BIG DATA SOURCES Meaning in Japanese - translations and usage examples

• 大きなデータソース

Examples of using Big data sources in English and their translations into Japanese

How to leverage new'big data' sources, such as genomics.
ゲノミクスなどの新しい「ビッグデータ」情報源を活用する方法。

Then, in Section 2.3, I describe ten common characteristics of big data sources.
次に、2.3節で大きなデータソースの10の共通特性を説明します。

Most big data sources are not accessible to researchers.
要約すると、ビッグデータの多くは、研究者にアクセスできません。

Then, in Section 2.3, I describe ten common characteristics of big data sources.
次に、2.3節で、私は大きなデータソースの10共通の特性を記述します。

In fact, people who have worked with big data sources know that they are frequently dirty.
実際、大きなデータソースを扱っている人は、頻繁に汚れていることを知っています。

In the next section, I will describe ten common characteristics of big data sources.
次のセクションでは、大きなデータソースの10の共通の特性について説明します。

As these examples illustrate, corporate big data sources are about more than just online behavior.
これらの例が示すように、企業規模の大きなデータソースは、単なるオンライン動作だけではありません。

Most social scientists are already familiar with the process of cleaning large-scale social survey data, but cleaning big data sources seems to be more difficult.
ほとんどの社会科学者は、すでに大規模な社会調査データを整理するプロセスに精通していますが、大きなデータソースを整理することは難しいようです。

First, increasingly corporate big data sources come from digital devices in the physical world.
第1に、ますます大きくなる企業の大きなデータソースは、物理的な世界のデジタルデバイスからもたらされます。

In fact, I think that many of the challenges and opportunities created by big data sources follow from just one“W”:.
実際、大きなデータソースによって生み出される課題や機会の多くは、ただ1つの「W」に従うと考えています。

When thinking about big data sources, many researchers immediately focus on online data created and collected by companies, such as search engine logs and social media posts.
大きなデータソースについて考えると、多くの研究者は、検索エンジンのログやソーシャルメディアの投稿など、企業が作成して収集するオンラインデータにすぐに注目しています。

Even though, from the perspective of researchers, big data sources are“found,” they don't just fall from the sky.
研究者の視点から見ると、大きなデータソースは「発見」されていても、空から落ちるだけではありません。

First, in section 2.2, I describe big data sources in more detail and clarify a fundamental difference between them and the data that have typically been used for social research in the past.
まず第2.2節で、大きなデータソースをより詳細に説明し、過去の社会調査で一般的に使用されてきたデータとの根本的な違いを明確にします。

Based on the ideas in this chapter, I think that there are three main ways that big data sources will be most valuable for social research.
この章のアイデアに基づいて、私は大きなデータソースが社会調査のための最も貴重になります主に次の3通りの方法があると思います。

First, in section 2.2, I describe big data sources in more detail and clarify a fundamental difference between them and the data that have typically been used for social research in the past.
まず、2.2節では、私はより詳細にビッグデータを記述し、それと一般的に、過去に社会調査のために使用されているデータの基本的な違いを明らかにする。

As you will see, some of the examples in this book involve clever repurposing of big data sources that were originally created by companies and governments.
ご覧のとおり、本書の例には、企業や政府が独自に作成した大きなデータソースの巧妙な再利用が含まれています。

The practical and fundamental limitations of big data sources, and how they can be overcome with surveys, are illustrated by Moira Burke and Robert Kraut's(2014) research on how the strength of friendships was impacted by interaction on Facebook.
ビッグデータ・ソースの実用的かつ基本的な制限、およびそれらがどのように調査して克服することができる、モイラ・バークとロバート・ドイツ人のことで例示されている(2014)友情の強さがFacebook上での相互作用によって影響を受けた方法についての研究。

Talend studio is an easy-to-use graphical development environment that allows for interaction with big data sources and targets without the need to learn and write complicated code.
TalendStudioはグラフィック開発環境で簡単に使えるため、複雑なコードの習得や記述を行わずにビッグデータのソースとターゲットとのインタラクションが可能になります。

I think the idea of repurposing is fundamental to learning from big data sources, and so, before talking more specifically about the properties of big data sources(section 2.3) and how these can be used in research(section 2.4), I would like to offer two pieces of general advice about repurposing.
私は、再利用のアイデアは大きなデータソースから学ぶための基本的なものだと思うので、大きなデータソース（セクション2.3）のプロパティとそれらを研究（セクション2.4）でどのように使うことができるかについて具体的に話す前に、再利用に関する2つの一般的なアドバイスを提供する。

That is, researchers need to understand the characteristics of big data sources- both good and bad- and then figure out how to learn from them.
つまり、研究者は、大規模なデータソースの特徴（良きものと悪いもの両方）を理解し、それらから学ぶ方法を理解する必要があります。

I think the ultimate source of this difficulty is that many of these big data sources were never intended to be used for research, and so they are not collected, stored, and documented in a way that facilitates data cleaning.
私はこの難問の究極の原因は、これらの大きなデータソースの多くが研究目的で使用されることは意図されておらず、データの消去を容易にする方法で収集、保存、文書化されないということです。

This breakneck pace could see genomics in 2025 surpass by 10x the amount of data generated by other big data sources such as astronomy, Twitter and YouTube- hitting the double-digit exabyte range.
この恐ろしいほどのペースが続けば、2025年にはゲノミクスのデータ量が、天文学やTwitter、YouTubeといった他のビッグデータソースから生成されるデータの10倍を超え、2桁台のエクサバイトにまで達することも考えられます。

As the work of Burke and Kraut illustrates, big data sources will not eliminate the need to ask people questions.
バークとドイツ人の仕事が示すように、ビッグデータ・ソースは、人々の質問をする必要がなくなるわけではありません。

Machine Learning/ Deep Learning(ML/DL) algorithms proved to be helpful in processing big data sources that accumulate the network performance metrics sampled at high frequency, and with breakdown to individual services(flows) rather than aggregated per RAN cell.
機械学習/深層学習(ML/DL)アルゴリズムは、高頻度で抽出されたネットワークパフォーマンスメトリックを蓄積し、RANのセル単位で集約するのではなく、個別のサービス(フロー)に細分化するようなビッグデータソースの処理に役立つことが証明されています。

Too often, however, researchers seem to treat the size of big data source as an end-“look how much data I can crunch”- rather than a means to some more important scientific objective.
しかし、しばしば、研究者は、大規模なデータソースのサイズを、より重要な科学的目的のための手段ではなく、「どれくらいのデータを拾うことができるかを見る」ように扱うようです。

It's already becoming the biggest data source in the world.
彼はまさに世界最大のニュース供給源になっている。