Le Big Data en un claquement de doigt !

« On entend beaucoup de choses sur les différentes méthodes de rentabilisation des données. En revanche, il est primordial de faire le bon choix d’infrastructure pour héberger et gérer le Big Data au cours des dix prochaines années.
Cependant, dix ans, c’est très long. En matière de Big Data, le contexte est encore mal défini, sans compter qu’il ne cesse d’évoluer. Il n’est pas surprenant que l’on peine à savoir comment procéder pour faire de cette innovation technologique un outil exploitable.
Le Big Data peut servir à établir des corrélations ponctuelles. Toutefois, comme l’indique Tim Hartford, correspondant du Financial Times à qui l’on doit l’expression de « pot d’échappement numérique », il n’offre aucune théorie à tester, et il peut être facile de confondre corrélation et cause. »

Tags:

15 Most Read Data Science Articles in 2015. So far … | Data Science Weekly Blog

« We’ve compiled the latest set of « most read » articles from the Data Science Weekly Newsletter. This is what is most popular thus far in 2015 – a mix of interesting applications of data science, advice on how best to get into the field, and unique explanations of some of the core concepts / techniques… »

Tags:

Don’t Just Get Your Data On; Get Your Data Right at Splunk .conf2015!

« Data: We’re swimming in it.

There is so much data on the Web, inside our organizations, with our partners … security and threat teams must sort through this data to find emerging threats to their organizations. This is hard enough given the plethora of data available, but even more complicated without any context to the information that makes up the intelligence that informs a threat program. »

Tags:

Don’t Just Get Your Data On; Get Your Data Right at Splunk .conf2015!

« Data: We’re swimming in it.

There is so much data on the Web, inside our organizations, with our partners … security and threat teams must sort through this data to find emerging threats to their organizations. This is hard enough given the plethora of data available, but even more complicated without any context to the information that makes up the intelligence that informs a threat program. »

Tags:

Big Data : mythes et réalités – Silicon

« Au-delà des algorithmes analytiques et prédictifs, on définit souvent le Big Data par les 3 ou 5 V : volume, variété, vitesse, véracité et valeur. Même s’ils fleurent bon le marketing, ces termes recèlent quelques enseignements précieux.

Tout a commencé avec les 3 V : Volume, variété, vitesse. Trois mots censés résumer les problématiques posées par la gestion de l’information et démontrer l’incapacité des outils d’analyse en place de traiter de tels volumes, aussi variés et à grande vitesse.

« 

Tags:

Big Data : mythes et réalités – Silicon

« Au-delà des algorithmes analytiques et prédictifs, on définit souvent le Big Data par les 3 ou 5 V : volume, variété, vitesse, véracité et valeur. Même s’ils fleurent bon le marketing, ces termes recèlent quelques enseignements précieux.

Tout a commencé avec les 3 V : Volume, variété, vitesse. Trois mots censés résumer les problématiques posées par la gestion de l’information et démontrer l’incapacité des outils d’analyse en place de traiter de tels volumes, aussi variés et à grande vitesse.

« 

Tags:

Comprehensive list of data science resources – Data Science Central

« We blended together the best of the best resources posted recently on DSC. It would be great to organize them by category, but for now they are organized by date. This is very useful too, since you are likely to have seen old entries already, and can focus on more recent stuff. Starred entries have interesting charts. « 

Tags:

Comprehensive list of data science resources – Data Science Central

« We blended together the best of the best resources posted recently on DSC. It would be great to organize them by category, but for now they are organized by date. This is very useful too, since you are likely to have seen old entries already, and can focus on more recent stuff. Starred entries have interesting charts. « 

Tags:

R beats Python! R beats Julia! Anyone else wanna challenge R? | Mad (Data) Scientist

« Before I left for China a few weeks ago, I said my next post would be on our Rth parallel R package. It’s not quite ready yet, so today I’ll post one of the topics I spoke on last night at the Berkeley R Language Beginners Study Group. Thanks to the group for inviting me, and thanks to Allan Miller for suggesting I address this topic. »

Tags:

R beats Python! R beats Julia! Anyone else wanna challenge R? | Mad (Data) Scientist

« Before I left for China a few weeks ago, I said my next post would be on our Rth parallel R package. It’s not quite ready yet, so today I’ll post one of the topics I spoke on last night at the Berkeley R Language Beginners Study Group. Thanks to the group for inviting me, and thanks to Allan Miller for suggesting I address this topic. »

Tags:

5 New R Packages for Data Scientists

« One great beauty of the R ecosystem, and perhaps the primary reason for R’s phenomenal growth, is the system for contributing new packages. This, coupled to the rock solid stability of CRAN, R’s primary package repository, gives R a great advantage. However, anyone with enough technical knowhow to formulate a proper submission can contribute a package to CRAN. « 

Tags:

5 New R Packages for Data Scientists

« One great beauty of the R ecosystem, and perhaps the primary reason for R’s phenomenal growth, is the system for contributing new packages. This, coupled to the rock solid stability of CRAN, R’s primary package repository, gives R a great advantage. However, anyone with enough technical knowhow to formulate a proper submission can contribute a package to CRAN. « 

Tags: