Data Mining Tutorial for CS for Android APK

Opis

Data mining je proces otkrivanja obrazaca u velikim skupovima podataka koji uključuje metode na raskrižju strojnog učenja, statistike i sustava baza podataka. Data mining je interdisciplinarno potpodručje računalne znanosti i statistike s općim ciljem izvlačenja informacija (inteligentnim metodama) iz skupa podataka i pretvaranja informacija u razumljivu strukturu za daljnju upotrebu. Data mining je korak analize procesa "otkrivanja znanja u bazama podataka" ili KDD. Osim koraka sirove analize, također uključuje aspekte baze podataka i upravljanja podacima, pretprocesiranje podataka, razmatranje modela i zaključivanja, metriku zanimljivosti, razmatranje složenosti, naknadnu obradu otkrivenih struktura, vizualizaciju i online ažuriranje.

Izraz "data mining" je pogrešan naziv, jer je cilj izvlačenje uzoraka i znanja iz velikih količina podataka, a ne izvlačenje (rudarenje) samih podataka. Također je popularna riječ i često se primjenjuje na bilo koji oblik velike obrade podataka ili informacija (prikupljanje, ekstrakcija, skladištenje, analiza i statistika), kao i na bilo koju primjenu računalnog sustava za podršku odlučivanju, uključujući umjetnu inteligenciju (npr. učenje) i poslovna inteligencija. Knjiga Data mining: Praktični alati i tehnike strojnog učenja s Javom (koja pokriva uglavnom materijale strojnog učenja) izvorno se trebala zvati samo Praktično strojno učenje, a termin data mining dodan je samo iz marketinških razloga. Često su prikladniji općenitiji pojmovi (velikih razmjera) analiza podataka i analitika ili, kada se govori o stvarnim metodama, umjetna inteligencija i strojno učenje.

Stvarni zadatak rudarenja podataka je poluautomatska ili automatska analiza velikih količina podataka kako bi se izdvojili prethodno nepoznati, zanimljivi obrasci kao što su grupe zapisa podataka (analiza klastera), neobični zapisi (otkrivanje anomalija) i ovisnosti (iskopavanje pravila pridruživanja, sekvencijalno rudarenje uzoraka). To obično uključuje korištenje tehnika baze podataka kao što su prostorni indeksi. Ti se obrasci tada mogu promatrati kao neka vrsta sažetka ulaznih podataka i mogu se koristiti u daljnjoj analizi ili, primjerice, u strojnom učenju i prediktivnoj analitici. Na primjer, korak rudarenja podataka može identificirati više grupa u podacima, koje se onda mogu koristiti za dobivanje preciznijih rezultata predviđanja pomoću sustava za podršku odlučivanju. Niti prikupljanje podataka, priprema podataka, niti tumačenje rezultata i izvješćivanje nisu dio koraka rudarenja podataka, ali pripadaju cjelokupnom KDD procesu kao dodatni koraci.

Skladište podataka se gradi integracijom podataka iz više heterogenih izvora.

Podržava analitičko izvješćivanje, strukturirane i/ili ad hoc upite i donošenje odluka. Ovaj vodič usvaja pristup korak po korak kako bi objasnio sve potrebne koncepte skladištenja podataka.

Zbirke vodiča za kategorije nalaze se u nastavku i pružaju sve lajkove za teme,

Pregled skladišta podataka

Koncepti skladišta podataka

Procesi sustava skladišta podataka

Arhitektura skladišta podataka

Terminologija skladišta podataka

Proces isporuke skladišta podataka

Skladište podataka Višedimenzionalni OLAP

Sheme skladišta podataka

Testiranje skladišta podataka

Budući aspekti skladišta podataka

Pitanja za intervju za skladište podataka

Strategija particioniranja skladišta podataka

Koncepti metapodataka skladišta podataka

Data Warehouse Data Marting

Voditelji sustava skladišta podataka

Voditelji procesa skladišta podataka

Sigurnost skladišta podataka

Podešavanje skladišta podataka

i mnogi drugi