Data Mining Tutorial for CS for Android APK

Beskrivning

Datautvinning är processen att upptäcka mönster i stora datamängder som involverar metoder i skärningspunkten mellan maskininlärning, statistik och databassystem. Data mining är ett tvärvetenskapligt delområde av datavetenskap och statistik med ett övergripande mål att extrahera information (med intelligenta metoder) från en datamängd och omvandla informationen till en begriplig struktur för vidare användning. Datautvinning är analyssteget för "kunskapsupptäckt i databaser"-processen eller KDD. Förutom det råa analyssteget, involverar det också databas- och datahanteringsaspekter, dataförbehandling, modell- och slutledningsöverväganden, intressanthetsmått, komplexitetsöverväganden, efterbearbetning av upptäckta strukturer, visualisering och onlineuppdatering.

Termen "data mining" är en felaktig benämning, eftersom målet är att extrahera mönster och kunskap från stora mängder data, inte utvinning (mining) av data i sig. Det är också ett modeord och används ofta på alla former av storskalig data- eller informationsbehandling (insamling, utvinning, lagring, analys och statistik) såväl som alla tillämpningar av datorbeslutsstödssystem, inklusive artificiell intelligens (t.ex. maskin lärande) och business intelligence. Boken Data mining: Practical machine learning tools and techniques with Java (som täcker mestadels maskininlärningsmaterial) skulle ursprungligen döpas till bara Praktisk maskininlärning, och termen data mining tillkom endast av marknadsföringsskäl. Ofta är de mer generella termerna (storskaliga) dataanalys och analys eller, när man hänvisar till faktiska metoder, artificiell intelligens och maskininlärning mer lämpliga.

Den faktiska datautvinningsuppgiften är den halvautomatiska eller automatiska analysen av stora mängder data för att extrahera tidigare okända, intressanta mönster som grupper av dataposter (klusteranalys), ovanliga poster (avvikelsedetektering) och beroenden (utvinning av associeringsregel, sekventiell mönsterbrytning). Detta innebär vanligtvis att man använder databastekniker som rumsliga index. Dessa mönster kan sedan ses som en slags sammanfattning av indata, och kan användas i vidare analys eller till exempel i maskininlärning och prediktiv analys. Till exempel kan datautvinningssteget identifiera flera grupper i data, som sedan kan användas för att erhålla mer exakta förutsägelseresultat av ett beslutsstödssystem. Varken datainsamling, dataförberedelse eller resultattolkning och rapportering är en del av datautvinningssteget, men tillhör den övergripande KDD-processen som ytterligare steg.

Ett datalager byggs upp genom att integrera data från flera heterogena källor.

Den stöder analytisk rapportering, strukturerade och/eller ad hoc-frågor och beslutsfattande. Denna handledning antar ett steg-för-steg-sätt för att förklara alla nödvändiga koncept för datalagring.

Handledningssamlingar av kategorier finns nedan och innehåller alla ämnen som,

Data Warehouse Översikt

Data Warehouse koncept

Data Warehouse System Processer

Data Warehouse Architecture

Data Warehouse Terminologier

Data Warehouse leveransprocess

Data Warehouse Multidimensional OLAP

Data Warehouse Schema

Testning av datalager

Data Warehouse Framtidsaspekter

Data Warehouse intervjufrågor

Data Warehouse-partitioneringsstrategi

Data Warehouse Metadata Concepts

Data Warehouse Data Marting

Data Warehouse System Managers

Data Warehouse Process Managers

Data Warehouse Säkerhet

Tuning av datalager

och många andra