Թարգմանչաց շարժման տեսադարանը

Մեծ տվյալներ. ինչ է դա և ինչի համար է դա:.mp4

WEBVTT

00:02.000 --> 00:03.000
Մերիոն ակադեմիա.

00:03.000 --> 00:06.000
Մատչելի կրթության հարթակ.

00:07.000 --> 00:15.000
Տվյալների վերլուծության արդյունքում պարզեցինք, որ մեր հեռագրային ալիքի բոլոր բաժանորդներն ամեն օր ջուր են խմում։

00:15.000 --> 00:20.000
Բաժանորդագրվեք մեր զամբյուղին՝ իմանալու, թե ինչպես վերլուծել տվյալները և գտնել թաքնված պատկերացումներ:

00:21.000 --> 00:22.000
Հղումը նկարագրության մեջ:

00:22.000 --> 00:24.000
Big Band, Big Smoke, Big Data:

00:24.000 --> 00:26.000
Ի՞նչ ընդհանրություն ունեն այս անունները:

00:26.000 --> 00:27.000
Այո, նրանք իսկապես մեծ են:

00:28.000 --> 00:32.000
Մենք գիտենք, որ դուք ուզում էիք տեսահոլովակ Big Smoke-ի մասին, բայց այնուամենայնիվ նա այսօր հերոսը չէ:

00:35.000 --> 00:43.000
Big Data-ը շատ անորոշ հասկացություն է, բայց միևնույն ժամանակ մենք հաճախ ենք լսում այս բառերը լրատվամիջոցներում և ասես այն օգտագործվում է ցանկացած անհասկանալի իրավիճակում։

00:44.000 --> 00:48.000
Նյարդային ցանցեր, բիգդա, արտահոսք, կրիպտ, կվադրոբերներ - կրկին բիգդա:

00:48.000 --> 00:51.000
Ինչ է սա նշանակում, լավ, ամենևին էլ պարզ չէ:

00:51.000 --> 00:54.000
Պարզ է, որ սա ինչ-որ կերպ կապված է ՏՏ աղջկա հետ։

00:54.000 --> 00:58.000
Փաստորեն, պատասխանի մի մասը կայանում է հենց անվան մեջ:

00:58.000 --> 00:59.000
Սա հիանալի տեղեկատվություն է:

00:59.000 --> 01:05.000
Եվ սա պարզապես թվերի, տառերի և ձեր բառապաշարի չափը չէ մեր յուրաքանչյուր տեսանյութից հետո:

01:06.000 --> 01:11.000
Սա իսկապես հզոր գործիք է, որը կարող է օգնել գտնել բոլոր տեսակի թաքնված և բարդ նախշերը:

01:11.000 --> 01:14.000
Բայց ինչպիսի՞ տվյալներ են համարվում մեծ:

01:14.000 --> 01:24.000
Այստեղ կարևոր է հասկանալ, որ դրանք պարզապես բազմազան տվյալների հսկայական հավաքածուներ են՝ կառուցվածքային և չկառուցված, կապված և չկապված, և դրանք կարող են նույնիսկ սխալներ պարունակել:

01:24.000 --> 01:29.000
Եվ դրանք հսկայական են, քանի որ սովորական համակարգիչը, իհարկե, չի կարող հաղթահարել դրանց վերլուծությունը:

01:29.000 --> 01:37.000
Ավելին, նրանց մեկ այլ հատկություն այն է, որ դրանք բավականին արագ են կուտակվում, քանի որ մարդիկ առցանց ռեժիմում շատ տեղեկատվություն են ստեղծում։

01:37.000 --> 01:39.000
Ավելին, սա պարզապես ամբողջական տվյալների բազա չէ։

01:39.000 --> 01:50.000
Օրինակ, եթե մենք խոսում ենք տվյալների բազայի մասին, որը պարունակում է տեղեկություններ ինչ-որ գրասենյակի հազարավոր աշխատակիցների մասին, ապա դա մեծ ամսաթիվ չէ, քանի որ նման տվյալների բազայի տեղեկատվությունը նախապես արդեն ունի հստակ հատկություններ և բնութագրեր:

01:50.000 --> 01:57.000
Բայց եթե ինչ-որ կորպորատիվ համակարգում աշխատողների գործողությունների գրանցամատյանով գրանցվեք վաճառքի բաժնի համար, ապա սա արդեն մեծ տվյալ է:

01:57.000 --> 02:00.000
Ի վերջո, նման տեղեկատվությունը կարող է անկանխատեսելի լինել:

02:00.000 --> 02:03.000
Ի դեպ, նման տեղեկատվության ընդհանուր ծավալն աշխարհում ամեն վայրկյան աճում է։

02:04.000 --> 02:12.000
Ընդամենը 50 տարի առաջ 10 ՄԲ կոշտ սկավառակը նման էր սառնարանի, բայց այժմ յուրաքանչյուր համակարգիչ ունի մի փոքր գրքի չափ տերաբայթ կոշտ սկավառակներ:

02:12.000 --> 02:16.000
Ընդ որում, տերաբայթը 100 հազար անգամ ավելի է 10 ՄԲ-ից։

02:16.000 --> 02:21.000
Հետևաբար, կես դարում մեծապես բարելավվել են տեղեկատվության պահպանման և վերլուծության տեխնոլոգիաները:

02:21.000 --> 02:24.000
Օրինակ, մեր սիրելի YouTube-ը մշակում է հսկայական քանակությամբ տվյալներ:

02:25.000 --> 02:30.000
Պաշտոնական հաշվարկների համաձայն՝ ամեն տարի հարթակ է վերբեռնվում մոտ 120 փետաբայթ նոր տեսանյութ։

02:31.000 --> 02:34.000
Pebabyte-ն, ի դեպ, մեզ արդեն ծանոթ 1000 տերաբայթ է։

02:34.000 --> 02:40.000
Հաշվի առնելով, որ YouTube-ը գործում է 2005 թվականից, տեղեկատվության ընդհանուր քանակը կարելի է չափել էկզոբայթներով։

02:40.000 --> 02:43.000
Ի դեպ, էկզոբայթը 1000 պեյտ է։

02:43.000 --> 02:51.000
Այս թիվը մոտավորապես հավասար է նրան, թե կոնֆլիկտային իրավիճակից հետո քանի սառը և համարձակ պատասխաններ եք տվել հակառակորդի համար, բայց, ցավոք, այն արդեն անցել է:

02:51.000 --> 02:53.000
Ի դեպ, Big Data-ը բավականին նոր հասկացություն է։

02:53.000 --> 02:58.000
Այն առաջարկվել է Nature ամսագրի խմբագիր Քլիֆարդ Լինչի կողմից 2008 թվականին։

02:58.000 --> 03:00.000
Ի դեպ, նա նաև բավականին հայտնի Data Scientist է։

03:00.000 --> 03:05.000
Հենց այդ ժամանակ ՏՏ ոլորտում բում եղավ, և տեղեկատվության ծավալը շատ կտրուկ ավելացավ։

03:05.000 --> 03:12.000
Փաստորեն, մինչև 2011 թվականը ընկերությունները մեծ իմաստ չէին տեսնում մեծ տվյալների մեջ, և, հետևաբար, այն հիմնականում վերլուծվում էր բոլոր տեսակի գիտնականների կողմից:

03:12.000 --> 03:21.000
Բայց 2014 թվականից ընկերությունների հսկայական թվով ուսումնական հաստատություններ սկսեցին ամեն կերպ հավաքել և համակարգել նման տեղեկատվություն:

03:21.000 --> 03:22.000
Բայց ինչո՞ւ որոշեցիր դա անել:

03:22.000 --> 03:27.000
Մենք արդեն պարզել ենք, որ նման տեղեկատվությունը ամենից հաճախ անկառուցվածքային է և պարունակում է սխալներ։

03:27.000 --> 03:29.000
Հնչում է պարզապես տեղեկատվական աղբ:

03:29.000 --> 03:34.000
Երբեմն դա իսկապես աղբ է, բայց ինչպես ասում են՝ պղինձ էի փնտրում, բայց ոսկի գտա։

03:34.000 --> 03:36.000
Ինչու է դա անհրաժեշտ, մենք դա կպարզենք վերջում:

03:36.000 --> 03:40.000
Միևնույն ժամանակ, եկեք խոսենք այն մասին, թե որտեղից է այն գալիս և ինչպես աշխատել դրա հետ:

03:40.000 --> 03:46.000
Ընդհանուր առմամբ, դրա գլոբալ աղբյուրները կարելի է բաժանել երեք տեսակի՝ սոցիալական, գործարքային և մեքենայական։

03:46.000 --> 03:51.000
Օրինակ, այն ամենը, ինչ մարդը անում է սոցիալական ցանցերում, մեծ սոցիալական տվյալների աղբյուր է։

03:51.000 --> 04:00.000
Ամեն վայրկյան մեկ արգելված սոցիալական ցանցի օգտատերերը բեռնում են 1000 լուսանկար Թուրքիայում իրենց հանգստից, էլ չեմ խոսում մի քանի լրացուցիչ հաղորդագրությունների մասին։

04:00.000 --> 04:04.000
Եթե ​​խոսենք գործարքայինների մասին, ապա անունով դժվար է հասկանալ, թե ինչ է դա:

04:04.000 --> 04:12.000
Փաստորեն, սա մեծ ամսաթիվ է, որը հայտնվում է առցանց խանութներից ցանկացած գնումների ժամանակ, ապրանքներ առաքելիս և բոլոր այլ ֆինանսական գործարքների ժամանակ։

04:13.000 --> 04:17.000
Բայց մեքենայական տվյալներն այն մեծ տվյալներն են, որոնք ստեղծվում են ոչ թե մարդկանց, այլ մեքենաների կողմից:

04:17.000 --> 04:18.000
Տրամաբանական է հնչում.

04:19.000 --> 04:24.000
Օրինակ, բոլոր տեսակի սենսորները և ինտերնետի իրերը, ինչպիսիք են ձայնային օգնականներով բարձրախոսները և խելացի սառնարանները:

04:25.000 --> 04:32.000
Bigdata-ն լավ է նաև բժշկական և պետական ​​հաստատությունների համար, օրինակ՝ բնակչության և հիվանդությունների մասին տեղեկություններ պահելու համար:

04:32.000 --> 04:35.000
Լավ, որտեղի՞ց է այն գալիս, մենք պարզեցինք, բայց ինչպե՞ս է այն մշակվում:

04:35.000 --> 04:37.000
Նրանք ակնհայտորեն ինչ-որ բան են անում նրա հետ:

04:37.000 --> 04:45.000
Կարող ենք վստահաբար ասել, որ նրանք դրա համար չեն օգտագործում Google Spreadsheet կամ Excel, դրանք բավարար չեն լինի, ուստի նրանք օգտագործում են բոլոր տեսակի հատուկ ծրագրեր դրա համար:

04:45.000 --> 04:49.000
Նրանց հիմնական առանձնահատկությունն այն է, որ նրանք առաջադրանքները բաշխում են միանգամից մի քանի համակարգիչների միջև:

04:49.000 --> 04:52.000
Ավելին, որքան շատ են համակարգիչները, այնքան ավելի արդյունավետ է գործընթացը։

04:53.000 --> 04:59.000
Նման ծրագրերը նախ զտում են տվյալները՝ համաձայն որոշ պայմանների, որոնք սահմանում է տվյալներն ուսումնասիրող անձը։

04:59.000 --> 05:04.000
Այնուհետև դրանք տեսակավորվում և բաշխվում են համակարգիչների միջև, որոնք կոչվում են նաև հանգույցներ։

05:04.000 --> 05:10.000
Հանգույցներն իրենք կատարում են իրենց առաջադրանքները զուգահեռաբար և հաշվարկների արդյունքները փոխանցում այլ համակարգիչներին կամ շարունակում են ինչ-որ բան անել նրանց հետ։

05:10.000 --> 05:15.000
Ի դեպ, այս ծրագրերը կոչվում են հորիզոնական մասշտաբային՝ հենց առաջադրանքների բաշխման պատճառով։

05:16.000 --> 05:20.000
Իսկ մոդելը, որում հաշվարկը կատարվում է զուգահեռ, կոչվում է MapReduce:

05:20.000 --> 05:24.000
Նման առաջադրանքների համար ամենահայտնի գործիքները պատրաստվում են Apache-ի կողմից:

05:24.000 --> 05:27.000
Դուք կարող եք ճանաչել այս անունը Nginx-ի մասին մեր տեսանյութից:

05:27.000 --> 05:34.000
Օրինակ, կա Hadoop զվարճալի անունով ծրագրերի հավաքածու և դեղին փղի տեսքով նույնքան զվարճալի լոգո:

05:34.000 --> 05:38.000
Նրանք կարող են օգնել պահպանել ֆայլերը և հնարավորություններ ընձեռել համագործակցելու այս տեղեկատվության հետ:

05:39.000 --> 05:41.000
Կա նաև Spark - սա արդեն ծրագիր չէ, այլ գրադարան:

05:42.000 --> 05:46.000
Եվ եթե որևէ բան կա, ապա գրադարանները պարզապես կոդերի պատրաստի հավաքածուներ են, որոնք կարող են ներկառուցվել ձեր ծրագրերում:

05:47.000 --> 05:50.000
Այսպիսով, Spark-ը կարող է օգնել RAM-ում հաշվարկներ կատարել:

05:50.000 --> 05:55.000
Համակարգչի RAM-ը շատ ավելի արագ է, քան մշտական ​​հիշողությունը, բայց ավելի դժվար է աշխատել դրա հետ:

05:55.000 --> 05:59.000
Եվ ահա մեզ օգնում է մեր Spark-ը, որը կարող է հարյուրավոր անգամ արագացնել աշխատանքը։

05:59.000 --> 06:03.000
Ի դեպ, դիտեք մեր տեսանյութը տարբեր տեսակի հիշողության մասին, որպեսզի հասկանաք դրանց տարբերությունները։

06:03.000 --> 06:13.000
Գրադարանների այս հավաքածուն օգտագործվում է նաև մեքենայական ուսուցման համար. սա այն դեպքում, երբ առկա տեղեկատվության շնորհիվ համակարգիչները սովորեցնում են կարդալ, գրել և կանխատեսումներ անել՝ նայելով ապագային:

06:14.000 --> 06:16.000
Ամենից հաճախ այս երկու գործիքներն օգտագործվում են միասին:

06:16.000 --> 06:23.000
Hadoop-ը տվյալների հետ աշխատելու գործընթացներ ստեղծելու համար, իսկ Spark-ը՝ տեղեկատվությունն իրական ժամանակում արագ մշակելու համար:

06:23.000 --> 06:25.000
Ի դեպ, այս ամենն անում են Data Scientists-ը։

06:25.000 --> 06:28.000
Իսկ տվյալների գիտության մասին տեսանյութ ունենք, անպայման դիտեք։

06:28.000 --> 06:29.000
Լավ, բավական է տեսությունը:

06:30.000 --> 06:33.000
Եթե ​​ցանկանում եք փորձել ձեզ որպես տվյալների գիտնական և մի փոքր աշխատել մեծ տվյալների հետ, դա հեշտ է:

06:34.000 --> 06:37.000
Պատկերացրեք, որ աշխատում եք պաղպաղակ արտադրող ընկերությունում։

06:37.000 --> 06:42.000
Այնպես եղավ, որ Team Lead-ը շատ է սիրում քաղցրավենիք, բայց չի կարողանում ուտել ընկերության արտադրած պաղպաղակը։

06:43.000 --> 06:48.000
Ուստի նա օգտվեց իր պաշտոնական դիրքից և խնդրեց ձեզ գտնել ամենաշատ պաղպաղակ ունեցող երկիրը։

06:48.000 --> 06:54.000
Դե, միևնույն ժամանակ, պարզեք թոփ 10 երկրները, որտեղ ամենից շատ պաղպաղակ կա և որոնք են այս երկրներում ամենասիրելի համերը։

06:54.000 --> 07:00.000
Այժմ մենք պետք է վերլուծենք հսկայական քանակությամբ տվյալներ աշխարհի բոլոր երկրներում պաղպաղակի արտադրության, պահպանման և սպառման վերաբերյալ։

07:01.000 --> 07:06.000
Եթե ​​սա իրական խնդիր լիներ, ապա մենք պետք է կառուցենք այս ամբողջ մեծ ամսաթիվը հետագա վերլուծության համար:

07:06.000 --> 07:11.000
Բայց դուք կարող եք պարզապես ներբեռնել CSV ֆայլը՝ օգտագործելով այս QR կոդը կամ նկարագրության հղումը:

07:11.000 --> 07:14.000
Եթե ​​ինչ-որ բան, ապա այս ֆայլի ձևաչափը պատահական չի ընտրվել:

07:14.000 --> 07:20.000
Այն ինչ-որ չափով նման է աղյուսակին, միայն այնտեղ արժեքները բաժանված են ոչ թե սյունակներով, այլ ստորակետներով, ինչպես ենթադրում է անունը:

07:20.000 --> 07:22.000
Դե, դրանք բավականին հարմար են աշխատելու համար։

07:22.000 --> 07:23.000
Լավ, գնանք։

07:23.000 --> 07:29.000
Որպեսզի դուք հեշտ և արագ զբաղվեք, և առանց բալալայկա տեղադրելու, գնացեք Google Collab:

07:29.000 --> 07:30.000
Հղումը կլինի նկարագրության մեջ։

07:30.000 --> 07:38.000
Սա կոդի հետ աշխատելու գործիք է, որը ստեղծում է ըստ էության ինտերակտիվ փաստաթղթեր և ունի մի շարք նախապես տեղադրված գրադարաններ տվյալների հետ աշխատելու համար:

07:38.000 --> 07:42.000
Եթե ​​որևէ բան կա, ապա ձեզ հարկավոր կլինի Google հաշիվ, բայց ակնհայտորեն կարող եք կարգավորել այն:

07:42.000 --> 07:46.000
Դե, կամ եթե դուք պրոֆեսիոնալ հմայող եք պիթոններով, ապա այս ամենը կարող եք անել ձեր մեքենայում:

07:46.000 --> 07:49.000
Համագործակցության հղմանը հետևելուց հետո սեղմեք կոճակը՝ նոթատետր ստեղծելու համար:

07:49.000 --> 07:54.000
Ունենալով CSV ֆայլը, որը ներբեռնել եք նկարագրության հղումից, այժմ կարող եք գրել կոդ՝ տվյալները վերլուծելու համար:

07:54.000 --> 07:58.000
Մենք կօգտագործենք Python-ը, ինչպես նաև դրա համար լրացուցիչ գործիքներ։

07:58.000 --> 08:02.000
Մի անհանգստացիր, իմ ընկեր, այս օրինակն իրականացնելու համար պետք չէ շատ բան իմանալ ծրագրավորման մասին, պարզապես կրկնիր մեզանից հետո:

08:03.000 --> 08:08.000
Նախ, դուք պետք է լրացուցիչ գործիքներ ներմուծեք կոդի մեջ, մասնավորապես մեծ տվյալների հետ աշխատելու գրադարան:

08:08.000 --> 08:09.000
Այն կոչվում է PySpark:

08:09.000 --> 08:12.000
Ավելի ճիշտ՝ Spark Session.

08:12.000 --> 08:13.000
Դա անհրաժեշտ է գրադարանը գործարկելու համար:

08:13.000 --> 08:17.000
Իսկ աշխատասեղանը թիմում սյունակների հետ աշխատելու գործառույթ է:

08:17.000 --> 08:21.000
Հաջորդը, մենք ստեղծում ենք նոր Spark նստաշրջան մեր պաղպաղակի տվյալների վերլուծության համար:

08:21.000 --> 08:23.000
Սա պարզապես անհրաժեշտ է գրադարանը գործարկելու համար:

08:23.000 --> 08:27.000
Եթե ​​ինչ-որ բան, պաղպաղակի անալիզը Spark-ում մեր հավելվածի անունն է:

08:27.000 --> 08:30.000
Այժմ մենք վերբեռնում ենք մեր csv ֆայլը collab:

08:30.000 --> 08:33.000
Մուտքագրեք ստորև նշված հրամանը և ներբեռնման կոճակը կհայտնվի ինքնուրույն:

08:33.000 --> 08:36.000
Համոզվեք, որ վերբեռնեք CSV-ն, որը ներբեռնել եք ավելի վաղ QR կոդով:

08:36.000 --> 08:39.000
Եթե ​​դուք դա չեք անում համագործակցության ժամանակ, ապա կարող եք բաց թողնել այս քայլը:

08:40.000 --> 08:43.000
Դրանից հետո մենք բեռնում ենք մեր csv ֆայլը Spark DataFrame-ում:

08:43.000 --> 08:45.000
DataFrame-ը, եթե ինչ-որ բան, պարզապես տեղեկատվության հավաքածու է:

08:46.000 --> 08:48.000
Այն օգտագործվում է տվյալների մշակման և վերլուծության մեջ:

08:48.000 --> 08:50.000
Դուք կարող եք այն ներկայացնել որպես աղյուսակ Excel-ում:

08:50.000 --> 08:53.000
it.csv մեթոդը կարդում է csv ֆայլը:

08:53.000 --> 09:02.000
Վերնագրի ճշմարիտ արգումենտը նշանակում է, որ ֆայլի առաջին տողը վերնագրերն են, և իսկական եզրակացության սխեման ավտոմատ կերպով հայտնաբերում է ֆայլի տվյալների տեսակը՝ մեր կյանքը մի փոքր ավելի հեշտացնելու համար:

09:03.000 --> 09:07.000
Այժմ մենք խմբավորում ենք տվյալները ըստ երկրների և գումարում ենք պաղպաղակի քանակը յուրաքանչյուր երկրի համար:

09:07.000 --> 09:17.000
Այստեղ ըստ երկրների խմբերը խմբավորում են տվյալներն ըստ երկրի անվանման սյունակի, և պաղպաղակի քանակն ինքնին գումարում է սյունակի արժեքը յուրաքանչյուր խմբի համար երկրում պաղպաղակի քանակի հետ:

09:17.000 --> 09:22.000
Դե, ապա մենք դասավորում ենք երկրները պաղպաղակի քանակի նվազման կարգով և ընտրում առաջին 10-ը։

09:22.000 --> 09:26.000
Դա անելու համար մենք օգտագործում ենք OrderByDeskum ֆունկցիան պաղպաղակի քանակի համար։

09:26.000 --> 09:33.000
Նրանք դասակարգում են երկրները՝ պաղպաղակի քանակի նվազմամբ, իսկ արդյունքը սահմանափակում են 10-ով առաջին 10 շարքերում երկրների հետ:

09:33.000 --> 09:35.000
Գորտերի վերջին քայլերը մնում են։

09:35.000 --> 09:37.000
Յուրաքանչյուր երկրի համար մենք գտնում ենք ամենահայտնի համը:

09:38.000 --> 09:44.000
Դրա համար առաջին տողը խմբավորում է տվյալները ըստ երկրների և ճաշակի, հաշվում է յուրաքանչյուր համակցության քանակը և դասավորում այն ​​նվազման կարգով։

09:44.000 --> 09:48.000
Երկրորդ տողում ընտրվում է առաջինը, այսինքն՝ յուրաքանչյուր երկրի համար ամենահայտնի համը:

09:48.000 --> 09:54.000
Վերջապես, մենք միավորում ենք տեղեկատվությունը պաղպաղակի քանակի և հայտնի համերի մասին լավագույն 10 երկրների համար՝ ըստ երկրի սյունակների:

09:54.000 --> 09:57.000
Դե, մենք արդյունքը ցուցադրում ենք տերմինալում աղյուսակի տեսքով։

09:57.000 --> 10:03.000
Պարզելով հիմնական տվյալները՝ մենք կարող ենք անցնել բուն առաջադրանքին՝ պարզել, թե որքան ժամանակ կպահանջվի, որպեսզի Թեմլիթն ուտի ամբողջ պաղպաղակը:

10:03.000 --> 10:10.000
Այստեղ առաջին տողը ամփոփում է պաղպաղակի քանակի սյունակի բոլոր արժեքները, երկրորդ տողում հաշվարկվում է, թե քանի ժամ կպահանջվի այն ուտելու համար:

10:11.000 --> 10:14.000
Ենթադրենք, որ տեմլիտը ժամում մեկ չափաբաժին պաղպաղակ է ուտում։

10:14.000 --> 10:16.000
Դե, երրորդ տողը ժամերը վերածում է տարիների:

10:16.000 --> 10:22.000
Դե, մի մոռացեք դադարեցնել Spark-ը և ազատել դրա հետ կապված մեր համակարգչի բոլոր ռեսուրսները:

10:22.000 --> 10:23.000
Արդյունքում ստացվեց հետևյալ ծածկագիրը.

10:23.000 --> 10:26.000
Այն շատ փոքր է, բայց կատարում է շատ բարդ առաջադրանքներ:

10:27.000 --> 10:28.000
Եվ արդյունքը կլինի այսպիսի մի բան.

10:28.000 --> 10:30.000
Ձեզ դուր եկավ վերլուծել տեղեկատվությունը:

10:30.000 --> 10:32.000
Մենք կարող ենք օգնել ձեզ սովորել սա:

10:32.000 --> 10:36.000
Մենք վերջերս թողարկեցինք տվյալների գիտության վերաբերյալ շատ հետաքրքիր դասընթաց:

10:54.000 --> 11:01.000
Իսկ որպես նվեր կստանաք անգլերենի դասընթացներ և զբաղվածություն, որպեսզի կարողանաք հասկանալ ՏՏ փաստաթղթերը և աշխատանքի տեղավորվել առանց խնդիրների:

11:02.000 --> 11:04.000
Ի դեպ, դուք կարող եք անմիջապես չվճարել դասընթացի համար, բայց վճարել մի փոքր:

11:05.000 --> 11:08.000
Մինչ այս ունենք ծառայություն բաժնետոմսերի կամ ապառիկ գնման հետ կապված։

11:08.000 --> 11:10.000
Գրանցվեք անվճար դասի համար, հղումը նկարագրության մեջ:

11:10.000 --> 11:16.000
Ֆու, մենք, իհարկե, քննարկել ենք շատ բաներ, բայց մենք չենք խոսել այն մասին, թե որտեղ և ինչպես են օգտագործվում մեծ տվյալները:

11:16.000 --> 11:19.000
Խոսելով գլոբալ առումով, այն այժմ օգտագործվում է ամենուր:

11:19.000 --> 11:22.000
Օրինակ, դա անհրաժեշտ է մարքեթինգի, առաքման և անվտանգության ոլորտում:

11:22.000 --> 11:26.000
Ընդհանուր առմամբ, մեծ քանակությամբ բոլոր տեսակի տվյալներ են շրջանառվում, որտեղ հնարավոր է:

11:26.000 --> 11:33.000
Վստահ եղեք, երեկվա միանիվ դասընթացի դրոշակի վրա ձեր սեղմումը գրանցվեց և կվերլուծվի որպես մեծ տվյալների մաս:

11:33.000 --> 11:39.000
Նրա օգնությամբ բիզնեսները կարող են բարելավել իրենց տրամադրած ապրանքներն ու ծառայությունները, օրինակ՝ օպտիմալացնել գործընթացները։

11:39.000 --> 11:47.000
Խոշոր բանկերը օգտագործում են մեծ տվյալներ՝ իրենց չաթ-բոտերին մարզելու համար, որոնք պատասխանում են օգտատերերին՝ աջակցություն տրամադրելու կամ հեռախոսով խաբեբաներին տրոլելու փոխարեն:

11:47.000 --> 11:49.000
Big Data-ի շնորհիվ կարող եք նաև կանխատեսումներ անել։

11:50.000 --> 11:58.000
Եթե ​​ընկերությունը վերլուծում է վաճառքի տվյալները, այն կարող է կանխատեսել հաճախորդների վարքագիծը և արտադրանքի պահանջարկը՝ կախված սեզոնից կամ գլոբալ միջավայրից:

11:58.000 --> 12:05.000
Դուք կարող եք երկար թվարկել, թե ինչ առավելություններ է տալիս բիզնեսին մեծ ամսաթվի վերլուծությունը, բայց գլոբալ առումով այն պարզապես շատ լավ բարելավում է այս բիզնեսը:

12:05.000 --> 12:10.000
Եվ վերջապես, հարցերի մեր սիրելի բաժինը. որքա՞ն ժամանակ կպահանջվի ձեր թիմի ղեկավարին ամբողջ պաղպաղակն ուտելու համար:

12:10.000 --> 12:16.000
Գրանցվեք Տվյալների գիտության վերաբերյալ մեր մեծ անվճար ներածական դասին՝ օգտագործելով նկարագրության հղումը և մեծ հավանեք:

12:16.000 --> 12:20.000
Եվ այնուամենայնիվ, ես գրանցվեցի և մնացի գիտելիքով:

12:20.000 --> 12:21.000
Այսքանն է, առայժմ հիանալի: