Formation Analyse du Big Data

Présentation de R

Exploration et analyse des données avec R Charger, interroger et manipuler des données avec R
Nettoyer les données brutes avant la modélisation
Réduire les dimensions avec l'analyse en composantes principales (ACP)
Développer les fonctionnalités de R avec les packages définis par l'utilisateur Faciliter la pensée analytique avec la visualisation des données Explorer les caractéristiques d'un ensemble de données à travers la visualisation
Représenter graphiquement la distribution des données avec des boîtes à moustaches, des histogrammes et des diagrammes de densité
Identifier les valeurs hors normes

Manipuler les ensembles volumineux et les données non structurées

Explorer les données non structurées pour les applications métier Traitement préliminaire et préparation des données non structurées pour une analyse plus approfondie
Décrire un ensemble de documents avec une matrice termes-documents Difficultés supplémentaires liées au Big Data Examiner les architectures de MapReduce et Hadoop
Intégrer R et Hadoop à RHadoop

Prédire les résultats avec des techniques de régression

Estimer les valeurs avec les règles de régression linéaire et logistique Modéliser la relation entre une variable de sortie et plusieurs variables d'entrée
Interpréter correctement les coefficients des données continues et qualitatives Techniques de régression pour manipuler le Big Data Traiter les ensembles de données volumineux avec RHadoop
Créer des modules de régression pour RHadoop

Classer les données par catégorie avec des règles de classification

Identification automatique de chaque nouvel élément de données Utiliser des arbres de décision pour prédire les valeurs cible
Appliquer des règles de probabilité pour prédire les résultats avec le modèle Naive Bayes
Combiner les variables de prédiction des arbres et les forêts aléatoires dans RHadoop Évaluer les performances des modèles Visualiser les performances des modèles avec une courbe ROC
Évaluer les modèles de classification avec des matrices de confusion

Déceler des tendances dans un ensemble de données complexes avec le clustering et l'analyse des associations

Identifier des groupes encore inconnus dans un ensemble de données Segmenter le marché client avec l'algorithme K-Means
Trouver des similarités avec les mesures des distances
Créer des clusters en forme d'arbres et des mises en cluster hiérarchiques
Mettre en cluster les tweets et les fichiers texte pour mieux les comprendre Mettre à jour les connexions avec l'analyse des associations Identifier les connexions importantes avec l'analyse des réseaux sociaux
Comprendre l'utilisation des résultats de l'analyse des réseaux sociaux à des fins marketing

Utiliser les données transactionnelles pour générer des recommandations et des règles d'association

Définir et évaluer des règles d'association Identifier les préférences réelles des clients à partir d'un ensemble de données transactionnelles pour améliorer l'expérience utilisateur
Calculer les indices de support et de confiance et le lift pour différencier les « bonnes » règles des « mauvaises »