Uma das características do Big Data é a sua capacidade de armazenar dados de forma indiscriminada.

O principal elemento associado ao Big Data é o registro de qualquer fenômeno, natural ou não, em dados. Tal fenômeno é conhecido como datafication.

O Big Data pode ser conceituado como um fenômeno em que dados são produzidos em vários formatos e armazenados por uma grande quantidade de dispositivos e equipamentos.

No ciclo do CRISP-DM, a fase de implantação é a mais simples (jamais será um processo complexo), pois se resume à execução de scripts.

O entendimento do negócio é a fase do ciclo do CRISP-DM que exige mais tempo em mineração de dados, pois estima-se que essa etapa, geralmente, leve entre 50 e 70% do tempo e do esforço de um projeto.

Modelagem e avaliação são algumas das fases do ciclo do CRISP-DM.

A única desvantagem que impede o uso em larga escala do CRISP-DM é o seu alto custo, uma vez que os usuários somente podem utilizá-lo após a aquisição da licença.

O CRISP-DM é uma metodologia abrangente de mineração de dados e um modelo de processo que fornece, para os usuários de data mining (DM), um modelo completo para a realização de um projeto de DM.

Em uma base de dados (dataset) com avaliações sobre a qualidade de um determinado produto, o campo stars tem um valor de 1 a 5. Na fase de pré-processamento, decidiu-se criar o campo sentimento com valores bom ou ruim, e utilizando-se da biblioteca NumPy, escreveu-se o comando abaixo:
dataset['sentimento'] = np.where(dataset['stars'] >= 4, 'bom', 'ruim')


Quanto aos valores do campo sentimento, o referido comando atribuirá o valor

A seguir, é apresentado um fragmento de código em Python.

import numpy as np

b = np.array([[1,2,3,5]])

c = b.transpose()

print(b.dot(c),sum(b),sum(c))

O fragmento de código acima provoca a seguinte saída: