התחברות

התחברות
x
x
הרשמה
x

קליק אחד ואתם מחוברים. מהיר .קל .מאובטח.

חדש בפורומים

מעניין? שתפו דף זה באמצעות הטלפון הנייד

אירועים קרובים

מאמרים

מגמות של ביג דאטה בעולם הביטוח
CA Technologies
SSIS - Buffer Size Optimization
קטגוריה ראשית
בדיקות BI ו-DWH לעומת הבדיקות בתחומים אחרים
קטגוריה ראשית
איסוף דרישות לפרויקטי BI
קטגוריה ראשית
כח המידע במיקוד
קטגוריה ראשית
0

הדף שלנו בפייסבוק

ברוך הבא, אורח
שם משתמש: סיסמא: זכור אותי

דיון: No references to literature

No references to literature 2 months 4 weeks ago #8454

  • Edith Ohri
  • Edith Ohri's Avatar
  • Offline
  • Moderator
  • הודעות: 314
  • קרמה: 0
#8453 ‏2018–10–20
מה שנכתב כאן נובע מלקחי יישומים של *GT. זו גישה של "מלמטה למעלה", מהתנסות אמפירית בעזרת GT אל תיאוריה כללית של מדע הנתונים. חשוב להדגיש את הנקודה הזאת, שהיא שונה מהגישה המקובלת של "מלמעלה למטה" (כמו שודאי יעיד מי שהתנסה בהגשת הצעה לפיתוח, שבה יש להניח, נדרש להצדיק את הצעתו באופן תיאורטי, כלומר - מלמעלה, באמצעות סקר תיאוריות ופתרונות קימים).
בעיני, חשוב להתחיל בלימוד אמפירי, מלמטה. היתרון העקרי בגישה זו הוא ההשתחררות מקבעון מחשבתי, והשגת "זמן חסד" לביסוס החדש. זה חיוני לחיזוק החדשנות במיוחד בזמנים של מהפיכה (כמו עכשיו במהפיכה 4.0) שבהם הפתרונות הקימים פעמים רבות כבר לא מעשיים. בזמנים כאלה עדיף להפנות משאבים להקמת "מגרשי משחקים" למהנדסים במקום סקר משווה לתיאוריות ופתרונות מוכרים.

*Group Technology עוסק באנליטיקה לוגית, לא סטטיסטית.
researchgate.net/project/Philosophy-of-D...r-big-data-analytics

בברכה
אדית
עריכה אחרונה: 2 months 4 weeks ago  ע''י Edith Ohri. סיבה: ניסוח
הנהלת האתר ביטלה גישת כתיבה ציבורית.

No references to literature - אסטרטגיה ליזמים 1 month 2 weeks ago #8463

  • Edith Ohri
  • Edith Ohri's Avatar
  • Offline
  • Moderator
  • הודעות: 314
  • קרמה: 0
במציאות שבה הביקוש להשקעות גדול מההיצע והמשקיע נדרש לנפות יזמים, השגת המימון נהית קריטית ויזמים מוצאים עצמם מול דרישות ואילוצים ניהוליים קשים, שהם לרוב מחוץ לתחום ההתמחות שלהם. מה אפשר לעשות לטובת הענין בעזרת כריית נתונים?
מקובל לראות בניתוח נתונים שלב אחרון, שבא אחרי הצטברות נתונים סדירים בנושא. אך זה לא בהכרח כך. אלגוריתם חזק לכריית נתונים יכול להוציא מסקנות החל מהשלבים הראשונים של הצטברות הנתונים. זוהי נקודה מכרעת. הפקת מסקנות מוקדמות מאיצה את הלימוד, הפיתוח, הייצור ואפילו השיווק. אגב, קיצור זמן ההגעה לשוק שווה יותר מחסכון חצי העלויות (בזכות צמצום הסיכונים).
התכונה שעושה הבדל בין אלגוריתמים לכריית נתונים, היא היכולת להשתמש בנתונים לא מפוקחים שנחשבים ללא-מספקים – זאת בלי ניקוי הנתונים (ראה כתבה על העלויות הכבדות של ניקוי נתונים www.linkedinו.com/pulse/live-die-data-preparation-bill-winkler/). יש תועלת כפולה בהתמודדות עם נתונים לא נקיים כמו שהם: ראשית כאמור, חוסכים זמן וכסף שאחרת היה צריך להוציא על ניקוי הנתונים, ושנית מגדילים את אמינות ומהימנות המסקנות בזכות התבססות על נתונים אותנטיים ואוביקטיביים יותר. המשמעות היא שמקבלים תוצאות איכותיות במחיר נמוך במידה ניכרת, שזה שילוב מנצח.

להלן מספר יתרונות אסטרטגיים של כריית נתונים עם אלגוריתם חזק:
1. סף כניסה נמוך למיזם (בזכות הורדת עלויות ניסויים והקדמת תוצאותיהם);
2. גמישות וניצול הזדמנויות עסקיות;
3. קיצור הפיתוח;
4. הקטנת סיכונים;
5. הקדמת המתחרים.

בנוסף להאצת תהליך הלימוד של המוצר והפקתו, היתרון הגדול בעיני של כריית נתונים חזקה, הוא השגת דרגות חופש בניהול הפיתוח, ובעיקר באתחול המוצר. מה שעוד יותר טוב בזה, הוא ה win-win, התועלת באסטרטגיה הנ"ל לכל הצדדים.



אדית - Home of GT data mining

בברכה
אדית
הנהלת האתר ביטלה גישת כתיבה ציבורית.
מנהלים: Edith Ohri
זמן יצירת העמוד: 0.225 שניות

Microsoft

Oracle

IBM

Informatica

Sap

SAS

Qlikview

Cloudera

Machine Learning