Data Mining Tutorial for CS for Android APK

Descriere

Miningul de date este procesul de descoperire a modelelor în seturi mari de date care implică metode la intersecția sistemelor de învățare automată, statistici și baze de date. Miningul de date este un subdomeniu interdisciplinar al informaticii și statisticii cu scopul general de a extrage informații (cu metode inteligente) dintr-un set de date și de a transforma informațiile într-o structură inteligibilă pentru utilizare ulterioară. Miningul de date este etapa de analiză a procesului de „descoperire a cunoștințelor în baze de date” sau KDD. Pe lângă etapa de analiză brută, aceasta implică și aspecte de gestionare a bazelor de date și a datelor, preprocesarea datelor, considerente de model și inferență, metrici de interes, considerații de complexitate, post-procesare a structurilor descoperite, vizualizare și actualizare online.

Termenul „data mining” este o denumire greșită, deoarece scopul este extragerea de modele și cunoștințe din cantități mari de date, nu extragerea (exploatarea) a datelor în sine. De asemenea, este un cuvânt la modă și este frecvent aplicat oricărei forme de prelucrare a datelor sau a informațiilor la scară largă (colectare, extracție, depozitare, analiză și statistici), precum și oricărei aplicații a sistemului informatic de sprijinire a deciziilor, inclusiv inteligența artificială (de exemplu, mașină). învăţare) şi business intelligence. Cartea Data mining: Practical machine learning tools and techniques with Java (care acoperă în principal materiale de învățare automată) a fost inițial denumită doar Practical machine learning, iar termenul de data mining a fost adăugat doar din motive de marketing. Adesea, termenii mai generali (la scară largă) de analiză și analiză a datelor sau, atunci când ne referim la metode reale, inteligența artificială și învățarea automată sunt mai adecvate.

Sarcina actuală de extragere a datelor este analiza semi-automată sau automată a unor cantități mari de date pentru a extrage modele interesante necunoscute anterior, cum ar fi grupuri de înregistrări de date (analiza cluster), înregistrări neobișnuite (detecția anomaliilor) și dependențe (exploatarea regulilor de asociere, minerit secvențial de modele). Aceasta implică de obicei utilizarea tehnicilor de baze de date, cum ar fi indici spațiali. Aceste modele pot fi apoi văzute ca un fel de rezumat al datelor de intrare și pot fi utilizate în analize ulterioare sau, de exemplu, în învățarea automată și analiza predictivă. De exemplu, etapa de extragere a datelor ar putea identifica mai multe grupuri în date, care pot fi apoi utilizate pentru a obține rezultate de predicție mai precise de către un sistem de asistență decizională. Nici colectarea datelor, pregătirea datelor, nici interpretarea și raportarea rezultatelor nu fac parte din etapa de extragere a datelor, dar aparțin procesului general KDD ca pași suplimentari.

Un depozit de date este construit prin integrarea datelor din mai multe surse eterogene.

Acceptă raportarea analitică, interogări structurate și/sau ad-hoc și luarea deciziilor. Acest tutorial adoptă o abordare pas cu pas pentru a explica toate conceptele necesare ale depozitării datelor.

Colecțiile de tutoriale de categorii sunt mai jos și oferă toate subiectele precum,

Prezentare generală a depozitului de date

Concepte de depozit de date

Procese ale sistemului de depozit de date

Arhitectura depozitului de date

Terminologii de depozit de date

Procesul de livrare a depozitului de date

Data Warehouse Multidimensional OLAP

Scheme de depozit de date

Testarea depozitului de date

Aspecte viitoare ale depozitului de date

Întrebări de interviu pentru depozitul de date

Strategia de partiționare a depozitului de date

Concepte de metadate pentru depozitul de date

Data Warehouse Data Martining

Manageri de sistem de depozit de date

Manageri de procese de depozit de date

Securitatea depozitului de date

Reglarea depozitului de date

și multe altele