Дайджест статей по анализу данных №2 (09.06.2014 —22.06.2014)

Дайджест статей по анализу данных №3 (9 июня — 22 июня 2014 г.)

Добрый день, уважаемые читатели.
Пролетели 2 недели и пришло время нашей подборки материалов по анализу данных. Сегодняшний дайджест получился большим, и признаюсь често сам осилил не все, что в него попало. Но так как на вкус и цвет товарище нет, то я решил выложить всю подборку.
Итак, из сегодняшней подборки вы узнаете о том как использовать хранилища данных различных типов в одном проекте, посмотрите какими большими данными может обладать бизнес и как их анализ может ему помочь. Также в нашей подборке будет статья посвященная алгоритму FTCA, а также будет материал про сравнени различных алгоритмов машинного обучения.

Теория

• Распознавание текста в ABBYY FineReader (RU)
• Большие данные это вся информация, которая измеряется и изменяется во времени (EN)
  Статья о том, что же на самое деле представляют из себя большие данные и почему прежние определения не подходят.
• Описательная, предписывающая и прогнозная аналитика (EN)
  В статье даны описания трех основных видов аналитика, а также произведено их сравнение
• Разные подходы к использованию вероятностей и различие результата (EN)
• 4 примера характеристик больших данных (EN)
• Моделируем хранилище данных (EN)
  Небольшая заметка про построение ХД.
• Часы для аналитиков (EN)
  Интересная визуализация того, что должен знать специалист по анализу данных.
• Кластеризация клиентов в телекоме (EN)
  В статье приводится кейс, на заданную в заголовке тему, а также его решение.
• Первый закон анализа данных (EN)
  Заметка о том, что корреляция в данных не подразумевает причинно-следственной связи.
• Врожденная предвзятость больших данных (EN)
  В статье приводятся примеры того, что предвзятость может быть заложена уже при сборе данных.
• Как заработать на машинном обучении (EN)
  Интересная статья о том как можно монетизировать свои навыки машинного обучения и анализа данных
• Распознавание автомобильных номеров в деталях (RU)
• Машинное обучение это весело (EN)
  Небольшое введение в машинное обучение
• 10 ошибок, которые могут поставить под угрозу вашу базу данных (EN)
• 5 ошибок в больших данных о которых вы знаете (EN)
  Распространенные ошибки о которых все знают, но все равно их допускают
• Что такое цифровой маркетинг? (EN)
• 10 инструментов для анализа данных (EN)
• Облачные вычисления (EN)
  Заметка о введении в облачные вычисления
• Эффективная обработка больших данных на ежедневной основе (EN)
• 70 сайтов репозиториев с наборами данных для анализа (EN)
• 9 секретов которые вы должны знать в области статистики (EN)
  То что вы учили в университете, но забыли об этом.
• Используем внешние данные (EN)
  Рассказ о том, где можно применить внешние данные о вашей организации, взятые из разных источников.
• Про котиков, собак, машинное обучение и deep learning (RU)
• Глубокое обучение с помощью нейронных сетей. Руководство для начинающих. (EN)
• Наивный Байес и Логистическая регрессия (EN)
  Сравнение двух моделей
• Разработка архитектуры системы машинного обучения для расчета рисков (EN)
• Иерархическая Распознавание (EN)
  Автор повествует о том, как решил создать алгоритм глубокого обучения для анализа статей из Wikipedia
• Алгоритм кластеризации FTCA (EN)
• Вероятностные модели: сэмплирование (RU)
• Решение задачи линейной регрессии с помощью быстрого преобразования Хафа (RU)

Литература

• Data Analytics with R: A hands-on approach (EN)
• Understanding Machine Learning: From Theory to Algorithms (EN)
• Analytics Across the Enterprise (EN)
• Journal of the Association for Information Science and Technology (EN)
• Three Big Data Blueprints (EN)
• Подборка интересных книг по анализу данных (EN)

Практика использования различных инструментов

• Филогенез в R и Python (EN)
• Сравнение алгоритмов классификации с Python и Plotly (EN)
  Консоль IPython Notebook, в котором сравниваются различные алгоритмы классификации из пакета scikit-learn.
• DLib: библиотека для машинного обучения (EN)
  DLib open source библиотека для языка С++, которая содержит широкий набор алгоритмов машинного обучения.
• Введение в использование TVI (EN)
• Визуализация автобусных остановок с помощью R (EN)
  Небольшая заметка по использованию rCharts
• Django и большие данные. Часть 1 — Первичные ключи (EN)
• Анализ криминальной статистики ФРБ с Glue и plotly (EN)
  Статья оформлена в виде консоли IPython Notebook

Обучающие видео

• YaC/m 2014: методы обработки данных в электронной торговле (EN)

Разные статьи по теме

• Почему сайты не подсказывают клиенту то, что ему реально нужно (RU)
• Как визуализация данных может помочь в рентгенологии (EN)
  Интересная статья о том, как большие данные могут быть использованы рентгенологами.
• Самообслуживание BI — новая демократия в аналитике (EN)
  Рассуждения на тему того, что разработчики BI систем и их пользователи должны тесно сотрудничать между собой.
• Используем машинное обучения для решения своих проблем (EN)
  Интересные идеи о том, где можно брать наборы данных для машинного обучения в повседневной жизни
• Что лучше интуиция или анализ? (EN)
  Рассуждения о том смогут ли аналитические системы принимать правильные решения без участия человека.
• Семантический анализ, как помощник построения точных моделей (EN)
  Рассуждения, о том как смысловой анализ модели может помочь для увеличения ее точности.
• Предписывающая аналитика: то, что доктор прописал (EN)
• Большие эффекты от больших данных (EN)
  Часть интервью с автором книги «Analytics in a Big Data World».
• Облако и большие данные не представляют угрозы для хранилищ данных (EN)
  Рассуждения автора на тему почему облака и большие данные не вытеснят хранилища данных
• Подборка интересных статей из мира больших данных (EN)
  Некоторые из указанных статей уже бывали в наших подборках, а часть нет.
• Как пересекающиеся области помогают организация сформировать инновации (EN)
  Рассуждения автора о том, что алгоритмы применимые в одних областях знаний, могут привести к хорошим результатам в других.
• Отойти от глубокого обучения и получить некий прогноз (EN)
  Заметка о том, что просто применение алгоритмов машинного обучения не приведет к желаемым результатам и надо проводить более глубокий анализ проблемы.
• IBM Watson: где и как сейчас используются возможности суперкомпьютера? (RU)
• Разрабатываем успешную стратегию использования больших данных в бизнесе (EN)
  8 пунктов которые помогут Вам применить большие данные в своем бизнесе
• Почему текстовая аналитика так важна для поиска (EN)
• Большие данные в спорте (EN)
• Как аналитика поможет ИТ-директору стать более клиентоориентированным (EN)
• 5 ключевых задач больших данных в банковском секторе (EN)
• Что такое большие данные и когда они превратятся в умные данные (EN)
• Как я начал работать с машинным обучением (EN)
  Автор повествует о том, как он столкнулся с машинном обучение и начал применять его в работе.
• Бизнес и Большие данные: лаборатория FABERNOVEL (RU)
• В Россию пришли большие данные. Первые проекты (RU)
• Как большие данные повышают эффективность аналитики в банках (EN)
• Кто использует ваши данные (EN)
• Как большие данные могут применяться при найме персонала (EN)
• Как малые предприятия могут использовать возможности больших данных (EN)
  Заметка о том, что даже малый бизнес обладает большими данными, например информацией о продажах, отзывами в соц сетях и т.д.
• Использование разных хранилищ данных (EN)
  Заметка о том, как можно комбинировать различные типы хранилищ данных