Изменения

Перейти к: навигация, поиск

Обучение на больших данных

621 байт добавлено, 15:21, 19 января 2021
Обработка разнородных данных в рамках одной системы
Данная модель позволяет хранить как сырые разнородные данные, так и структурированные данные в соответствии с предопределенной схемой. Такой результат достигается наличием шаблонов объектов и шаблонов параметров объектов. Также это позволяет снизить временные затраты на доступ к данным.
[[Файл:schemaSchema.pngPNG|300px700px|leftthumb|right|Рисунок 1, : Модель хранения разнородных данных]]  Рассмотрим схему модели, изображённую на рисунке 1:
* '''Parameter template''' {{---}} шаблон параметра, хранимого в источнике данных;
* '''Data source template''' {{---}} шаблон источника данных. Каждый источник данных может иметь множество параметров с различными типами данных <tex>M_p</tex>. Структуру источника данных можно представить следующим образом: <tex>ds=\langle p_1, p_2, \dots, p_k \rangle</tex>; * '''Object template''' {{---}} шаблон некоторого объекта <tex>O</tex>. Каждый объект может иметь множество источников данных <tex>M_{ds}</tex>. Структуру объекта можно представить следующим образом: <tex>O=\langle ds_1, ds_2, \dots, ds_m \rangle</tex>;.
* '''Data source template''' {{---}} шаблон источника Данная модель позволяет обрабатывать массивы данныхразличных по структуре за счёт их преобразования к нужному формату. Каждый источник данных может иметь множество параметров В дальнейшем аналитическая модель, работающая с различными типами данных <tex>M_p</tex>. Структуру источника данных можно представить следующим образом: <tex>ds=\langle p_1, p_2, \dotsэтими данными сможет делать более точные прогнозы и гипотезы, p_k \rangle</tex>так как по каждому объекту будет значительно больше различной информации.
== Практическое применение Big Data ==
59
правок

Навигация