В этой статье говорится о том, как использовать документо-ориентированные базы данных для обработки и анализа данных в составе комплексного решения.

Эта статья познакомит вас с платформой InfoSphere Streams, являющейся частью платформы IBM Big Data. InfoSphere Streams призвана помочь в решении проблем обработки больших объемов потоковых данных, генерируемых в реальном времени. Из статьи вы узнаете, для чего нужен этот продукт, в каких случаях он оказывается полезным, как он работает, и как использовать его совместно InfoSphere BigInsights для многосложного анализа данных.

Корпорации Intel и IBM провели эталонное тестирование первой в отрасли терабайтной базы данных XML на основании сценария применения в финансовой индустрии. Тестирование показало осуществимость управления большими объемами данных XML на экономичной аппаратной платформе.

Визуализация текста это эффективный способ, позволяющий увидеть и проанализировать, о чем именно рассказывает исследуемый текст. В данной статье описывается совместное применение платформы Eclipse и инструментов с открытым исходным кодом для визуализации текста и его анализа при создании приложения для волнового представления облака слов, которое визуализирует и сравнивает два текста.

Внедрение технологий Big Data позволяет банкам вывести на новый уровень работу по самым важным направлениям: повышение качества обслуживания, разработка продуктов, риск-менеджмент, обеспечение безопасности, оптимизация расходов. Российские банки в начале пути.

Сегментация клиентов - это отличный первый шаг в освоении техническими специалистами методов предиктивного анализа. Используя готовое программное обеспечение и существующие транзакционные базы данных, компании могут быстро создавать модели сегментирования, формирующие основу для оптимизации процессов маркетинга и продаж, а также для использования других методов предиктивного анализа.

В статье описываются возможности и функции нескольких баз данных типа NoSQL, в том числе HBase, MongoDB и SimpleDB. Кроме того, в статье рассматриваются основы проектирования облачных баз данных и баз данных типа NoSQL.

Если вы собираетесь работать с проектами, связанными с обработкой больших объемов данных и опирающимися на применение IBM InfoSphere BigInsight, то вам будет важно изучить основы извлечения, обработки и анализа этих данных.

Эта статья содержит обзор тех преимуществ, которых компания может получить от внедрения в свои системы пакетной обработки данных IBM DB2 Analytics Accelerator. Приведенный пример основан на реальных реализациях, выполненных в Swiss Re, крупной компании по перестрахованию, расположенной в Цюрихе.

Корпорация IBM опубликовала традиционный список технологических прогнозов на следующие пять лет - "5 in 5". Впервые такой список был составлен в 2006 году, и с тех пор новые выпуски появлялись ежегодно. Почти все предсказания, сделанные на этот раз, так или иначе связаны с анализом данных и машинным обучением.

Эта статья представляет собой обзор аппаратных средств системы PureApplication System. Для просмотра различных компонентов используется системная консоль.

Система IBM PureData для Hadoop разрабатывалась с учетом такого подхода в плане аппаратного и программного обеспечения, подготовленного для облачной архитектуры. Все преимущества и особенности Hadoop объединяются с поддержкой и простым администрированием, которые может предложить PureData.

В данной статье описываются технологии IBM для создания федерированных баз данных, позволяющие интегрировать и использовать данные и специализированные вычислительные возможности из обширного спектра реляционных и нереляционных источников.

В настоящее время игровая индустрия претерпевает колоссальные изменения вследствие расширения традиционного игрового ландшафта и включения в него новых типов игр, платформ и игроков. Методы анализа больших объемов данных позволяют разработчикам игр и игровым брендам получать богатую и разнообразную поведенческую и мультиструктурную информацию об играх и игроках.

В статье приводятся десять рекомендаций для компании, которая берется за проект в сфере анализа "больших данных", даже если она решила просто попробовать. Упор делается на решение на основе облака, так как это позволяет избежать многих сложных технических проблем на начальной стадии.

Меняются потребители, меняется мир бизнеса. Сегодня уже недостаточно изучения только данных о продажах. Цель развертывания интегрированной платформы для бизнес-аналитики и анализа больших данных заключается в том, чтобы копать глубже и лучше понимать - почему, где, что и как - о клиентах, продуктах и компании. В этой статье обсуждается интеграция бизнес-аналитики и анализа больших данных.

В этой статье излагаются примеры применения прогностического анализа для совершенствования бизнес-операций в нескольких различных функциональных подразделениях компании оптовой дистрибьюции и описывается набор продуктов IBM, которые применяются на всем протяжении от начального исследования и применения первых приложений до анализа "больших данных"

В статье описывается порядок использования решения IBM® InfoSphere® Optim® Data Masking Solution вместе с продуктом IBM InfoSphere Federation Server для де-идентификации (de-identify) данных, размещенных на устройстве IBM Netezza Data Warehouse Appliance.

В борьбу со страшной болезнью включаются "умные" машины. Речь идёт о программном обеспечении, созданном совместно IBM и Бэйлоровском медицинском колледжем.

Моментальный анализ данных, который предлагает "Формула-1", дает преимущество не только в гонках, но и других отраслях, где используются большие данные. Ведь это чрезвычайно заманчивая перспектива - получать информацию на лету, выделять ключевые моменты и преобразовывать данные в дальнейшую стратегию действий.

Это статья о том, как использовать IBM® InfoSphere® Streams для моделирования. В качестве примера мы построим модель движения автотранспорта по автомобильным дорогам в соответствии с моделью Нагеля-Шрекенберга.

Storm ― это система обработки больших данных с открытым исходным кодом, которая отличается от других систем тем, что предназначена для распределенной обработки в режиме реального времени и не зависит от языка программирования. Познакомьтесь с системой Twitter Storm, ее архитектурой и спектром решений для пакетной и поточной обработки.

Познакомьтесь с различными методами и решениями для интеллектуального анализа данных и научитесь создавать такие решения с помощью существующего программного обеспечения и систем.

Огромные потоки информации подчиняются новым правилам. Что изменилось в "мультипетабайтном" мире? Как большие данные меняют нашу деятельность?

В заключительной части серии статей о Hadoop рассмотрены API-интерфейсы и потоки данных Hadoop. Кроме того, продемонстрировано их использование на примере небольших приложений map и reduce.

В этой статье мы будем настраивать Hadoop в более сложной конфигурации с несколькими узлами для параллельной обработки данных. В статье будут описаны различные типы узлов, необходимые для построения многоузловых кластеров, а также работа процедур MapReduce в параллельной среде. Также будут рассмотрены вопросы администрирования Hadoop - как с помощью интерфейса командной строки, так и с помощью Web-интерфейсов.

В этой статье рассматривается фреймворк Hadoop и его основные элементы - файловая система HDFS и типы узлов. Вы узнаете, как установить и настроить одноузловой кластер Hadoop, и познакомитесь с приложением на основе MapReduce. В заключение вы узнаете о способах мониторинга и управления фреймворком Hadoop с помощью его базовых Web-интерфейсов.

Apache Pig - это высокоуровневый процедурный язык, предназначенный для выполнения запросов к большим слабоструктурированным наборам данных с помощью платформ Hadoop и MapReduce. Pig упрощает использование Hadoop, позволяя выполнять SQL-подобные запросы к распределенным наборам данных. В этой статье описывается язык, лежащий в основе Pig, и приводится пример его использования для простого кластера Hadoop.

Журналы - это важнейший элемент любой компьютерной системы, обеспечивающий выполнение обширного перечня задач - от аудита до управления ошибками. В условиях роста объема журналов и количества источников информации для них (включая облачные среды) для эффективной обработки этих журналов необходима масштабируемая система. Это практическое занятие посвящено обработке журналов с помощью технологии Apache Hadoop в типичной Linux-системе.

Интеллектуальные приложения, которые обучаются на данных и информации, вводимой пользователем ― некогда прерогатива научно-исследовательских институтов и корпораций с крупными бюджетами НИОКР ― получают все более широкое распространение. Сегодня потребность в методах машинного обучения, таких как кластеризация, коллаборативная фильтрация и классификация, применяемых как для поиска общих интересов среди больших групп людей, так и для автоматического маркирования больших объемов Web-контента, велика как никогда. Проект Apache Mahout поставил перед собой цель упростить и ускорить создание интеллектуальных приложений. Сооснователь Mahout Грант Ингресолл знакомит читателей с основными понятиями машинного обучения и демонстрирует, как использовать Mahout для кластеризации документов, выдачи рекомендаций и организации контента.