Flashcard: Introduction au Big Data et à l'Intelligence Artificielle — 24 carte

Donnée numérique — définition ?

Description élémentaire codée d'une réalité.

Traitement automatisé — rôle ?

Manipuler et analyser rapidement les données numériques.

Big Data — caractéristiques ?

Volume, variété, vélocité des données.

Sources du Big Data — principales ?

Web visible, deep web, social data, Internet des objets.

Cluster — fonction ?

Exécuter dans un ensemble de serveurs pour la robustesse.

Datawarehouse — utilisation ?

Stockage centralisé pour analyse structurée.

Datamart — spécificité ?

Sous-ensemble dédié à un domaine précis.

Datalake — stockage ?

Données brutes, structurées ou non.

Bases NoSQL — caractéristique ?

Non relationnelles, dans clusters, adaptées aux données massives.

Cloud computing — avantage ?

Flexibilité, évolutivité, facturation à l’usage.

Puissances de traitement — exemples ?

CPU, GPU, ASIC, puces neuromorphiques.

Traitements batch — mécanisme ?

Traitement en lots, résultats après achèvement.

Traitements en temps réel — mécanisme ?

Analyse immédiate des données dès leur arrivée.

Datamining — objectif ?

Extraire des connaissances à partir des données.

Machine learning — types ?

Supervisé, non supervisé, par renforcement.

Deep learning — fonctionnement ?

Réseaux de neurones profonds pour motifs complexes.

Réseaux de neurones — avantage ?

Imitent le cerveau pour traiter l'information.

Questions éthiques — enjeux principaux ?

Neutralité, emploi, données personnelles.

Sources d’alimentation du Big Data — exemples ?

Web, deep web, réseaux sociaux, IoT.

Accélération du traitement — technologies ?

GPU, ASIC, neuromorphiques.

Méthodes de traitement — principales ?

Batch et en temps réel.

Technologies de stockage — principales ?

Datawarehouse, Datamart, Datalake, NoSQL.

Cluster — rôle en Big Data ?

Assurer la continuité et répartir la charge.

Big Data — défi éthique ?

Biais, confidentialité, impact social.