Data Mining Tutorial for CS for Android APK

Beskrivelse

Data mining er prosessen med å oppdage mønstre i store datasett som involverer metoder i skjæringspunktet mellom maskinlæring, statistikk og databasesystemer. Data mining er et tverrfaglig delfelt innen informatikk og statistikk med et overordnet mål å trekke ut informasjon (med intelligente metoder) fra et datasett og transformere informasjonen til en forståelig struktur for videre bruk. Data mining er analysetrinnet i "kunnskapsoppdagelse i databaser"-prosessen eller KDD. Bortsett fra det rå analysetrinnet, involverer det også database- og datahåndteringsaspekter, dataforbehandling, modell- og slutningsbetraktninger, interessanthetsmålinger, kompleksitetsbetraktninger, etterbehandling av oppdagede strukturer, visualisering og online oppdatering.

Begrepet «data mining» er en feilbetegnelse, fordi målet er utvinning av mønstre og kunnskap fra store datamengder, ikke utvinning (mining) av data i seg selv. Det er også et buzzword og brukes ofte på enhver form for data- eller informasjonsbehandling i stor skala (innsamling, utvinning, lagring, analyse og statistikk) så vel som enhver applikasjon av databeslutningsstøttesystemer, inkludert kunstig intelligens (f.eks. maskin). læring) og business intelligence. Boken Data mining: Practical machine learning tools and techniques with Java (som dekker stort sett maskinlæringsmateriell) skulle opprinnelig hete bare Praktisk maskinlæring, og begrepet data mining ble kun lagt til av markedsføringsmessige årsaker. Ofte er de mer generelle begrepene (storskala) dataanalyse og analyse eller, når det refereres til faktiske metoder, kunstig intelligens og maskinlæring mer passende.

Selve datautvinningsoppgaven er den semi-automatiske eller automatiske analysen av store datamengder for å trekke ut tidligere ukjente, interessante mønstre som grupper av dataposter (klyngeanalyse), uvanlige poster (avvikdeteksjon) og avhengigheter (utvinning av assosiasjonsregeler, sekvensiell mønsterutvinning). Dette innebærer vanligvis bruk av databaseteknikker som romlige indekser. Disse mønstrene kan da sees på som en slags oppsummering av inputdataene, og kan brukes i videre analyse eller for eksempel i maskinlæring og prediktiv analyse. Data mining-trinnet kan for eksempel identifisere flere grupper i dataene, som deretter kan brukes til å oppnå mer nøyaktige prediksjonsresultater av et beslutningsstøttesystem. Verken datainnsamling, dataforberedelse eller resultattolkning og rapportering er en del av data mining-trinnet, men tilhører den overordnede KDD-prosessen som tilleggstrinn.

Et datavarehus er konstruert ved å integrere data fra flere heterogene kilder.

Den støtter analytisk rapportering, strukturerte og/eller ad hoc-spørsmål og beslutningstaking. Denne opplæringen tar i bruk en trinn-for-trinn-tilnærming for å forklare alle nødvendige konsepter for datavarehus.

Opplæringssamlinger av kategorier er nedenfor og gir alle emner som,

Oversikt over datavarehus

Datavarehuskonsepter

Datavarehussystemprosesser

Datavarehusarkitektur

Datavarehusterminologier

Datavarehusleveringsprosess

Datavarehus flerdimensjonal OLAP

Datavarehusskjemaer

Testing av datavarehus

Datavarehus fremtidsaspekter

Intervjuspørsmål til datavarehus

Partisjoneringsstrategi for datavarehus

Datavarehus-metadatakonsepter

Datavarehus Datamarting

Systemansvarlige for datavarehus

Datavarehus prosessledere

Datavarehussikkerhet

Tuning av datavarehus

og mange andre