных методов для разработки алгоритмов, способных решить задачу не прямым способом, а на основе поиска закономерностей в разнообразных входных данных. [11]
Решение производится не по четко составленной формуле, а по установленной зависимости результатов от конкретного набора признаков и их значений. Машинное обучение избавляет программиста от необходимости писать большой код, т.е объяснять компьютеру, как нужно решить какую-нибудь проблему. Вместо этого компьютер учат находить самостоятельно правильное решение. Сначала алгоритм получает набор обучающих данных, а потом использует их для обработки запросов и нахождении правильного ответа.

Весь текст будет доступен после покупки

1. Алгоритмы машинного обучения: основные подходы // URL: https://begemot.ai/projects/196037-algoritmy-masinnogo-obuceniia-osnovnye-podxody (дата обращения 26.11.2024).
2. Большие данные — Big Data в банковской сфере и аналитика больших данных // Decosystems.ru URL https://www.decosystems.ru/big-data-v-banke/ (дата обращения 16.11.2024).
3. Где используют машинное обучение: примеры // URL: https://blog.skillfactory.ru/mashinnoe-obychenie-primery/ (дата обращения 27.11.2024).
4. Способы и методы машинного обучения // URL: https://vc.ru/marketing/986775-sposoby-i-metody-mashinnogo-obucheniya (дата обращения 19.11.2024).
5. Кластерный анализ данных: что это и как его делать // URL: https://sky.pro/wiki/javascript/klasternyj-analiz-dannyh-chto-eto-i-kak-ego-delat/ (дата обращения 19.11.2024).
6. Линейная регрессия в машинном обучение // URL: https://sky.pro/wiki/python/linejnaya-regressiya-v-mashinnom-obuchenii/ (дата обращения 16.11.2024).
7. Нейронные сети в машинном обучение // URL: https://sky.pro/wiki/python/nejronnye-seti-v-mashinnom-obuchenii/ (дата обращения 20.11.2024).

Весь текст будет доступен после покупки