Data Mining Tutorial for CS for Android APK

Apraksts

Datu ieguve ir modeļu atklāšanas process lielās datu kopās, kas ietver metodes mašīnmācīšanās, statistikas un datu bāzu sistēmu krustpunktā. Datu ieguve ir starpdisciplināra datorzinātņu un statistikas apakšnozare ar vispārēju mērķi iegūt informāciju (ar viedām metodēm) no datu kopas un pārveidot informāciju saprotamā struktūrā turpmākai izmantošanai. Datu ieguve ir “zināšanu atklāšanas datu bāzēs” procesa jeb KDD analīzes solis. Papildus neapstrādātās analīzes solim tas ietver arī datu bāzes un datu pārvaldības aspektus, datu pirmapstrādi, modeļu un secinājumu apsvērumus, interesantības metriku, sarežģītības apsvērumus, atklāto struktūru pēcapstrādi, vizualizāciju un tiešsaistes atjaunināšanu.

Termins "datu ieguve" ir nepareizs nosaukums, jo mērķis ir modeļu un zināšanu iegūšana no liela datu apjoma, nevis pašu datu ieguve (ieguve). Tas ir arī populārs vārds, un to bieži izmanto jebkura veida lielapjoma datu vai informācijas apstrādei (vākšanai, ieguvei, uzglabāšanai, analīzei un statistikai), kā arī jebkuram datora lēmumu atbalsta sistēmas lietojumam, tostarp mākslīgajam intelektam (piemēram, mašīnai). mācīšanās) un biznesa inteliģence. Grāmata Datu ieguve: praktiski mašīnmācīšanās rīki un paņēmieni ar Java (kas aptver galvenokārt mašīnmācības materiālus) sākotnēji tika nosaukta tikai par praktisko mašīnmācīšanos, un termins datu ieguve tika pievienots tikai mārketinga apsvērumu dēļ. Bieži vien piemērotāki ir vispārīgāki termini (liela mēroga) datu analīze un analītika vai, atsaucoties uz faktiskām metodēm, mākslīgais intelekts un mašīnmācīšanās.

Faktiskais datu ieguves uzdevums ir liela datu daudzuma pusautomātiska vai automātiska analīze, lai iegūtu iepriekš nezināmus, interesantus modeļus, piemēram, datu ierakstu grupas (klasteru analīze), neparastus ierakstus (anomāliju noteikšana) un atkarības (asociācijas noteikumu ieguve, secīga rakstu ieguve). Tas parasti ietver datu bāzes metožu, piemēram, telpisko indeksu, izmantošanu. Pēc tam šos modeļus var uzskatīt par sava veida ievaddatu kopsavilkumu, un tos var izmantot turpmākā analīzē vai, piemēram, mašīnmācībā un paredzamajā analīzē. Piemēram, datu ieguves darbība var identificēt vairākas datu grupas, kuras pēc tam var izmantot, lai lēmumu atbalsta sistēma iegūtu precīzākus prognozēšanas rezultātus. Ne datu vākšana, datu sagatavošana, ne rezultātu interpretācija un ziņošana nav daļa no datu ieguves posma, bet ietilpst kopējā KDD procesā kā papildu darbības.

Datu noliktava tiek veidota, integrējot datus no vairākiem neviendabīgiem avotiem.

Tā atbalsta analītiskos pārskatus, strukturētus un/vai ad hoc vaicājumus un lēmumu pieņemšanu. Šajā apmācībā ir izmantota pakāpeniska pieeja, lai izskaidrotu visus nepieciešamos datu noliktavas jēdzienus.

Apmācību kategoriju kolekcijas ir zemāk un sniedz visas tēmas Patīk,

Datu noliktavas pārskats

Datu noliktavas koncepcijas

Datu noliktavas sistēmas procesi

Datu noliktavas arhitektūra

Datu noliktavas terminoloģijas

Datu noliktavas piegādes process

Datu noliktavas daudzdimensiju OLAP

Datu noliktavas shēmas

Datu noliktavas pārbaude

Datu noliktavas nākotnes aspekti

Datu noliktavas intervijas jautājumi

Datu noliktavas sadalīšanas stratēģija

Datu noliktavas metadatu jēdzieni

Datu noliktavas datu mārketings

Datu noliktavas sistēmu vadītāji

Datu noliktavas procesu vadītāji

Datu noliktavas drošība

Datu noliktavas regulēšana

un daudzi citi