Data Mining Tutorial for CS for Android APK

Opis

Eksploracja danych to proces odkrywania wzorców w dużych zbiorach danych obejmujący metody na przecięciu uczenia maszynowego, statystyki i systemów baz danych. Eksploracja danych to interdyscyplinarna poddziedzina informatyki i statystyki, której ogólnym celem jest wyodrębnienie informacji (za pomocą inteligentnych metod) ze zbioru danych i przekształcenie informacji w zrozumiałą strukturę do dalszego wykorzystania. Eksploracja danych to etap analizy procesu „odkrywania wiedzy w bazach danych” lub KDD. Oprócz etapu analizy surowej obejmuje również aspekty zarządzania bazą danych i danymi, wstępne przetwarzanie danych, kwestie dotyczące modelu i wnioskowania, metryki ciekawości, kwestie złożoności, przetwarzanie końcowe odkrytych struktur, wizualizację i aktualizację online.

Termin „eksploracja danych” jest mylący, ponieważ celem jest wydobycie wzorców i wiedzy z dużych ilości danych, a nie wydobycie (wydobywanie) samych danych. Jest to również modne hasło, które jest często stosowane do wszelkich form wielkoskalowego przetwarzania danych lub informacji (zbieranie, ekstrakcja, magazynowanie, analiza i statystyka) oraz wszelkich zastosowań komputerowych systemów wspomagania decyzji, w tym sztucznej inteligencji (np. maszyny uczenia się) i wywiadu gospodarczego. Książka Data mining: Praktyczne narzędzia i techniki uczenia maszynowego w Javie (która obejmuje głównie materiały do ​​uczenia maszynowego) miała pierwotnie nazywać się tylko praktycznym uczeniem maszynowym, a termin data mining został dodany tylko ze względów marketingowych. Często bardziej odpowiednie są bardziej ogólne terminy (na dużą skalę) analiza i analityka danych lub, w odniesieniu do rzeczywistych metod, sztuczna inteligencja i uczenie maszynowe.

Właściwym zadaniem eksploracji danych jest półautomatyczna lub automatyczna analiza dużych ilości danych w celu wyodrębnienia nieznanych wcześniej, interesujących wzorców, takich jak grupy rekordów danych (analiza skupień), nietypowe rekordy (wykrywanie anomalii) i zależności (eksploracja reguł asocjacji, sekwencyjne wydobywanie wzorców). Zwykle wiąże się to z wykorzystaniem technik bazodanowych, takich jak indeksy przestrzenne. Wzorce te mogą być następnie postrzegane jako rodzaj podsumowania danych wejściowych i mogą być wykorzystywane w dalszej analizie lub np. w uczeniu maszynowym i analityce predykcyjnej. Na przykład etap eksploracji danych może zidentyfikować wiele grup w danych, które można następnie wykorzystać do uzyskania dokładniejszych wyników predykcji przez system wspomagania decyzji. Ani zbieranie danych, przygotowywanie danych, ani interpretacja wyników i raportowanie nie są częścią etapu eksploracji danych, ale należą do ogólnego procesu KDD jako dodatkowe etapy.

Hurtownia danych jest tworzona przez integrację danych z wielu heterogenicznych źródeł.

Obsługuje raportowanie analityczne, zapytania strukturalne i/lub doraźne oraz podejmowanie decyzji. W tym samouczku krok po kroku wyjaśniono wszystkie niezbędne koncepcje hurtowni danych.

Kolekcje samouczków Kategorii znajdują się poniżej i zapewniają wszystkie podobne do tematów,

Przegląd hurtowni danych

Koncepcje hurtowni danych

Procesy systemu hurtowni danych

Architektura hurtowni danych

Terminologie hurtowni danych

Proces dostarczania hurtowni danych

Hurtownia danych wielowymiarowa OLAP

Schematy hurtowni danych

Testowanie hurtowni danych

Przyszłe aspekty hurtowni danych

Pytania do rozmowy kwalifikacyjnej na temat hurtowni danych

Strategia partycjonowania hurtowni danych

Koncepcje metadanych hurtowni danych

Marting danych hurtowni danych

Menedżerowie systemów hurtowni danych

Menedżerowie procesów hurtowni danych

Bezpieczeństwo hurtowni danych

Dostrajanie hurtowni danych

i wiele innych