Data Mining Tutorial for CS for Android APK

აღწერა

მონაცემთა მოპოვება არის ნიმუშების აღმოჩენის პროცესი მონაცემთა დიდ ნაკრებებში, რომლებიც მოიცავს მეთოდებს მანქანათმცოდნეობის, სტატისტიკისა და მონაცემთა ბაზის სისტემების კვეთაზე. მონაცემთა მოპოვება არის კომპიუტერული მეცნიერებისა და სტატისტიკის ინტერდისციპლინარული ქვეველი, რომლის საერთო მიზანია ინფორმაციის ამოღება (ინტელექტუალური მეთოდებით) მონაცემთა ნაკრებიდან და ინფორმაციის გადაქცევა გასაგებ სტრუქტურად შემდგომი გამოყენებისთვის. მონაცემთა მოპოვება არის "ცოდნის აღმოჩენის მონაცემთა ბაზაში" პროცესის ან KDD-ის ანალიზის ეტაპი. ნედლეული ანალიზის საფეხურის გარდა, ის ასევე მოიცავს მონაცემთა ბაზის და მონაცემთა მართვის ასპექტებს, მონაცემთა წინასწარ დამუშავებას, მოდელის და დასკვნის მოსაზრებებს, საინტერესოობის მეტრიკას, სირთულის მოსაზრებებს, აღმოჩენილი სტრუქტურების შემდგომ დამუშავებას, ვიზუალიზაციას და ონლაინ განახლებას.

ტერმინი „მონაცემთა მოპოვება“ მცდარი ტერმინია, რადგან მიზანი არის შაბლონების და ცოდნის ამოღება დიდი რაოდენობით მონაცემებიდან და არა თავად მონაცემების მოპოვება (მაინინგი). ის ასევე არის ხმაურიანი სიტყვა და ხშირად გამოიყენება ფართომასშტაბიანი მონაცემების ან ინფორმაციის დამუშავების ნებისმიერ ფორმაზე (შეგროვება, მოპოვება, საწყობი, ანალიზი და სტატისტიკა), ისევე როგორც ნებისმიერი კომპიუტერული გადაწყვეტილების მხარდაჭერის სისტემის, ხელოვნური ინტელექტის ჩათვლით (მაგ., მანქანა). სწავლა) და ბიზნეს ინტელექტი. წიგნს მონაცემთა მოპოვება: პრაქტიკული მანქანათმცოდნეობის ინსტრუმენტები და ტექნიკა Java-ით (რომელიც ძირითადად მოიცავს მანქანათმცოდნეობის მასალას) თავდაპირველად უნდა ეწოდოს მხოლოდ პრაქტიკული მანქანური სწავლება, ხოლო ტერმინი მონაცემთა მოპოვება დაემატა მხოლოდ მარკეტინგული მიზეზების გამო. ხშირად უფრო ზოგადი ტერმინები (დიდი მასშტაბის) მონაცემთა ანალიზი და ანალიტიკა ან, როდესაც ვსაუბრობთ რეალურ მეთოდებზე, ხელოვნური ინტელექტი და მანქანათმცოდნეობა უფრო შესაფერისია.

მონაცემთა მოპოვების ფაქტობრივი ამოცანაა დიდი რაოდენობით მონაცემების ნახევრად ავტომატური ან ავტომატური ანალიზი მანამდე უცნობი, საინტერესო ნიმუშების ამოსაღებად, როგორიცაა მონაცემთა ჩანაწერების ჯგუფები (კლასტერული ანალიზი), უჩვეულო ჩანაწერები (ანომალიის გამოვლენა) და დამოკიდებულებები (ასოციაციის წესების მოპოვება, თანმიმდევრული ნიმუშის მოპოვება). ეს ჩვეულებრივ მოიცავს მონაცემთა ბაზის ტექნიკის გამოყენებას, როგორიცაა სივრცითი ინდექსები. შემდეგ ეს შაბლონები შეიძლება ჩაითვალოს შეყვანის მონაცემების ერთგვარ შეჯამებად და შეიძლება გამოყენებულ იქნას შემდგომ ანალიზში ან, მაგალითად, მანქანათმცოდნეობაში და პროგნოზირებად ანალიტიკაში. მაგალითად, მონაცემთა მოპოვების საფეხურმა შეიძლება გამოავლინოს რამდენიმე ჯგუფი მონაცემებში, რომლებიც შემდეგ შეიძლება გამოყენებულ იქნას გადაწყვეტილების მხარდაჭერის სისტემის მიერ უფრო ზუსტი პროგნოზირების შედეგების მისაღებად. არც მონაცემთა შეგროვება, მონაცემთა მომზადება, არც შედეგების ინტერპრეტაცია და ანგარიში არ არის მონაცემთა მოპოვების ეტაპის ნაწილი, მაგრამ მიეკუთვნება მთლიან KDD პროცესს, როგორც დამატებითი საფეხურები.

მონაცემთა საწყობი აგებულია მრავალი ჰეტეროგენული წყაროს მონაცემების ინტეგრირებით.

იგი მხარს უჭერს ანალიტიკურ ანგარიშგებას, სტრუქტურირებულ და/ან ad hoc შეკითხვებს და გადაწყვეტილების მიღებას. ეს გაკვეთილი იღებს ნაბიჯ-ნაბიჯ მიდგომას მონაცემთა შენახვის ყველა საჭირო კონცეფციის ასახსნელად.

კატეგორიების სამეურვეო კოლექციები მოცემულია ქვემოთ და გთავაზობთ ყველა თემის მოწონებას,

მონაცემთა საწყობის მიმოხილვა

მონაცემთა საწყობის კონცეფციები

მონაცემთა საწყობის სისტემის პროცესები

მონაცემთა საწყობის არქიტექტურა

მონაცემთა საწყობის ტერმინოლოგიები

მონაცემთა საწყობის მიწოდების პროცესი

მონაცემთა საწყობი მრავალგანზომილებიანი OLAP

მონაცემთა საწყობის სქემები

მონაცემთა საწყობის ტესტირება

მონაცემთა საწყობი მომავალი ასპექტები

მონაცემთა საწყობის ინტერვიუს კითხვები

მონაცემთა საწყობის დაყოფის სტრატეგია

მონაცემთა საწყობის მეტამონაცემების კონცეფციები

მონაცემთა საწყობი მონაცემთა მარტინგი

მონაცემთა საწყობის სისტემის მენეჯერები

მონაცემთა საწყობის პროცესის მენეჯერები

მონაცემთა საწყობის უსაფრთხოება

მონაცემთა საწყობის Tuning

და მრავალი სხვა