results of big data analyses” [10].

results of big data analyses” [10]. Let us note that visualization
in Big Data context is static. Indeed, data are not stored in
a relational way and real-time updates require processing
large amount of data; but this problem has started to be
addressed [3]. Here we present some techniques for Big Data
visualization.9
• Tag Cloud. It is a method for visualizing and linking
concepts of a precise domain or web site. These concepts
are written using text properties such as font size, weight,
or color.
• Clustergram. M. Schonlau [28] defines clustergram as
a visualization technique used for cluster analysis
displaying how individual members of a dataset are
assigned to clusters as the number of clusters increases.
As for every clustering process the number of clusters is
important and it has the advantage to easily perceive how
the number influences partitioning results.
• History Flow. F.B. Viégas, M. Wattenberg and K. Dave [29]
present history flow as a visualization technique designed
to show the evolution of a document efficiently with
respect to the contributions of its different authors. The
horizontal axis of a history flow carries time and the
vertical axis the names of the authors. A color code is
assigned to each author and the vertical length of a bar
indicates the amount of text written by each author.
• Spatial information flow. It is another visualization
technique that represents spatial information flows. It
is mostly represented as a lighting graph where edges
connect sites located on a map.
Visualization can also be used to solve Big Data problems.
For a brief review on this topic, see [30].
3.2. Data analytics
Big Data Analytics can be defined as the use of advanced
analytic techniques on big data [31]. Nowadays, we can put big
data and analytics together. The prior conditions are present
for the development of big data Analytics. First of all, Tools
and storage capabilities can handle big data. Next, by its
size, big data provides large statistical samples and enhanced
results of experiments. Finally, companies and governments
have clearly identified the benefits to develop the economics
of big data. Due to the characteristics of big data, mainly
variety, there are many techniques used for analytics on big
data [32].
• Association rule learning to find relationships among entities
(mainly used in recommendation systems).
• Machine learning to bring computer to learn complex
patterns and make intelligent decisions based on it [10].
• Data mining which can be seen as a combination of statistics
and machine learning and statistics with database
management [10].
• Cluster analysis used as unsupervised machine learning. It
aims to divide data into smaller clusters having the same
set of characteristics not known in advance.

ผลลัพธ์ (ไทย) 1:

ผลการวิเคราะห์ข้อมูล" [10] แจ้งให้เราทราบแสดงว่าในข้อมูล บริบทจะคง จริง ข้อมูลจะไม่ถูกเก็บไว้ในแบบเชิงสัมพันธ์และแบบเรียลไทม์การปรับปรุงกระบวนการจำนวนมากของข้อมูล แต่ปัญหานี้เริ่มต้นที่จะแก้ไขได้ [3] นำเทคนิคบางประการสำหรับข้อมูลขนาดใหญ่visualization.9•แท็กเมฆินทร์ เป็นวิธีการแสดงผล และเชื่อมโยงแนวคิดของการมีเว็บไซต์หรือโดเมนที่แม่นยำ แนวคิดเหล่านี้เขียนโดยใช้คุณสมบัติข้อความเช่นแบบอักษรขนาด น้ำหนักหรือสี• Clustergram Schonlau M. [28] กำหนด clustergram เป็นเทคนิคการแสดงภาพประกอบเพลงที่ใช้สำหรับการวิเคราะห์คลัสเตอร์แสดงว่าแต่ละสมาชิกของชุดข้อมูลคือกำหนดให้กลุ่มเป็นหมายเลขของกลุ่มเพิ่มขึ้นสำหรับทุกขั้นตอนระบบคลัสเตอร์ ของคลัสเตอร์เป็นสำคัญ และมีประโยชน์ได้รับรู้ว่าหมายเลขมีอิทธิพลต่อผลการแบ่งพาร์ติชัน•ประวัติกระแส F.B. Viégas, M. Wattenberg และคุณ Dave [29]ปัจจุบันประวัติไหลเป็นเทคนิคการแสดงการออกแบบแสดงวิวัฒนาการของเอกสารได้อย่างมีประสิทธิภาพด้วยเคารพผลงานของผู้เขียนที่แตกต่างกัน การแกนแนวนอนของกระแสประวัติศาสตร์มีเวลาและแกนแนวตั้งชื่อผู้เขียน รหัสสีกำหนดให้กับแต่ละผู้เขียนและความยาวของแถบแนวตั้งบ่งชี้จำนวนของข้อความที่เขียน โดยผู้สร้างแต่ละ•การไหลของข้อมูลเชิงพื้นที่ มันเป็นการแสดงภาพประกอบเพลงอีกเทคนิคที่แสดงถึงกระแสข้อมูลเชิงพื้นที่ มันส่วนใหญ่จะแสดงเป็นกราฟแสงที่ขอบเชื่อมต่อเว็บไซต์ที่อยู่บนแผนที่ยังสามารถใช้แสดงการแก้ปัญหาข้อมูลขนาดใหญ่สำหรับทบทวนในหัวข้อนี้ ดู [30]3.2. ข้อมูลวิเคราะห์วิเคราะห์ข้อมูลขนาดใหญ่ที่สามารถกำหนดเป็นการใช้งานขั้นสูงเทคนิคการวิเคราะห์ข้อมูล [31] ในปัจจุบันนี้ เราสามารถใส่ใหญ่ข้อมูลและการวิเคราะห์ร่วมกัน เงื่อนไขล่วงหน้ามีอยู่สำหรับการพัฒนาของการวิเคราะห์ข้อมูล ครั้งแรกของทั้งหมด เครื่องมือและความสามารถในการเก็บข้อมูลสามารถจัดการกับข้อมูลขนาดใหญ่ ถัดไป โดยการขนาด ข้อมูลแสดงตัวอย่างทางสถิติที่มีขนาดใหญ่ และปรับปรุงผลการทดลอง ในที่สุด บริษัทและรัฐบาลได้อย่างชัดเจนระบุประโยชน์การพัฒนาเศรษฐศาสตร์ของข้อมูลขนาดใหญ่ ลักษณะของข้อมูลขนาดใหญ่ ส่วนใหญ่ความหลากหลาย มีเทคนิคมากมายที่ใช้สำหรับวิเคราะห์ในใหญ่ข้อมูล [32]•สมาคมกฎการเรียนรู้การหาความสัมพันธ์ระหว่างเอนทิตี(ส่วนใหญ่ใช้ในคำแนะนำของระบบ)เรียนรู้การนำคอมพิวเตอร์เพื่อการเรียนรู้ที่ซับซ้อนของเครื่อง•รูปแบบและทำการตัดสินใจอันชาญฉลาดนั้น [10]•การทำเหมืองข้อมูลที่มาของสถิติและเรียนรู้ของเครื่องและสถิติกับฐานข้อมูลการจัดการ [10]•วิเคราะห์คลัสเตอร์ที่ใช้เรียนรู้เครื่องขั่ว มันการแบ่งข้อมูลเป็นคลัสเตอร์ขนาดเล็กที่มีเหมือนกันชุดของลักษณะที่ไม่ทราบล่วงหน้า

ผลลัพธ์ (ไทย) 2:

ผลการวิเคราะห์ข้อมูลขนาดใหญ่ "[10] แจ้งให้เราทราบว่าการสร้างภาพ
ในบริบทข้อมูลขนาดใหญ่เป็นแบบคงที่ อันที่จริงแล้วข้อมูลจะไม่เก็บไว้ใน
ลักษณะที่สัมพันธ์และการปรับปรุงเวลาจริงต้องมีการประมวลผล
ข้อมูลจำนวนมาก; แต่ปัญหานี้ได้เริ่มต้นที่จะได้รับ
การแก้ไข [3] ที่นี่เรานำเสนอเทคนิคบางอย่างสำหรับข้อมูลขนาดใหญ่
visualization.9
•เมฆแท็ก มันเป็นวิธีการแสดงผลและการเชื่อมโยง
แนวคิดของโดเมนที่แม่นยำหรือเว็บไซต์ แนวคิดเหล่านี้
ถูกเขียนโดยใช้คุณสมบัติข้อความเช่นขนาดตัวอักษร, น้ำหนัก,
หรือสี.
• Clustergram เอ็ม Schonlau [28] กำหนด clustergram เป็น
เทคนิคการสร้างภาพที่ใช้ในการวิเคราะห์กลุ่ม
แสดงว่าสมาชิกแต่ละคนของชุดข้อมูลจะ
ได้รับมอบหมายให้กลุ่มเป็นจำนวนของกลุ่มเพิ่มขึ้น.
ในฐานะที่เป็นกระบวนการการจัดกลุ่มทุกจำนวนกลุ่มเป็น
สิ่งสำคัญและมีความได้เปรียบ เพื่อให้ง่ายต่อการรับรู้ว่า
หมายเลขที่มีอิทธิพลต่อผลการแบ่งพาร์ทิชัน.
•ประวัติไหล FB Viegas เมตร Wattenberg และเคเดฟ [29]
ไหลประวัติศาสตร์ปัจจุบันเป็นเทคนิคการสร้างภาพที่ออกแบบมา
เพื่อแสดงให้เห็นวิวัฒนาการของเอกสารอย่างมีประสิทธิภาพด้วย
ความเคารพต่อผลงานของผู้เขียนที่แตกต่างกันของ
แกนนอนของการไหลของประวัติศาสตร์ดำเนินการเวลาและ
แกนแนวตั้งชื่อของผู้เขียน รหัสสีที่
ได้รับมอบหมายให้เขียนแต่ละคนและความยาวตามแนวตั้งของบาร์
แสดงถึงปริมาณของข้อความที่เขียนโดยผู้เขียนแต่ละคนได้.
•การไหลของข้อมูลเชิงพื้นที่ การสร้างภาพมันเป็นอีก
เทคนิคหนึ่งที่แสดงให้เห็นถึงข้อมูลเชิงพื้นที่ไหล มัน
เป็นตัวแทนส่วนใหญ่เป็นกราฟแสงที่ขอบ
เชื่อมต่อเว็บไซต์ที่ตั้งอยู่บนแผนที่.
การแสดงนอกจากนี้ยังสามารถนำมาใช้ในการแก้ปัญหาข้อมูลขนาดใหญ่.
สำหรับการตรวจสอบสั้น ๆ เกี่ยวกับหัวข้อนี้เห็น [30].
3.2 การวิเคราะห์ข้อมูล
บิ๊ก Analytics ข้อมูลสามารถกำหนดเป็นใช้ขั้นสูง
เทคนิคการวิเคราะห์เกี่ยวกับข้อมูลขนาดใหญ่ [31] ปัจจุบันเราสามารถใส่ขนาดใหญ่
ข้อมูลและการวิเคราะห์ร่วมกัน เงื่อนไขก่อนที่มีอยู่
สำหรับการพัฒนาวิเคราะห์ข้อมูลขนาดใหญ่ แรกของทุกเครื่องมือ
และความสามารถในการจัดเก็บข้อมูลสามารถจัดการกับข้อมูลขนาดใหญ่ ถัดไปโดยตัวของมัน
ขนาดข้อมูลขนาดใหญ่ให้กลุ่มตัวอย่างขนาดใหญ่และสถิติที่เพิ่มขึ้น
ผลจากการทดลอง สุดท้าย บริษัท และรัฐบาล
ได้ระบุไว้อย่างชัดเจนผลประโยชน์ในการพัฒนาเศรษฐกิจ
ของข้อมูลขนาดใหญ่ เนื่องจากลักษณะของข้อมูลขนาดใหญ่ส่วนใหญ่
หลากหลายมีเทคนิคต่างๆที่ใช้สำหรับการวิเคราะห์ในบิ๊ก
ข้อมูล [32].
•เรียนรู้กฎสมาคมเพื่อค้นหาความสัมพันธ์ระหว่างหน่วยงาน
(ส่วนใหญ่ที่ใช้ในระบบข้อเสนอแนะ.)
•การเรียนรู้เครื่องที่จะนำคอมพิวเตอร์ที่จะเรียนรู้ ซับซ้อน
รูปแบบและการตัดสินใจอย่างชาญฉลาดบนพื้นฐานของมัน [10].
•การทำเหมืองข้อมูลซึ่งสามารถมองเห็นเป็นส่วนผสมของสถิติ
และการเรียนรู้เครื่องและสถิติกับฐานข้อมูล
การจัดการ [10].
•การวิเคราะห์กลุ่มใช้เป็นกลไกการเรียนรู้ใกล้ชิด มัน
มีจุดมุ่งหมายที่จะแบ่งข้อมูลเป็นกลุ่มที่มีขนาดเล็กที่มีเดียวกัน
ชุดของลักษณะที่ไม่เป็นที่รู้จักล่วงหน้า