- Tytuł:
- Profilowanie, oczyszczanie i zapobieganie powstawaniu dirty data
- Autorzy:
-
Migdał-Najman, Kamila
Najman, Krzysztof - Powiązania:
- https://bibliotekanauki.pl/articles/582366.pdf
- Data publikacji:
- 2018
- Wydawca:
- Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu
- Tematy:
-
big data
dirty data
profilowanie danych
oczyszczanie danych
zapobieganie powstawaniu zanieczyszczeń w danych - Opis:
- Zbiory Big Data oferują dostęp do niemal nieograniczonej liczby danych, dając nadzieję na szybszy, tańszy, bardziej precyzyjny i wszechstronny opis świata. Jednocześnie w takich zbiorach poza danymi o odpowiedniej jakości (clear data) znaczny udział mają dane nieprawdziwe, nieaktualne, zaszumione, często zwielokrotnione, niepełne lub błędne (dirty data), a także dane o nieznanej jakości czy użyteczności (dark data). Znaczący udział dirty i dark data ma szereg negatywnych konsekwencji w analizie zbioru Big Data. Celem prezentowanych badań jest przegląd i systemowe ujęcie procedur minimalizowania negatywnych efektów dirty data w analizie Big Data. W konstrukcji systemu oczyszczania zbioru danych uwzględniono najważniejsze procedury profilowania (profiling data), oczyszczania (cleansing data) i zapobiegania (defect prevention) powstawaniu dirty data w procesie budowy i analizy zbioru Big Data
- Źródło:
-
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu; 2018, 508; 146-156
1899-3192 - Pojawia się w:
- Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
- Dostawca treści:
- Biblioteka Nauki
Artykuł