Big Data Analytics, Volume 33

در حالی که واژه کلان داده برای تفسیرهای مختلف باز است، کاملاً واضح است که حجم، سرعت و تنوع (3Vs) داده ها بر هر جنبه ای از علم محاسبات و کاربردهای آن تأثیر گذاشته است. حجم داده‌ها با سرعتی خارق‌العاده در حال افزایش است و اکثریت آن‌ها بدون ساختار هستند. با داده های بزرگ، حجم آنقدر زیاد است که پردازش آن با استفاده از پایگاه داده سنتی و تکنیک های نرم افزاری، اگر غیرممکن نباشد، دشوار است. محرک‌ها حسگرها، دستگاه‌ها، شبکه‌های اجتماعی و وب فراگیر هستند. دانشمندان به طور فزاینده ای به دنبال به دست آوردن بینش از مقدار عظیم داده ها برای ایجاد دانش جدید هستند. در استفاده متداول، Big Data صرفاً به استفاده از تجزیه و تحلیل پیش‌بینی‌کننده یا سایر روش‌های پیشرفته خاص برای استخراج ارزش از داده‌ها، بدون نیاز به مقدار مورد نیاز، اشاره دارد. چالش‌ها عبارتند از تجزیه و تحلیل، ضبط، مدیریت، جستجو، اشتراک‌گذاری، ذخیره‌سازی، انتقال، تجسم، و حریم خصوصی اطلاعات. در حالی که چالش‌هایی وجود دارد، فرصت‌های بزرگی در زمینه‌های یادگیری ماشین، داده‌کاوی، آمار، رابط‌های انسان و کامپیوتر و سیستم‌های توزیع‌شده برای پرداختن به روش‌هایی برای تحلیل و استدلال با این داده‌ها وجود دارد. جلد ویرایش شده بر چالش‌ها و فرصت‌های ایجاد شده توسط \"داده‌های بزرگ\" در حوزه‌های مختلف و اینکه چگونه تکنیک‌های آماری و الگوریتم‌های نوآورانه می‌توانند به جمع‌آوری بینش‌ها و تسریع در کشف کمک کنند، تمرکز دارد. کلان داده ها این پتانسیل را دارد که به شرکت ها در بهبود عملیات و تصمیم گیری های سریع تر و هوشمندانه تر کمک کند.

• بررسی چالش های تحقیقات کلان داده از حوزه های مختلف تلاش علمی
• دیدگاه غنی در مورد طیف وسیعی از مسائل علم داده از محققان برجسته
• بینش به نظریه ریاضی و آماری زیربنای روش های محاسباتی مورد استفاده برای رسیدگی به مشکلات تجزیه و تحلیل داده های بزرگ در حوزه های مختلف

While the term Big Data is open to varying interpretation, it is quite clear that the Volume, Velocity, and Variety (3Vs) of data have impacted every aspect of computational science and its applications. The volume of data is increasing at a phenomenal rate and a majority of it is unstructured. With big data, the volume is so large that processing it using traditional database and software techniques is difficult, if not impossible. The drivers are the ubiquitous sensors, devices, social networks and the all-pervasive web. Scientists are increasingly looking to derive insights from the massive quantity of data to create new knowledge. In common usage, Big Data has come to refer simply to the use of predictive analytics or other certain advanced methods to extract value from data, without any required magnitude thereon. Challenges include analysis, capture, curation, search, sharing, storage, transfer, visualization, and information privacy. While there are challenges, there are huge opportunities emerging in the fields of Machine Learning, Data Mining, Statistics, Human-Computer Interfaces and Distributed Systems to address ways to analyze and reason with this data. The edited volume focuses on the challenges and opportunities posed by "Big Data" in a variety of domains and how statistical techniques and innovative algorithms can help glean insights and accelerate discovery. Big data has the potential to help companies improve operations and make faster, more intelligent decisions.

• Review of big data research challenges from diverse areas of scientific endeavor
• Rich perspective on a range of data science issues from leading researchers
• Insight into the mathematical and statistical theory underlying the computational methods used to address big data analytics problems in a variety of domains