Novembro de 2016 e o Google TensorFlow completa exato 1 ano desde seu primeiro release open-source. Ao longo desses 12 meses, o TensorFlow tem se tornado uma das mais incríveis bibliotecas de Machine Learning disponíveis, com diversas melhorias, otimizações, novas features e uma crescente comunidade.
Autor: David Matos
Pesquisa Salarial 2016 – Data Science
A pesquisa salarial 2016 mostra que as linguagens R e Python continuam entre as principais ferramentas usadas por Cientistas de Dados. Scikit-learn (Machine Learning), Matplotlib, Ggplot, Spark, MongoDB e Tableau também aparecem no topo da lista de soluções para Big Data Analytics usadas por profissionais de Data Science e Big Data.
GPU e Deep Learning
Cada vez mais as GPU’s tem sido usadas para análises avançadas utilizando algoritmos de Machine Learning, especialmente Deep Learning. As GPU’s estão disponíveis em desktops, notebooks, servidores e supercomputadores pelo mundo, bem como em serviços em nuvem da Amazon, IBM e Microsoft. Você pode criar suas próprias soluções ou “conectar” uma solução de aprendizado profundo acelerada pelas GPU’s.
Microsoft Azure Machine Learning
O Microsoft Azure Machine Learning é um serviço em nuvem (Cloud) que tem como objetivo implementar modelos de Machine Learning de forma rápida e fácil. Os resultados dos modelos podem ser acessados pelos usuários de qualquer lugar e qualquer dispositivo. Este basicamente é o conceito de MLaaS (Machine Learning as a Service).
Oracle R Enterprise
A Oracle adotou a linguagem R como padrão para apoiar Cientistas de Dados, Analistas de Dados e Estatísticos, na realização de análises avançadas de dados, bem como a geração de gráficos sofisticados, utilizando tecnologias de banco de dados Oracle.
IBM Watson Analytics
A IBM recentemente redesenhou o IBM Watson Analytics, um serviço em nuvem da IBM para computação cognitiva e análise preditiva. Agora, qualquer cidadão pode fazer o upload dos seus dados e descobrir os insights neles contidos.
Apache Kafka e Big Data
Não faz mais sentido falar apenas em dados armazenados em tabelas, com linhas e colunas. O volume de dados agora é tão grande, que os dados precisam ser vistos como o que realmente são: um fluxo constante, que precisa ser analisado em tempo real.
Usando Data Science no Combate a Fraudes
A detecção e prevenção de fraudes é um campo em crescimento. Governos, empresas, mídia e o público em geral, tem visto a fraude não apenas como um problema econômico, mas também social.
Enterprise Data Hub
O Big Data está se consolidando e trazendo novos conceitos ou mudando conceitos existentes. À medida que as empresas se moverem para uma cultura orientada a dados, veremos o Enterprise Data Hub no centro de qualquer estratégia de Big Data e Analytics.
Do Data Warehouse para o Data Lake
Se o Data Lake será um substituto para o DW? Eu apostaria que sim. Quem trabalha com tecnologia, sabe que elas vêm, cumprem seu papel e se vão. As tecnologias evoluem e isso é absolutamente normal.