Enfoques diferentes para Big Data Analysis - Dummies

En muchos casos, el análisis de big data se representará al usuario final a través de informes y visualizaciones. Debido a que los datos en bruto pueden variar de manera incomprensible, deberá confiar en las herramientas y técnicas de análisis para ayudar a presentar los datos de manera significativa.

Las nuevas aplicaciones están disponibles y se clasificarán ampliamente en dos categorías: personalizadas o semipersonalizadas.

Aplicaciones personalizadas para análisis de big data

En general, una aplicación personalizada se crea para un propósito específico o un conjunto relacionado de propósitos. Para el análisis de big data, el propósito del desarrollo de aplicaciones personalizadas es acelerar el tiempo de decisión o acción.

Entorno R

El entorno "R" se basa en las estadísticas "S" y el lenguaje de análisis desarrollado en la década de 1990 por Bell Laboratories. Lo mantiene el proyecto GNU y está disponible bajo la licencia GNU.

Si bien es difícil de comprender por completo, su profundidad y flexibilidad lo convierten en una opción atractiva para los desarrolladores de aplicaciones analíticas y los "usuarios avanzados". "Además, el proyecto CRAN R mantiene un conjunto mundial de Protocolo de transferencia de archivos y servidores web con las versiones más actualizadas del entorno R. R Revolution también ofrece una versión empresarial de R disponible comercialmente.

Más específicamente, R es un conjunto integrado de herramientas de software y tecnologías diseñadas para crear aplicaciones personalizadas que se utilizan para facilitar la manipulación, el cálculo, el análisis y la visualización de datos. Entre otras capacidades avanzadas, es compatible con

• Componentes efectivos de manejo y manipulación de datos.

• Operadores para cálculos en matrices y otros tipos de datos ordenados.

• Herramientas específicas para una amplia variedad de análisis de datos.

• Capacidades de visualización avanzadas.

• S lenguaje de programación diseñado por programadores, para programadores con muchos constructos conocidos, incluidos condicionales, bucles, funciones recursivas definidas por el usuario y una amplia gama de recursos de entrada y salida.

R es ideal para aplicaciones personalizadas y de un solo uso para el análisis de fuentes de big data.

API de predicción de Google

La API de predicción de Google es un ejemplo de una clase emergente de herramientas de aplicaciones de análisis de big data. Está disponible en el sitio web de desarrolladores de Google y está bien documentado y provisto de varios mecanismos para acceder utilizando diferentes lenguajes de programación. Para ayudarlo a comenzar, está disponible gratuitamente durante seis meses.

La API Prediction es bastante simple. Busca patrones y los combina con patrones proscriptivos, prescriptivos u otros existentes.Mientras realiza su coincidencia de patrones, también "aprende". "Mientras más lo uses, más inteligente se vuelve.

La predicción se implementa como una API RESTful con soporte de idioma para. NET, Java, PHP, JavaScript, Python, Ruby y muchos otros. Google también proporciona scripts para acceder a la API, así como a una biblioteca cliente para R.

El análisis predictivo es una de las capacidades potenciales más potentes de big data, y la API de predicción de Google es una herramienta muy útil para crear aplicaciones personalizadas.

Aplicaciones semipersonalizadas para análisis de big data

En realidad, lo que muchas personas perciben como aplicaciones personalizadas se crean realmente usando componentes "empaquetados" o de terceros como bibliotecas. No siempre es necesario codificar por completo una nueva aplicación. El uso de aplicaciones o componentes empaquetados requiere que los desarrolladores o analistas escriban código para "unir" estos componentes en una aplicación personalizada funcional. Las siguientes son razones por las que este es un enfoque sensato:

• Velocidad de implementación: Debido a que no tiene que escribir cada parte de la aplicación, el tiempo de desarrollo se puede reducir considerablemente.

• Estabilidad: El uso de componentes de terceros confiables y bien construidos puede ayudar a que la aplicación personalizada sea más resistente.

• Mejor calidad: Los componentes empacados a menudo están sujetos a estándares de calidad más altos porque se implementan en una amplia variedad de entornos y dominios.

• Más flexibilidad: Si aparece un componente mejor, puede intercambiarse en la aplicación, extendiendo la vida útil, la adaptabilidad y la utilidad de la aplicación personalizada.

Otro tipo de aplicación semi personalizada es aquella en la que el código fuente está disponible y se modifica para un propósito particular. Este puede ser un enfoque eficiente porque hay bastantes ejemplos de bloques de creación de aplicaciones disponibles para incorporar a su aplicación semi personalizada:

• TA-Lib: La biblioteca de Análisis Técnico es utilizada ampliamente por los desarrolladores de software que necesitan realizar análisis técnicos de datos del mercado financiero. Está disponible como fuente abierta bajo la licencia BSD, lo que permite su integración en aplicaciones semipersonalizadas.

• JUNG: El marco de trabajo de Java Universal Network Graph es una biblioteca que proporciona un marco común para el análisis y la visualización de datos que pueden representarse mediante un gráfico o una red. Es útil para el análisis de redes sociales, medidas de importancia y minería de datos. Está disponible como fuente abierta bajo la licencia BSD.

• GeoTools: Un conjunto de herramientas geoespaciales de código abierto para manipular datos SIG en muchas formas, analizar atributos espaciales y no espaciales o datos GIS, y crear gráficos y redes de datos. Está disponible bajo la licencia GPL2, lo que permite la integración en aplicaciones semipersonalizadas.