Aquí, los Derivados de datos significan la información diversa “útil” ( ‘Errores’, ‘Eficiencia’, ‘Precisión’ y ‘Recuperación’ ) que recibimos después de aplicar Modelos analíticos de Big Data como ‘Modelo de regresión lineal usando el algoritmo MapReduce’ en los datos sí mismo.
De acuerdo con el contexto de la pregunta, sugiere que las personas generalmente encuentran que las etiquetas de datos ( nombres de columnas o etiquetas de datos ) que seleccionamos a menudo son engañosas porque estos modelos de big data no consideran los supuestos.
Es decir, en cierto modo, una proposición correcta porque estos algoritmos no tienen la capacidad de identificar supuestos. A menudo dan resultados basados en datos redundantes e inútiles y ahí es donde entra en juego la inteligencia humana.
- ¿Qué partes del trabajo de un científico de datos tienen menos probabilidades de ser automatizadas en el futuro?
- ¿Cómo se puede aprender Big Data Hadoop en casa si no tiene experiencia laboral y está pensando en comenzar una carrera en Big Data?
- ¿Has oído hablar de alguien que usa datos de transacciones para ayudar a detectar patrones de fraude?
- ¿Existe una relación entre big data, aprendizaje automático y sistemas distribuidos?
- ¿Qué debo hacer para convertirme en analista de datos una vez que mi título esté completo?
Antes de aplicar estos modelos en los Datos, el trabajo de un científico de datos es limpiar los datos, eliminar todo lo que no se requiere.
