(L'anglais suit le japonais)
Titre japonais: Big data? Résoudre des données avec JMP®.
Université Rawlins, économie internationale (Orlando, Floride), professeur associé, Michele Boulanger
SAS Institute Inc. Ambassadeur académique JMP Mia Stephens
Notre capacité à acquérir des données de transaction dans la plupart des domaines a ouvert l'ère du «big data».Qu'est-ce que le «Big Data»?Est-ce que «gros» signifie nécessairement sale, brouillon, incohérent ou lourd? Combien d'ajustements et d'ajustements sont nécessaires dans le monde du Big Data?Quelle est la distinction entre la phase de préparation et de purification du monde des données volumineuses?Dans cet exposé, nous aborderons les différents problèmes rencontrés lors des étapes les plus chronophages de l’analyse du Big Data.En d'autres termes, nous discutons de la préparation des données.Deux exemples seront présentés, mais chacun a un objectif très différent et nécessite des approches différentes pour la modélisation des données.L'accent est mis sur les méthodes et les plates-formes de JMP ainsi que sur ces approches, telles que les requêtes, le recodage, la normalisation, les transformations, l'attribution, l'exploration de texte, etc., pouvant être suivies pour préparer le Big Data au stade de la modélisation. Développer une méthodologie reproductible.Démonstration à l'aide de JMP13.
Développer le Big Data - Un entraînement de données avec JMP
Michele Boulanger, professeur, département des affaires internationales, Rollins College, Orlando
Mia Stephens, ambassadrice académique JMP, SAS (co-auteur)
Notre capacité à capturer des données transactionnelles dans la plupart des domaines nous a conduits à l'ère du «big data». Big Data signifie-t-il nécessairement «sale», en désordre, incohérent ou lourd? Combien de tonalités et de conditionnements devons-nous faire dans le monde des données volumineuses? Qu'est-ce qui différencie la préparation dans le monde des données volumineuses de la phase traditionnelle de nettoyage des données? Dans cet exposé, nous aborderons les différents défis rencontrés dans la phase potentiellement la plus longue de l’analyse des données volumineuses: la préparation des données. Nous présentons deux études de cas avec des objectifs très différents, nécessitant des approches différentes pour la mise en forme des données pour la modélisation. Parallèlement à ces approches, nous soulignons également les techniques et les plates-formes de JMP telles que la requête, le recodage, la normalisation, la transformation, l'imputation, l'exploration de texte et autres afin de développer une méthodologie traçable et reproductible pour préparer le big data à la phase de modélisation. Toutes les démonstrations se feront en direct avec JMP Pro 13.
