빅 데이터 분석에는 기본적으로 Hadoop, NoSQL 및 통계 처리, 데이터 마이닝, 텍스트 마이닝, 의견 마이닝, 그래프 마이닝과 같은 빅 데이터 분석 인프라 기술이 필요합니다. 여기에는 최근 구조화되지 않은 텍스트에서 빅 데이터의 가치를 효과적으로 드러내는 텍스트 마이닝, 의견 마이닝 및 소셜 네트워크 분석 기술이 포함됩니다.
• 텍스트 마이닝(텍스트 마이닝). 텍스트 마이닝은 인간 언어의 구조화되지 않은 텍스트에서 자연 언어 처리 기술을 사용하거나 링크 식별, 분류, 클러스터링 및 요약과 같은 빅데이터에서 의미 있는 정보를 검색하는 대규모 데이터 분석입니다.
• 의견 채굴은 음성 처리에 기초한 자연스러운 감정 분석 기술을 소셜 미디어 텍스트에 적용하여 사용자의 의견을 분석하는 것을 의미한다. 최근, 그것은 기업의 제품이나 서비스에 대한 소비자의 반응을 조사하거나 정치적, 사회적 문제에 대한 여론을 포착하기 위해 소셜 미디어에 널리 사용되고 있다.
• Social Network Analytics는 그래프 이론에 기반한 소셜 네트워킹 서비스의 네트워크 연결 및 강도 분석을 나타냅니다.그래프 이론은 소셜 네트워크에서 영향력 있는 인재를 찾고, 모니터링하고, 관리하는 것입니다.
McKinsey의 빅 데이터 보고서는 빅 데이터 분석을 위한 다양한 분석 방법을 요약합니다. 이러한 기술은 주로 대규모 통계 및 확률론적 데이터 처리 방법을 기반으로 하며, 실제 분석이 필요한 빅데이터의 유형과 적용에 따라 소셜 미디어 분석, 소셜 네트워크 분석, 공간 및 시각화 분석 분야에서 선별적으로 사용됩니다. McKinsey의 빅 데이터 분석 기술을 소개합니다.
• 분류는 새로 추가된 데이터에 속하는 데이터 그룹을 학습하는 방법, 클래스별로 구분된 교육 데이터 그룹을 학습하는 방법입니다. 이를 지도 학습 방법이라고도 합니다.
• 클러스터링이란 유사한 속성과 데이터를 결합하여 유사한 속성 그룹으로 나누는 학습 방법입니다. 마지막으로, 분류와 달리 훈련 데이터 그룹을 사용하지 않기 때문에 감독할 수 없는 학습이라고도 한다.
• 머신러닝은 빅 데이터 분석을 포함한 패턴 인식 등 다양한 분야에서 널리 사용되는 인공지능 분야의 인간 학습 모델이다. 기계 학습에는 결정적 목과 같은 상징적인 학습, 신경 네트워크나 유전 알고리즘과 같은 비 상징적 학습, 베이시안이나 숨겨진 마르코프 같은 확률적 학습이 있다.
• 회귀 분석은 통계 기반 분석 방법이며, 통계에서 현상에 영향을 미치는 독립 변수와 종속 변수 간의 상관 관계를 결정하는 데 자주 사용됩니다. 그것은 주로 단순 및 다중 회귀 분석을 통한 매출 예측과 같은 다양한 변화를 예측하는 데 사용된다.
• 감정 분석(NLP)은 텍스트의 주관적 민감도를 보여주고 긍정, 부정 및 중립 경향을 분석하는 정보를 찾는 자연 언어 처리(NLP)입니다. 그것은 블로그나 트위터와 같은 소셜 미디어를 분석하여 회사의 제품이나 브랜드의 맛을 결정하는 데 사용된다. 감정 분석은 의견 마이닝에 필수적인 분석
반응형