Size is the first, and at times, the only dimension that leaps out at the mention of big data. This paper attempts to offer a broader definition of big data that captures its other unique and defining characteristics. The rapid evolution and adoption of big data by industry has leapfrogged the discourse to popular outlets, forcing the academic press to catch up. Academic journals in numerous disciplines, which will benefit from a relevant discussion of big data, have yet to cover the topic. This paper presents a consolidated description of big data by integrating definitions from practitioners and academics. The paper's primary focus is on the analytic methods used for big data. A particular distinguishing feature of this paper is its focus on analytics related to unstructured data, which constitute 95% of big data. This paper highlights the need to develop appropriate and efficient analytical methods to leverage massive volumes of heterogeneous data in unstructured text, audio, and video formats. This paper also reinforces the need to devise new tools for predictive analytics for structured big data. The statistical methods in practice were devised to infer from sample data. The heterogeneity, noise, and the massive size of structured big data calls for developing computationally efficient algorithms that may avoid big data pitfalls, such as spurious correlation

چکیده

زمان را می‌توان اولین و در بعضی مواقع تنها بعدی دانست که منجر به ظهور قابل ملاحظه‌ی کلان داده‌ها گردیده است. در این مقاله تلاش خواهیم کرد تا تعریفی گسترده از کلان داده (داده‌های انبوه- داده های عظیم) را ارائه داده و سایر مشخصه‌های انحصاری آن را تعریف کنیم. توسعه و اتخاذ سریع کلان داده‌ها در صنعت، بازار خروجی را دستخوش تغییراتی قرار داد و از این رو حوزه‌های دانشگاهی و آکادمیک را بر آن داشت تا کلان داده‌ها را مورد توجه قرار دهند. ژورنال‌های دانشگاهی در رشته‌های علمی مختلف که مباحث کلان داده‌ها را مورد بحث و گفتگو قرار می‌دهند باید در سطح گسترده‌ای به پوشش این موضوع بپردازند. در این مقاله، تشریحی جامع از کلان داده‌ها را بر اساس ادغام تعاریفی که از سوی فعالان این عرضه و حوزه‌های آکادمیک ارائه گردیده است، ارائه می‌کنیم. تمرکز اصلی این مقاله، بر روی متدهای تحلیل کلان داده‌ها می‌باشد. یکی از ویژگی‌های متمایز این مقاله نسبت به سایر مقالات، تمرکز آن بر روی تحلیل‌های مرتبط با داده‌های غیر ساخت یافته‌ای که 95% از کلان داده‌ها را تشکیل می‌دهند می‌باشد. در این مقاله، نشان می‌دهیم که ضروری است تا روش‌های تحلیلی مناسب و کارآمدی را به منظور بهره‌برداری از حجم عظیم داده‌های ناهمگن در قالب متن، صوت و ویدئو اتخاذ کنیم. همچنین در این مقاله نشان خواهیم داد که اتخاذ ابزارهایی جدید برای تحلیل پیش گوی کلان داده‌های غیر ساخت یافته نیز ضرورت دارد. روش‌های آماری که در عمل بکار گرفته شده‌اند، تنها بر اساس داده‌های نمونه به تحلیل آن‌ها می‌پردازند. ناهمگنی، نویز و حجم گسترده‌ی کلان داده‌های ساخت یافته، نشان از ضرورت توسعه‌ی الگوریتم‌های کارآمد از نظر محاسباتی، به منظور اجتناب از افتادن در دام کلان داده‌ها (مانند همبستگی ساختگی بین داده‌ها) دارد.

1-مقدمه

در این مقاله، به مستندسازی مفاهیم اولیه‌ی مرتبط با کلان داده‌ها می‌پردازیم. تلاش خواهیم کرد تا مباحث پراکنده و گسسته‌ای که تا به امروز در خصوص عناصر تشکیل دهنده‌ی کلان داده‌ها، معیارهای تعریف کننده‌ی اندازه و سایر مشخصه‌های کلان داده‌ها و ابزارها و تکنیک‌های موجود به منظور بهره‌برداری از پتانسیل کلان داده‌ها ارائه گردیده است را به شکلی یکپارچه در کنار هم ادغام و گردآوری کنیم. کلان داده‌ها در سطوح مختلفی برای هر قشری- از رهبران سازمانی گرفته تا برنامه ریزان شهری- یک مسئله‌ی قابل توجه می‌باشد. ظهور غیر قابل منتظره و سریع کلان داده‌ها باعث شد تا آمادگی‌های لازم برای مواجهه با آن تدارک دیده نشود. در گذشته، توسعه‌های فناورانه ی جدید در ابتدا در انتشارات آکادمیک و فنی ظاهر می‌شود...