R pada Hadoop dan bahasa R - dummies

Disiplin pembelajaran mesin mempunyai katalog teknik yang kaya dan luas. Mahout membawa pelbagai alat statistik dan algoritma ke jadual, tetapi hanya menangkap sebahagian kecil daripada teknik dan algoritma tersebut, kerana tugas mengubah model-model ini ke kerangka MapReduce adalah satu yang mencabar.

Sepanjang masa, Mahout pasti terus mengembangkan kotak alat statistiknya, tetapi sehingga itu semua saintis dan ahli statistik data di luar sana perlu menyadari perisian pemodelan statistik alternatif - yang mana R masuk.

Bahasa R adalah bahasa statistik dan persekitaran pembangunan sumber terbuka yang kuat dan popular. Ia menawarkan ekosistem analisis yang kaya yang boleh membantu saintis data dengan penerokaan data, visualisasi, analisis statistik dan pengkomputeran, pemodelan, pembelajaran mesin, dan simulasi. Bahasa R biasanya digunakan oleh ahli statistik, penambang data, penganalisis data, dan (kini) ahli sains data.

(CRAN) yang, pada masa penulisan ini mengandungi lebih daripada 3000 pakej analisis statistik. Tambahan ini boleh ditarik ke dalam projek R, menyediakan alat analisis yang kaya untuk menjalankan klasifikasi, regresi, clustering, pemodelan linier, dan algoritma pembelajaran mesin yang lebih khusus. Bahasa ini boleh diakses oleh mereka yang biasa dengan jenis struktur data mudah - vektor, skalar, bingkai data (matriks), dan sejenis yang biasa digunakan oleh ahli statistik dan pengaturcara.

Di luar kotak, salah satu perangkap utama dengan menggunakan bahasa R adalah kekurangan sokongan yang ditawarkan untuk menjalankan tugas serentak. Alat bahasa statistik seperti R excel pada analisis yang ketat, tetapi kurang skalabiliti dan sokongan asli untuk perhitungan selari.

Sistem-sistem ini tidak boleh diedarkan dan tidak dibangunkan untuk berskala untuk dunia besar petabyte data besar. Cadangan untuk mengatasi batasan-batasan ini perlu untuk memperluaskan ruang lingkup R di luar pemuatan dalam memori dan persekitaran pelaksanaan komputer tunggal, sambil mengekalkan bakat R untuk algoritma statistik yang mudah digerakkan.