Data Mining Tutorial for CS for Android APK

Beskrivelse

Data mining er processen med at opdage mønstre i store datasæt, der involverer metoder i skæringspunktet mellem maskinlæring, statistik og databasesystemer. Data mining er et tværfagligt underområde inden for datalogi og statistik med et overordnet mål at udtrække information (med intelligente metoder) fra et datasæt og transformere informationen til en forståelig struktur til videre brug. Data mining er analysetrinnet i "videnopdagelse i databaser"-processen eller KDD. Bortset fra det rå analysetrin involverer det også database- og datastyringsaspekter, dataforbehandling, model- og inferensovervejelser, interessanthedsmålinger, kompleksitetsovervejelser, efterbehandling af opdagede strukturer, visualisering og online opdatering.

Udtrykket "data mining" er en misvisende betegnelse, fordi målet er udvindingen af ​​mønstre og viden fra store mængder data, ikke udvindingen (mining) af data i sig selv. Det er også et buzzword og anvendes ofte på enhver form for data- eller informationsbehandling i stor skala (indsamling, udtræk, oplagring, analyse og statistik) såvel som enhver anvendelse af computerbeslutningsstøttesystemer, herunder kunstig intelligens (f.eks. maskine). læring) og business intelligence. Bogen Data mining: Practical machine learning tools and techniques with Java (som dækker mest maskinlæringsmateriale) skulle oprindeligt hedde netop Practical machine learning, og begrebet data mining blev kun tilføjet af markedsføringsmæssige årsager. Ofte er de mere generelle termer (stor skala) dataanalyse og analyse eller, når der refereres til faktiske metoder, kunstig intelligens og maskinlæring mere passende.

Den egentlige datamining-opgave er den semi-automatiske eller automatiske analyse af store mængder data for at udtrække hidtil ukendte, interessante mønstre, såsom grupper af dataposter (klyngeanalyse), usædvanlige registreringer (detektion af anomalier) og afhængigheder (tilknytningsregelmining, sekventiel mønsterudvinding). Dette involverer normalt brug af databaseteknikker såsom rumlige indekser. Disse mønstre kan så ses som en slags opsummering af inputdataene og kan bruges i yderligere analyser eller for eksempel i maskinlæring og prædiktiv analyse. For eksempel kan data mining-trinnet identificere flere grupper i dataene, som derefter kan bruges til at opnå mere nøjagtige forudsigelsesresultater af et beslutningsstøttesystem. Hverken dataindsamling, dataforberedelse eller resultatfortolkning og rapportering er en del af data mining-trinnet, men hører til den overordnede KDD-proces som yderligere trin.

Et datavarehus er konstrueret ved at integrere data fra flere heterogene kilder.

Det understøtter analytisk rapportering, strukturerede og/eller ad hoc-forespørgsler og beslutningstagning. Denne tutorial anvender en trin-for-trin tilgang til at forklare alle de nødvendige koncepter for data warehousing.

Tutorial samlinger af kategorier er nedenfor og giver alle emner som,

Data Warehouse Oversigt

Data Warehouse koncepter

Data Warehouse System Processer

Data Warehouse Arkitektur

Data Warehouse-terminologier

Data Warehouse leveringsproces

Data Warehouse Multidimensional OLAP

Datavarehus-skemaer

Test af datavarehus

Data Warehouse Fremtidsaspekter

Data Warehouse Interview Spørgsmål

Data Warehouse Partitioneringsstrategi

Data Warehouse Metadata koncepter

Data Warehouse Data Marting

Data Warehouse System Managers

Data Warehouse Process Managers

Data Warehouse Sikkerhed

Tuning af datavarehus

og mange andre