BIG DATA SOURCES Meaning in Tamil - translations and usage examples

• பெரிய தரவு மூலங்கள்
• பெரிய தரவு ஆதாரங்கள்
• பெரிய தரவு ஆதாரங்களை

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

Big data sources tend to have ten characteristics;
பெரிய தரவு மூலங்கள் பத்து பண்புகள் கொண்ட் உள்ளன;

Measurement is much less likely to change behavior in big data sources.
அளவீட்டு பெரிய தரவு மூலங்கள் நடத்தை மாற்ற மிகவும் குறைவாகவே உள்ளது.

Big data sources can be loaded with junk and spam.
பெரிய தரவு மூலங்கள் குப்பை மற்றும் ஸ்பேம் ஏற்ற முடியும்.

The most widely discussed feature of big data sources is that they are BIG..
பெரிய தரவு ஆதாரங்களின் பரவலாகப் பரவலான அம்சம் அவை பெரியவையாகும்.

Big data sources tend to have a number of characteristics in common;
பெரிய தரவு ஆதாரங்கள் பொதுவான பல பண்புகளை கொண்டிருக்கின்றன;

Table 2.1: Studies of unexpected events using always-on big data sources.
அட்டவணை 2.1: பெரிய நிகழ்வுகளின் மூலம் எப்போதும் எதிர்பாராத நிகழ்வுகளின் ஆய்வுகள்.

Measurement in big data sources is much less likely to change behavior.
பெரிய தரவு ஆதாரங்களில் அளவீடு நடத்தை மாற்ற மிகவும் குறைவாக உள்ளது.

Table 2.1: Studies of unexpected events using always-on big data sources.
அட்டவணை 2.1: எப்போதும் பயன்படுத்தி பெரிய தரவு மூலங்கள் எதிர்பாராத நிகழ்வுகள் குறித்த ஆய்வுகள்.

In conclusion, the big data sources of today(and tomorrow) generally have ten characteristics.
முடிவில், இன்று( நாளை) பெரிய தரவு மூலங்கள் பொதுவாக பத்து பண்புகள் உண்டு.

Figure 3.12: Two ways to combine big data sources and survey data..
படம் 3.12: பெரிய தரவு ஆதாரங்கள் மற்றும் கணக்கெடுப்பு தரவை இணைக்க இரண்டு வழிகள்.

Rosenbaum(2015) and Hernán and Robins(2016) offer other advice for discovering useful comparisons within big data sources.
Rosenbaum( 2015) மற்றும் Hernán and Robins( 2016) ஆகியவை பெரிய தரவு ஆதாரங்களில் பயனுள்ள ஒப்பீடுகளை கண்டுபிடிப்பதற்கு மற்ற ஆலோசனைகளை வழங்குகின்றன.

Two approaches that especially benefit from big data sources are natural experiments and matching.
குறிப்பாக பெரிய தரவு ஆதாரங்கள் இலிருந்து இரு அணுகுமுறைகள் இயற்கை சோதனைகள் மற்றும் பொருத்தங்கள்.

For machine learning approaches that attempt to automatically discover natural experiments inside of big data sources, see Jensen et al.
பெரிய தரவு ஆதாரங்களின் உள்ளே இயற்கைய் ஆன சோதனைகள் தானாகவே கண்டறிய முயற்சிக்கும் இயந்திர கற்றல் அணுகுமுறைகளுக்கு, Jensen et al.

Another way in which researchers can use big data sources in survey research is as a sampling frame for people with specific characteristics.
ஆய்வாளர்கள் பெரிய தரவு ஆதாரங்களை ஆராய்ச்சியில் ஆராய்வதற்கு மற்றொரு வழி குறிப்பிட்ட குணாதிசயங்கள் உடன் மக்களுக்கு ஒரு மாதிரி சட்டம் ஆக உள்ளது.

Population drift, usage drift, and system drift make it hard to use big data sources to study long-term trends.
மக்கள் நகர்வு, பயன்பாட்டு நகர்வு, மற்றும் கணினி சறுக்கல் நீண்டகால போக்குகளைப் படிக்க பெரிய தரவு ஆதாரங்களைப் பயன்படுத்துவது கடினமாக உள்ளது.

Rather than thinking of big data sources as observing people in a natural setting, a more apt metaphor is observing people in a casino.
மாறாக ஒரு இயற்கை அமைப்பில் மக்கள் கவனித்து போன்ற பெரிய தரவு மூலங்கள் நினைத்து விட, ஒரு இன்னும் பொருத்தம் ஆன உருவகம் ஒரு சூதாட்ட மக்கள் கவனித்து வருகிறது.

Finally, I will describe two research templates for linking survey data to big data sources(section 3.6).
இறுதிய் ஆக, நான் ஆய்வு தரவு பெரிய தரவு மூலங்கள்( பிரிவு 3.6) இணைக்கும் இரண்டு ஆராய்ச்சி வார்ப்புருக்கள் விவரிக்க வேண்டும்.

The remainder of the chapter begins by arguing that big data sources will not replace surveys and that the abundance of data increases- not decreases- the value of surveys(Section 3.2).
அத்தியாயம் எஞ்சிய பெரிய தரவு மூலங்கள் ஆய்வுகள் பதிலாக முடியாது என்று வாதிட்டார் மற்றும் தரவு மிகுதிய் ஆக உயர்வு இல்லை குறைகிறது-ஆய்வுகள்( பிரிவு 3.2) மதிப்பு என்று தொடங்குகிறது.

For machine learning approaches that attempt to automatically discover natural experiments inside of big data sources, see Jensen et al.
தானாக பெரிய தரவு மூலங்கள் உள்ளே இயற்கை சோதனைகள் கண்டறிய முயற்சிக்க என்று இயந்திரக் கற்றல் அணுகுமுறைகள், பார்க்க Jensen et al.

Third, when survey data collection is combined with big data sources- something that I think will become increasingly common, as I will argue later in this chapter- additional ethical issues can arise.
மூன்றாவது, கணக்கெடுப்பு தரவு சேகரிப்பு பெரிய தரவு ஆதாரங்கள் உடன் இணைக்க ப்படும் போது, நான் அதிக அளவில் பொதுவாய் ஆகிவிடுவேன் என நினைக்கிறேன், இந்த அத்தியாயத்தில் நான் விவாதிப்பேன், கூடுதல் நெறிமுறை சிக்கல்கள் எழுகின்றன.

Social scientists call this match construct validity and it is a major challenge with using big data sources for social research(Lazer 2015).
சமூக விஞ்ஞானிகள் இந்த போட்டியில் கட்டமைப்பாக செல்லுபடியாகும் அழைக்கிறேன் அது சமூக ஆராய்ச்சி பெரிய தரவு மூலங்கள் பயன்படுத்தி ஒரு முக்கிய சவாலாக உள்ளது( Lazer 2015).

This chapter has three parts. 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. Then, in section 2.3, I describe ten common characteristics of big data sources..
இந்த அத்தியாயம் மூன்று பகுதிகளைக் கொண்ட் உள்ளது. முதல், பிரிவு 2.2 இல், நான் பெரிய தரவு ஆதாரங்களை இன்னும் விரிவாக விவரிக்கிறேன் மற்றும் அவர்களுக்கு இடையேயான ஒரு அடிப்படை வேறுபாட்டை தெளிவுபடுத்துகிறேன் மற்றும் கடந்த காலத்தில் சமூக ஆராய்ச்சிக்கு பொதுவாக பயன்படுத்தப்படும் தரவு. பின்னர், பிரிவு 2.3 ல், பெரிய தரவு ஆதாரங்களின் பத்து பொதுவான பண்புகளை நான் விவரிக்கிறேன்.

See Westen and Rosenthal(2003), and for more on construct validity in big data sources, Lazer(2015) and Chapter 2 of this book.
Westen and Rosenthal( 2003) மற்றும் பெரிய தரவு ஆதாரங்களில், Lazer( 2015) மற்றும் இந்த புத்தகத்தின் 2-ஆம் அதிகாரத்தில் செல்லுபடியாக்கல் ஆகியவற்றைப் பார்க்கவ் உம்.

(Note that this same activity also appears in chapter 6.) This activity will give you practice in data wrangling and thinking about natural experiments in big data sources.
( அத் ஏ செயல்பாடு 6-ம் அதிகாரத்தில் தோன்றுகிறது என்பதை நினைவில் கொள்ளுங்கள்.) இந்த தரவு, தரவுத் தொல்லைகளில் நீங்கள் நடைமுறையில் ஈடுபடுவதோடு, பெரிய தரவு ஆதாரங்களில் உள்ள இயற்கை சோதனையைப் பற்றி சிந்திக்கும்.

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:.
இந்த அதிகாரத்தில் கருத்துக்களின் அடிப்படையில், நான் பெரிய தரவு மூலங்கள் சமூக ஆராய்ச்சி மிகவும் மதிப்புமிக்க இருக்கும் என்று மூன்று முக்கிய வழிகள் உள்ளன என்று நினைக்கிறேன்:.

These four examples all show that a powerful strategy in the future will be to enrich big data sources, which are not collected for research, with additional information that makes them more suitable for research(Groves 2011).
எதிர்காலத்தில் ஒரு சக்திவாய்ந்த மூலோபாயம் ஆராய்ச்சி சேகரிக்கப்பட்ட இல்லை இது பெரிய தரவு மூலங்கள், ஆராய்ச்சி அவர்களை மிகவும் பொருத்தம் ஆன செய்கிறது என்று கூடுதல் தகவல்களை, வளப்படுத்த இருக்கும் என்று இந்த நான்கு உதாரணங்கள் அனைத்து காட்ட( Groves 2011).

For more on construct validity, see Westen and Rosenthal(2003), and for more on construct validity in big data sources, Lazer(2015) and Chapter 2 of this book.
கட்டமைப்பாக செல்லுபடிக்காலத்தில் ஏயே மேலும் காண்க, Westen and Rosenthal( 2003), மற்றும் பெரிய தரவு மூலங்கள் நிர்மாணிக்கவுள்ளது செல்லுபடியாகும், மீது மேலும் Lazer( 2015) மற்றும் இப்புத்தகத்தின் 2.

As I'm describing these characteristics you will notice that they often arise because big data sources were not created for the purpose of research.
இந்த பண்புகளை நான் விவரிப்பது போல, அவர்கள் பெரும்பால் உம் எழுந்திருப்பதை நீங்கள் கவனிக்க வேண்டும், ஏனென்றால் பெரிய தரவு ஆதாரங்கள் ஆராய்ச்சி நோக்கத்திற்காக உருவாக்கப்படவ் இல்லை.

In enriched asking, survey data builds context around a big data source that contains some important measurements but lack others.
செறிவான கோரிக்கைகளில், கணக்கெடுப்பு தரவு ஒரு பெரிய தரவு மூலத்தைச் சுற்றி சூழலை உருவாக்குகிறது, அதில் சில முக்கிய அளவீடுகள் உள்ளன, ஆனால் மற்றவர்களுடனும் இல்லை.

Population drift, usage drift, and system drift make it hard to use big data source to study long-term trends.
மக்கள்தொகை நகர்வு, பயன்பாடு நகர்வு, மற்றும் அமைப்பு சறுக்கல் அதை கடுமையாக நீண்ட கால போக்குகள் படிக்க பெரிய தரவு மூல பயன்படுத்த வேண்டும்.