Data Mining Tutorial for CS for Android APK

Popis

Data mining je proces objavovania vzorov vo veľkých súboroch údajov, ktorý zahŕňa metódy na priesečníku strojového učenia, štatistiky a databázových systémov. Data mining je interdisciplinárna podoblasť informatiky a štatistiky s celkovým cieľom extrahovať informácie (inteligentnými metódami) zo súboru údajov a transformovať informácie do zrozumiteľnej štruktúry na ďalšie použitie. Dolovanie údajov je krokom analýzy procesu „objavovania znalostí v databázach“ alebo KDD. Okrem prvotného kroku analýzy zahŕňa aj aspekty správy databáz a údajov, predbežné spracovanie údajov, úvahy o modeli a odvodení, metriky zaujímavosti, úvahy o zložitosti, následné spracovanie objavených štruktúr, vizualizáciu a online aktualizáciu.

Pojem „data mining“ je nesprávne pomenovanie, pretože cieľom je extrakcia vzorov a znalostí z veľkého množstva údajov, nie samotná extrakcia (ťažba) údajov. Je to tiež módne slovo a často sa používa na akúkoľvek formu spracovania údajov alebo informácií vo veľkom meradle (zber, extrakcia, skladovanie, analýza a štatistika), ako aj na akúkoľvek aplikáciu počítačového systému na podporu rozhodovania, vrátane umelej inteligencie (napr. vzdelávanie) a business intelligence. Kniha Data mining: Praktické nástroje a techniky strojového učenia s Javou (ktorá pokrýva prevažne materiál strojového učenia) mala byť pôvodne pomenovaná len Praktické strojové učenie a výraz data mining bol pridaný len z marketingových dôvodov. Často sú vhodnejšie všeobecnejšie výrazy (veľký rozsah) analýza a analýza údajov alebo, keď sa odkazuje na skutočné metódy, umelá inteligencia a strojové učenie.

Skutočnou úlohou dolovania údajov je poloautomatická alebo automatická analýza veľkého množstva údajov na extrakciu predtým neznámych, zaujímavých vzorov, ako sú skupiny údajových záznamov (zhluková analýza), neobvyklé záznamy (detekcia anomálií) a závislosti (dolovanie pravidiel asociácie, sekvenčná ťažba vzorov). To zvyčajne zahŕňa použitie databázových techník, ako sú priestorové indexy. Tieto vzory potom možno považovať za akýsi súhrn vstupných údajov a možno ich použiť v ďalšej analýze alebo napríklad v strojovom učení a prediktívnej analytike. Napríklad krok dolovania údajov môže identifikovať viacero skupín v údajoch, ktoré sa potom môžu použiť na získanie presnejších výsledkov predikcie systémom na podporu rozhodovania. Ani zber údajov, príprava údajov, ani interpretácia výsledkov a reportovanie nie sú súčasťou kroku dolovania údajov, ale patria do celkového procesu KDD ako dodatočné kroky.

Dátový sklad je vytvorený integráciou údajov z viacerých heterogénnych zdrojov.

Podporuje analytické výkazníctvo, štruktúrované a/alebo ad hoc otázky a rozhodovanie. Tento tutoriál využíva postupný prístup na vysvetlenie všetkých potrebných pojmov skladovania údajov.

Kolekcie tutoriálov kategórií sú nižšie a poskytujú všetky témy páči sa mi,

Prehľad dátového skladu

Koncepcie dátového skladu

Systémové procesy dátového skladu

Architektúra dátového skladu

Terminológie dátového skladu

Proces doručenia dátového skladu

Dátový sklad Multidimenzionálny OLAP

Schémy dátového skladu

Testovanie dátového skladu

Budúce aspekty dátového skladu

Otázky týkajúce sa pohovoru o dátovom sklade

Stratégia rozdelenia dátového skladu

Koncepty metadát dátového skladu

Dátový sklad Data Marting

Systémoví manažéri dátových skladov

Manažéri procesov dátového skladu

Bezpečnosť dátového skladu

Ladenie dátového skladu

a veľa ďalších