Diversi approcci all'analisi dei Big Data - manichini

In molti casi, l'analisi dei big data sarà rappresentata all'utente finale attraverso report e visualizzazioni. Poiché i dati grezzi possono essere variati in modo incomprensibile, dovrai fare affidamento su strumenti e tecniche di analisi per contribuire a presentare i dati in modo significativo.

Le nuove applicazioni sono disponibili e rientreranno ampiamente in due categorie: personalizzate o semi-personalizzate.

Applicazioni personalizzate per analisi di big data

In generale, un'applicazione personalizzata viene creata per uno scopo specifico o una serie correlata di scopi. Per l'analisi di big data, lo scopo dello sviluppo di applicazioni personalizzate è quello di accelerare i tempi di decisione o azione.

Ambiente R

L'ambiente "R" è basato sulla statistica "S" e sul linguaggio di analisi sviluppato negli anni '90 da Bell Laboratories. È gestito dal progetto GNU ed è disponibile sotto la licenza GNU.

Pur essendo impegnativo da comprendere appieno, la sua profondità e flessibilità ne fanno una scelta avvincente per gli sviluppatori di applicazioni di analisi e "utenti esperti". "Inoltre, il progetto CRAN R mantiene un set mondiale di File Transfer Protocol e server Web con le versioni più aggiornate dell'ambiente R. Una versione aziendale di R supportata commercialmente è disponibile anche da Revolution Analytics.

Più specificamente, R è una suite integrata di strumenti e tecnologie software progettati per creare applicazioni personalizzate utilizzate per facilitare la manipolazione dei dati, il calcolo, l'analisi e la visualizzazione. Tra le altre funzionalità avanzate, supporta

Componenti efficaci per la gestione e la manipolazione dei dati.
Operatori per calcoli su array e altri tipi di dati ordinati.
Strumenti specifici per un'ampia varietà di analisi dei dati.
Funzionalità di visualizzazione avanzate.
S linguaggio di programmazione progettato da programmatori, per programmatori con molti costrutti familiari, inclusi condizionali, cicli, funzioni ricorsive definite dall'utente e una vasta gamma di funzioni di input e output.

R è adatto per applicazioni monouso e personalizzate per l'analisi di grandi fonti di dati.

Google Prediction API

Google Prediction API è un esempio di una classe emergente di strumenti di analisi di Big Data. È disponibile sul sito Web degli sviluppatori di Google ed è ben documentato e dotato di diversi meccanismi di accesso che utilizzano diversi linguaggi di programmazione. Per aiutarti a iniziare, è disponibile gratuitamente per sei mesi.

L'API di previsione è abbastanza semplice. Cerca i modelli e li abbina a schemi predefiniti, prescrittivi o altri esistenti.Mentre esegue il suo pattern matching, "impara anche". "Più lo usi, più intelligente diventa.

La predizione è implementata come un'API RESTful con supporto linguistico per. NET, Java, PHP, JavaScript, Python, Ruby e molti altri. Google fornisce anche script per l'accesso all'API e una libreria client per R.

L'analisi predittiva è una delle potenzialità potenziali più potenti dei big data e l'API di previsione Google è uno strumento molto utile per la creazione di applicazioni personalizzate.

Applicazioni semi-personalizzate per analisi di big data

In realtà, ciò che molte persone percepiscono come applicazioni personalizzate sono in realtà create usando componenti "pacchettizzati" o di terze parti come le librerie. Non è sempre necessario codificare completamente una nuova applicazione. L'uso di applicazioni o componenti pacchettizzati richiede agli sviluppatori o agli analisti di scrivere codice per "assemblare" questi componenti in un'applicazione personalizzata funzionante. I seguenti sono i motivi per cui questo è un approccio valido:

Velocità di implementazione: Poiché non è necessario scrivere ogni parte dell'applicazione, i tempi di sviluppo possono essere notevolmente ridotti.
Stabilità: L'utilizzo di componenti di terze parti ben progettati e affidabili può aiutare a rendere l'applicazione personalizzata più resistente.
Migliore qualità: I componenti confezionati sono spesso soggetti a standard di qualità più elevati perché sono distribuiti in un'ampia varietà di ambienti e domini.
Maggiore flessibilità: Se viene fornito un componente migliore, può essere sostituito nell'applicazione, aumentando la durata, l'adattabilità e l'utilità dell'applicazione personalizzata.

Un altro tipo di applicazione semi-personalizzata è quella in cui il codice sorgente è disponibile e viene modificato per uno scopo particolare. Questo può essere un approccio efficiente perché ci sono alcuni esempi di blocchi di applicazioni disponibili da incorporare nella tua applicazione semi-personalizzata:

TA-Lib: La libreria Analisi tecnica è ampiamente utilizzata dagli sviluppatori di software che devono eseguire analisi tecniche dei dati del mercato finanziario. È disponibile come open source sotto la licenza BSD, consentendone l'integrazione in applicazioni semi-personalizzate.
JUNG: Il framework Java Universal Network Graph è una libreria che fornisce una struttura comune per l'analisi e la visualizzazione di dati che possono essere rappresentati da un grafico o una rete. È utile per l'analisi dei social network, le misure di importanza e il data mining. È disponibile come open source sotto la licenza BSD.
GeoTools: Un toolkit geospaziale open source per manipolare i dati GIS in molte forme, analizzando attributi spaziali e non spaziali o dati GIS e creando grafici e reti di dati. È disponibile con licenza GPL2, consentendo l'integrazione in applicazioni semi-personalizzate.