ОГЛЯД МАТЕМАТИЧНИХ МОДЕЛЕЙ ТА ІНФОРМАЦІЙНИХ ТЕХНОЛОГІЙ БІЗНЕС АНАЛІЗУ ВЕЛИКИХ WEB-ДАНИХ
DOI:
https://doi.org/10.34185/1562-9945-4-147-2023-02Ключові слова:
web, бізнес-аналіз, нейронні мережі, кластеризація, регресійний аналіз, NLP, машинне навчання, e-commerce.Анотація
У сучасному бізнесі, особливо у сфері інтернет-технологій, існує величезна кількість даних, які постійно надходять та накопичуються. Для ухвалення ефективних рішень необхідно проводити аналіз цих даних. Однак, обробка великих обсягів даних потребує спеціальних математичних моделей та інформаційних технологій. У зв'язку з цим дослідження математичних моделей та інформаційних технологій для аналізу великих web-даних є актуальною темою. Проблема полягає в тому, що для аналізу великих обсягів даних, отриманих зі сфери інтернет-технологій, потрібні ефективні методи обробки та аналізу. Існуючі методи аналізу не завжди дозволяють отримати актуальну та точну інформацію, яка може бути використана для прийняття рішень. Метою дослідження є огляд та аналіз існуючих математичних моделей та інформаційних технологій, що використовуються для аналізу великих web-даних. Для досягнення цієї мети були використані методи аналізу літератури, порівняльний аналіз методів та засобів аналізу даних. В результаті дослідження були виявлені основні математичні моделі та інформаційні технології, які широко використовуються для аналізу великих веб-даних. Було проведе-но аналіз та порівняння існуючих методів, виявлено їх переваги та недоліки. Аналіз даних є важливим інструментом прийняття ефективних рішень у сфері інтернет-технологій. Використання ефективних математичних моделей та інформаційних технологій дозволяє отримати точну та актуальну інформацію з вели-ких web-даних. Результати дослідження можуть бути використані для розробки но-вих методів та засобів аналізу даних, що дозволить покращити якість прийнятих рішень.
Посилання
Goyal, P. & Kumar, V. (2017). A Comparative Study on Sentiment Analysis Techniques. In Proceedings of the 2nd International Conference on Telecommunications and Networks (TEL-NET) (pp. 73-76). IEEE.
Islam, M. R., Islam, M. M., Islam, M. N., Islam, M. R., & Rahman, M. A. (2020). A review of text mining techniques and applications. Journal of King Saud University-Computer and Information Sciences, 32 (3), 257-269.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Image Classification with Deep Convolutional Neural Networks. In Advances in Neural Information Processing Systems (pp. 1097-1105).
Feichtenhofer, C., Pinz, A., & Zisserman, A. (2015). Video classification with deep convo-lutional neural networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 4475-4483).
Salehan, M., & Kim, D. J. (2015). Social media analytics: A survey of techniques, tools and platforms. Telematics and Informatics, 32 (4), 575-591.
Al Hasan, M., Chaoji, V., Salem, S., & Zaki, M. (2016). Graph Analysis: An Overview. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery,
(1), 1-15.
Choudhury, P., & Shankar, R. (2018). Big Data Analytics in E-commerce: A Review. Jour-nal of King Saud University-Computer and Information Sciences,
(4), 431-448.
Mishra, D., & Gunasekaran, A. (2018). Big Data Analytics in Supply Chain Management: A Review. Journal of Business Research, 83, 36-46.
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). Data Mining for Business Applica-tions. AI Magazine, 17 (3), 37-55.
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
