Сочинение на тему Кластеризация больших данных в департаменте здравоохранения

Большие данные – это термин для наборов данных, которые настолько велики или сложны, что традиционные приложения для обработки данных неадекватны. Проблемы включают в себя анализ, сбор, хранение данных, поиск, совместное использование, хранение, передачу, визуализацию, запросы, обновление и конфиденциальность информации. Термин часто относится просто к использованию предиктивной аналитики или некоторых других расширенных методов для извлечения ценности из данных, и редко к определенному размеру набора данных. Точность больших данных может привести к более уверенному принятию решений, а принятие лучших решений может привести к повышению операционной эффективности, снижению затрат и снижению рисков.

Анализ наборов данных позволяет найти новые корреляции с «определением тенденций в бизнесе, профилактике заболеваний, борьбе с преступностью и т. д.» Ученые, руководители предприятий, практики медицины, рекламы и правительства регулярно сталкиваются с трудностями при работе с большими наборами данных в таких областях, как поиск в Интернете, финансы и бизнес-информатика. Ученые сталкиваются с ограничениями в работе в области электронных наук, включая метеорологию, геномику, коннектомику, сложные физические моделирования, биологию и исследования окружающей среды. Наборы данных быстро растут отчасти потому, что их все чаще собирают дешевые и многочисленные мобильные устройства, считывающие информацию, антенны (дистанционное зондирование), журналы программного обеспечения, камеры, микрофоны, считыватели радиочастотной идентификации (RFID) и беспроводные сенсорные сети.

Кластер – это группа объектов, принадлежащих к одному классу. Другими словами, похожие объекты группируются в одном кластере, а разнородные объекты – в другом кластере.

Кластеризация – это процесс превращения группы абстрактных объектов в классы похожих объектов.

 
1. Кластер объектов данных можно рассматривать как одну группу.

 

2. При выполнении кластерного анализа мы сначала разбиваем набор данных на группы на основе сходства данных, а затем назначаем метки группам.

 

3. Основное преимущество кластеризации перед классификацией состоит в том, что она адаптируется к изменениям и помогает выделить полезные функции, которые различают разные группы.

Преимущества кластерного анализа

 
1. Кластерный анализ широко используется во многих приложениях, таких как исследование рынка, распознавание образов, анализ данных и обработка изображений.

 

2. Это может помочь маркетологам обнаружить отдельные группы в своей клиентской базе. И они могут охарактеризовать свои группы клиентов на основе моделей покупки.

 

3. Он может быть использован для выведения таксономий растений и животных, классификации генов с аналогичными функциями и получения понимания структур, присущих популяциям в области биологии.

 

4. Поддерживает идентификацию областей схожего землепользования в базе данных наблюдения Земли. Это также помогает в идентификации групп домов в городе в соответствии с типом дома, стоимостью и географическим положением.