Data Mining Tutorial for CS for Android APK

Опис

Дата мининг је процес откривања образаца у великим скуповима података који укључују методе на пресеку машинског учења, статистике и система база података. Дата мининг је интердисциплинарна подобласт рачунарства и статистике са општим циљем да се извуку информације (са интелигентним методама) из скупа података и трансформишу у разумљиву структуру за даљу употребу. Дата мининг је корак анализе процеса „откривања знања у базама података“ или КДД. Осим корака сирове анализе, он такође укључује аспекте управљања базом података и података, претходну обраду података, разматрање модела и закључивања, метрику занимљивости, разматрање сложености, накнадну обраду откривених структура, визуелизацију и ажурирање на мрежи.

Израз "вађење података" је погрешан назив, јер је циљ извлачење образаца и знања из великих количина података, а не само екстракција (вађење) података. Такође је популарна реч и често се примењује на било који облик обраде података или информација великих размера (прикупљање, екстракција, складиштење, анализа и статистика) као и на сваку примену рачунарског система за подршку одлучивању, укључујући вештачку интелигенцију (нпр. учење) и пословна интелигенција. Књига Дата мининг: Працтицал мацхине леарнинг тоолс анд тецхникуес витх Јава (која покрива углавном материјал за машинско учење) првобитно је требало да се назове само Практично машинско учење, а термин дата мининг је додат само из маркетиншких разлога. Често су прикладнији општији термини (великих размера) анализа и аналитика података или, када се говори о стварним методама, вештачка интелигенција и машинско учење.

Стварни задатак рударења података је полуаутоматска или аутоматска анализа великих количина података како би се издвојили претходно непознати, занимљиви обрасци као што су групе записа података (анализа кластера), необични записи (откривање аномалија) и зависности (ископавање правила асоцијације, рударење секвенцијалног узорка). Ово обично укључује коришћење техника базе података као што су просторни индекси. Ови обрасци се онда могу посматрати као нека врста резимеа улазних података и могу се користити у даљој анализи или, на пример, у машинском учењу и предиктивној аналитици. На пример, корак рударења података може да идентификује више група у подацима, које се онда могу користити за добијање прецизнијих резултата предвиђања помоћу система за подршку одлучивању. Ни прикупљање података, припрема података, нити интерпретација резултата и извештавање нису део корака рударења података, али припадају целокупном КДД процесу као додатним корацима.

Складиште података се конструише интеграцијом података из више хетерогених извора.

Подржава аналитичко извештавање, структурисане и/или ад хоц упите и доношење одлука. Овај водич усваја корак по корак приступ да објасни све неопходне концепте складиштења података.

Колекције упутстава категорија су испод и пружају све лајкове за тему,

Преглед складишта података

Концепти складишта података

Процеси система складишта података

Архитектура складишта података

Терминологије складишта података

Процес испоруке складишта података

Складиште података вишедимензионални ОЛАП

Шеме складишта података

Тестирање складишта података

Будући аспекти складишта података

Питања за интервју у складишту података

Стратегија партиционисања складишта података

Концепти метаподатака складишта података

Дата Варехоусе Дата Мартининг

Менаџери система складишта података

Менаџери процеса складишта података

Сигурност складишта података

Подешавање складишта података

и многи други