{"id":230,"date":"2023-11-30T17:32:12","date_gmt":"2023-11-30T17:32:12","guid":{"rendered":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/chapter\/more-on-big-data\/"},"modified":"2024-01-31T11:49:07","modified_gmt":"2024-01-31T11:49:07","slug":"more-on-big-data","status":"publish","type":"chapter","link":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/chapter\/more-on-big-data\/","title":{"raw":"Ve\u010d o velikih podatkih","rendered":"Ve\u010d o velikih podatkih"},"content":{"raw":"<p class=\"no-indent\">Splo\u0161na praksa shranjevanja vseh vrst podatkov se imenuje <strong>Big Data<sup>1<\/sup><\/strong>. To je smiselno, saj je shranjevanje podatkov postalo zelo poceni, zmogljivi procesorji in algoritmi (zlasti obdelava naravnega jezika in strojno u\u010denje) pa olaj\u0161ajo analizo velikih podatkov<sup>2<\/sup>.<\/p>\nhttps:\/\/www.youtube.com\/watch?v=LU-21FKbugI&amp;list=PLkm8ZqYSzE3fv8uQT7zz1I_Tvelj0U2vd&amp;index=10\n<p class=\"no-indent\">Kot je opisano v videoposnetku, je za velike podatke zna\u010dilna velika koli\u010dina (volume), hitro nastajanje (velocity), razli\u010dne vrste (variety) podatkov, ki se ustvarjajo iz ve\u010d virov. Tako pridobljeni podatki so obi\u010dajno nepopolni in nenatan\u010dni (verodostojnost), njihova pomembnost pa se s \u010dasom spreminja (nestanovitnost). Za zdru\u017eevanje, obdelavo in vizualizacijo tovrstnih podatkov so potrebni zapleteni algoritmi. Vendar pa so lahko sklepi, ki izhajajo iz njih, zlasti v kombinaciji s tradicionalnimi podatki, zelo mo\u010dni in zato vredni truda2.<\/p>\nNekateri strokovnjaki presegajo 3 ali 5 Vs<sup>2<\/sup> in poudarjajo tri osi, ki sestavljajo velike podatke:\n\nTehnologija, ki omogo\u010da zbiranje, analiziranje, povezovanje in primerjanje velikih zbirk podatkov.\nAnaliza, ki v velikih podatkovnih nizih prepoznava vzorce za podajanje gospodarskih, dru\u017ebenih, tehni\u010dnih in pravnih zahtev.\n\nPrepri\u010danje, da \"veliki podatkovni nizi ponujajo vi\u0161jo obliko inteligence in znanja, ki lahko ustvarja vpoglede, ki so bili prej nemogo\u010di, z auro resnice, objektivnosti in natan\u010dnosti \"<sup>3<\/sup>.\n\nAnaliza velikih podatkov \"lahko potencialno ugotovi podro\u010dja, na katerih imajo u\u010denci te\u017eave ali uspevajo, razume individualne potrebe u\u010dencev in razvije strategije za prilagojeno u\u010denje\".\n\n&nbsp;\n<p class=\"indent\"><img class=\"aligncenter wp-image-229 \" src=\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2023\/11\/chadd-big-data-576x1024.png\" alt=\"\" width=\"317\" height=\"563\"><\/p>\n\n\n<hr>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>1<\/sup> Schneier, B., Data and Goliath: <em>The Hidden Battles to Capture Your Data and Control Your World<\/em>, W. W. Norton &amp; Company, 2015.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>2<\/sup> Kelleher, J.D, Tierney, B, <em>Data Science<\/em>, London, 2018.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>3<\/sup> D\u2019Ignazio, C., Bhargava, R., <em>Approaches to Building Big Data Literacy<\/em>, Bloomberg Data for Good Exchange, New York, 2015.\nGeneral Data Protection Regulation (GDPR), European Union, April 2016.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>4<\/sup> Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators, European Commission, October 2022.<\/p>","rendered":"<p class=\"no-indent\">Splo\u0161na praksa shranjevanja vseh vrst podatkov se imenuje <strong>Big Data<sup>1<\/sup><\/strong>. To je smiselno, saj je shranjevanje podatkov postalo zelo poceni, zmogljivi procesorji in algoritmi (zlasti obdelava naravnega jezika in strojno u\u010denje) pa olaj\u0161ajo analizo velikih podatkov<sup>2<\/sup>.<\/p>\n<p><iframe loading=\"lazy\" id=\"oembed-1\" title=\"Podatki vseh oblik in velikosti.\" width=\"500\" height=\"281\" src=\"https:\/\/www.youtube.com\/embed\/LU-21FKbugI?list=PLkm8ZqYSzE3fv8uQT7zz1I_Tvelj0U2vd\" frameborder=\"0\" allowfullscreen=\"allowfullscreen\"><\/iframe><\/p>\n<p class=\"no-indent\">Kot je opisano v videoposnetku, je za velike podatke zna\u010dilna velika koli\u010dina (volume), hitro nastajanje (velocity), razli\u010dne vrste (variety) podatkov, ki se ustvarjajo iz ve\u010d virov. Tako pridobljeni podatki so obi\u010dajno nepopolni in nenatan\u010dni (verodostojnost), njihova pomembnost pa se s \u010dasom spreminja (nestanovitnost). Za zdru\u017eevanje, obdelavo in vizualizacijo tovrstnih podatkov so potrebni zapleteni algoritmi. Vendar pa so lahko sklepi, ki izhajajo iz njih, zlasti v kombinaciji s tradicionalnimi podatki, zelo mo\u010dni in zato vredni truda2.<\/p>\n<p>Nekateri strokovnjaki presegajo 3 ali 5 Vs<sup>2<\/sup> in poudarjajo tri osi, ki sestavljajo velike podatke:<\/p>\n<p>Tehnologija, ki omogo\u010da zbiranje, analiziranje, povezovanje in primerjanje velikih zbirk podatkov.<br \/>\nAnaliza, ki v velikih podatkovnih nizih prepoznava vzorce za podajanje gospodarskih, dru\u017ebenih, tehni\u010dnih in pravnih zahtev.<\/p>\n<p>Prepri\u010danje, da &#8220;veliki podatkovni nizi ponujajo vi\u0161jo obliko inteligence in znanja, ki lahko ustvarja vpoglede, ki so bili prej nemogo\u010di, z auro resnice, objektivnosti in natan\u010dnosti &#8220;<sup>3<\/sup>.<\/p>\n<p>Analiza velikih podatkov &#8220;lahko potencialno ugotovi podro\u010dja, na katerih imajo u\u010denci te\u017eave ali uspevajo, razume individualne potrebe u\u010dencev in razvije strategije za prilagojeno u\u010denje&#8221;.<\/p>\n<p>&nbsp;<\/p>\n<p class=\"indent\"><img loading=\"lazy\" decoding=\"async\" class=\"aligncenter wp-image-229\" src=\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2023\/11\/chadd-big-data-576x1024.png\" alt=\"\" width=\"317\" height=\"563\" srcset=\"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2023\/11\/chadd-big-data-576x1024.png 576w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2023\/11\/chadd-big-data-169x300.png 169w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2023\/11\/chadd-big-data-768x1365.png 768w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2023\/11\/chadd-big-data-864x1536.png 864w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2023\/11\/chadd-big-data-65x116.png 65w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2023\/11\/chadd-big-data-225x400.png 225w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2023\/11\/chadd-big-data-350x622.png 350w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2023\/11\/chadd-big-data.png 1080w\" sizes=\"(max-width: 317px) 100vw, 317px\" \/><\/p>\n<hr \/>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>1<\/sup> Schneier, B., Data and Goliath: <em>The Hidden Battles to Capture Your Data and Control Your World<\/em>, W. W. Norton &amp; Company, 2015.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>2<\/sup> Kelleher, J.D, Tierney, B, <em>Data Science<\/em>, London, 2018.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>3<\/sup> D\u2019Ignazio, C., Bhargava, R., <em>Approaches to Building Big Data Literacy<\/em>, Bloomberg Data for Good Exchange, New York, 2015.<br \/>\nGeneral Data Protection Regulation (GDPR), European Union, April 2016.<\/p>\n<p class=\"hanging-indent\" style=\"text-align: left\"><sup>4<\/sup> Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators, European Commission, October 2022.<\/p>\n","protected":false},"author":1,"menu_order":10,"template":"","meta":{"pb_show_title":"","pb_short_title":"","pb_subtitle":"","pb_authors":[],"pb_section_license":""},"chapter-type":[49],"contributor":[],"license":[],"part":204,"_links":{"self":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters\/230"}],"collection":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters"}],"about":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/types\/chapter"}],"author":[{"embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/users\/1"}],"version-history":[{"count":1,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters\/230\/revisions"}],"predecessor-version":[{"id":231,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters\/230\/revisions\/231"}],"part":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/parts\/204"}],"metadata":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters\/230\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/media?parent=230"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapter-type?post=230"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/contributor?post=230"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/license?post=230"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}