当前位置: 首页 > news >正文

自助商业智能平台 HK-Visokio Omniscope 详解!

一、HK-Visokio Omniscope介绍

HK-Visokio Omniscope 是一款多功能、多标签、多视图的交互式数据分析、过滤、可视化软件

1.完美的工具

  • ETL。构建工作流以加载、流式传输、混合和转换任何数据。

  • 智能分析。利用机器学习,提取见解并执行视觉探索,包括回归、聚类、篮子分析、预测、主题建模等。

  • 可视化。设计交互式报告,发布和分享您的结果,例如过滤、选择、隔离、排除等。

2.自助商业智能平台

  • 兼容性。任何设备上的全新智能体验:Windows、Mac、Linux、Android、iOS。
  • 开放。使用自定义 Python / R 脚本增强工作流程,并使用任何基于 JS 的可视化增强报告。
  • 可扩展。SQL 数据库上的大数据准备和实时查询。
  • 协作。多用户同步编辑以协作处理工作流和仪表板。
  • 自动化。安排数据刷新和报告更新、触发任务和警报。大量 REST API 用于自动化数据流、编辑和查询数据、重新配置仪表板。
  • 安全。在本地或云端部署。内置用户权限、OpenID Connect 身份验证(Google、Okta、Auth0、Keycloak)和 LDAP 支持。

3.适用对象

  • 数据库管理员:构建和管理管道以跨系统提取、转换和推送数据。
  • 数据科学家:利用内置的机器学习或插入您的模型来增强您的 IDE 体验。
  • 数据分析师:发现洞察力以制定数据驱动的业务决策。

二、HK-Visokio Omniscope的功能

  • 聚类:将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。
  • 季节效应:也称季节变动,时间序列在一年内重复出现的周期性波动。常指与季节相联系的股市非正常收益,由于它在很大程度上违背了市场有效性的假说,因此对季节效应的研究一直备受国内外金融市场的投资者和管理者的关注。
  • 篮子分析:适用于在分析与某事物有关联的其他事物。(啤酒和尿布)
  • 主题模型:指以非监督学习的方式对文集的隐含语义结构进行聚类的统计模型 。
  • 非监督学习:指在没有类别信息情况下,通过对所研究对象的大量样本的数据分析实现对样本分类的一种数据处理方法。

三、HK-Visokio Omniscope的应用场景

1.数据混合的构建块

Omniscope 的可插拔模块可让您探索和构建数据管道。
提取和处理大数据。转换、组合和清洁。在 Omniscope 的可视化中使用,或导出到另一个系统。数据来源包括:

  • Excel、CSV、JSON、XML、Parquet、Avro、文本
  • Google Analytics、DoubleClick、Campaign Manager、表格
  • Salesforce、推特、Reddit、HTTP API、电子邮件、SSH、SQL 数据库
  • Hadoop、弹性搜索、谷歌云存储、Amazon Redshift、S3
  • Actian矢量,Impala、社区自定义块(Python / R)

2.智能分析

Omniscope 可帮助您以正确的方式进行高级分析:

  • 回归、聚类、季节性、篮子分析
  • 预言、预测、主题建模、网络分析

其他高级分析包括:

  • 自定义 Python、自定义R、单向方差分析、变量重要性
  • 协方差、降维、过采样

3.集成可视化

  • 在我们的动态交互式视图中探索您的数据
  • 过滤、选择、隔离、排除,尝试不同的可视化,创建和共享报告
  • 创建您自己的自定义JavaScript视图
  • 通过我们的自定义视图API,您可以使用任何您喜欢的客户端 HTML5 框架或技术

四、HK-Visokio Omniscope经典版 VS Evo版

1.Omniscope 经典版

用于内存数据编辑、处理和分析的本机桌面应用程序,具有 IOK 文件报告和免费查看器。

2.Omniscope Evo

基于浏览器的应用程序,用于可扩展和可扩展的数据处理、机器学习和可视化,并在任何设备上提供网络报告。

3.HK-Visokio Omniscope经典版VS Evo版

在这里插入图片描述

五、HK-Visokio Omniscope应用案例—COVID-19 模拟

这是一个关于新冠病毒感染的模拟演示。使用无症状和阳性病例、COVID-19 的致死率和人口密度来模拟社交距离的影响。通过过滤器来控制条件,进行自定义模拟。每个“人”在感染病毒时都会变成橙色,出现症状时会变成红色,恢复时会变成绿色,死亡时会变成黑色。

通过左侧的过滤器控件,可以对人员活动、初始病例、无症状感染率以及死亡率进行设置,右边的控件则是对模拟地区进行选择。左下角显示的是该演示案例的相关背景信息,以及随着病毒传播,病例情况的统计数据
在这里插入图片描述

观察底部的数据变化趋势图,可以发现,一开始的时候感染概率比较高,绿色的治愈概率比较低,在后面,慢慢的治愈概率越来越高,感染概率越来越低。这就类似于疫情刚开始的时候,人类对这个病毒一无所知,没有采取正确的措施应对。而在后面有了一定的了解后,处理得越来越好,使病毒产生的影响越来越小,而后趋于稳定。演示最后,除了没有战胜病毒的死亡病例,剩下的全都是正常的绿色小人。自此,人类正式战胜新冠病毒,生活回归疫情以前,出门不需要再戴口罩,这也是我们所有人共同的愿望。
在这里插入图片描述
点击关注虹科云科技,第一时间获取企业级云解决方案!

相关文章:

  • (1)安装hadoop之虚拟机准备(配置IP与主机名)
  • java优先级队列PriorityQueue
  • 537、RabbitMQ详细入门教程系列 -【消费者Consumer(一)】 2022.08.31
  • wxpython分页
  • Java输入/输出之RandomAccessFile的功能和用法
  • RNNGNULSTM与PyTorch
  • Python升级之路( Lv15 ) 并发编程三剑客: 进程, 线程与协程
  • 南大通用GBase 8a MPP Cluster开发接口简介
  • IntelliJ IDEA 插件推荐
  • Rt-Thread 启动流程与组件初始化
  • CentOS-7-x86_64 iso镜像的安装(Linux操作系统)
  • Parcel配置public静态文件目录
  • 设计模式——策略模式
  • “一万字”动静图生动结合详解:快速排序
  • Linux命令详解(14)useradd命令
  • [nginx文档翻译系列] 控制nginx
  • 10个最佳ES6特性 ES7与ES8的特性
  • css选择器
  • exports和module.exports
  • iOS编译提示和导航提示
  • PHP 程序员也能做的 Java 开发 30分钟使用 netty 轻松打造一个高性能 websocket 服务...
  • Selenium实战教程系列(二)---元素定位
  • Spring核心 Bean的高级装配
  • ⭐ Unity 开发bug —— 打包后shader失效或者bug (我这里用Shader做两张图片的合并发现了问题)
  • 基于HAProxy的高性能缓存服务器nuster
  • 前端面试之闭包
  • 前言-如何学习区块链
  • 一个6年java程序员的工作感悟,写给还在迷茫的你
  • 因为阿里,他们成了“杭漂”
  • 源码安装memcached和php memcache扩展
  • 组复制官方翻译九、Group Replication Technical Details
  • ​iOS安全加固方法及实现
  • ## 临床数据 两两比较 加显著性boxplot加显著性
  • #LLM入门|Prompt#1.7_文本拓展_Expanding
  • #Z2294. 打印树的直径
  • (C语言)二分查找 超详细
  • (pojstep1.1.1)poj 1298(直叙式模拟)
  • (超简单)使用vuepress搭建自己的博客并部署到github pages上
  • (力扣)循环队列的实现与详解(C语言)
  • (源码版)2024美国大学生数学建模E题财产保险的可持续模型详解思路+具体代码季节性时序预测SARIMA天气预测建模
  • (转)Linux下编译安装log4cxx
  • (转)Sublime Text3配置Lua运行环境
  • **PHP分步表单提交思路(分页表单提交)
  • .a文件和.so文件
  • .bashrc在哪里,alias妙用
  • .NET : 在VS2008中计算代码度量值
  • .NET Core 实现 Redis 批量查询指定格式的Key
  • .NET Framework Client Profile - a Subset of the .NET Framework Redistribution
  • .net 写了一个支持重试、熔断和超时策略的 HttpClient 实例池
  • .NET中GET与SET的用法
  • ::前边啥也没有
  • @Autowired和@Resource装配
  • [].slice.call()将类数组转化为真正的数组
  • [AutoSar]工程中的cpuload陷阱(三)测试
  • [bzoj1324]Exca王者之剑_最小割