Data Mining Tutorial for CS for Android APK

Опис

Інтелектуальний аналіз даних — це процес виявлення закономірностей у великих наборах даних із застосуванням методів на перетині машинного навчання, статистики та систем баз даних. Інтелектуальний аналіз даних — це міждисциплінарна підгалузь інформатики та статистики із загальною метою отримання інформації (за допомогою інтелектуальних методів) із набору даних і перетворення інформації в зрозумілу структуру для подальшого використання. Інтелектуальний аналіз даних – це етап аналізу процесу «виявлення знань у базах даних» або KDD. Окрім етапу необробленого аналізу, він також включає в себе аспекти бази даних і керування даними, попередню обробку даних, розгляд моделі та висновків, показники цікавості, міркування складності, постобробку виявлених структур, візуалізацію та онлайн-оновлення.

Термін «інтелектуальний аналіз даних» є неправильним, оскільки метою є вилучення шаблонів і знань із великих обсягів даних, а не вилучення (видобуток) самих даних. Це також модне слово, яке часто застосовується до будь-якої форми великомасштабної обробки даних або інформації (збір, вилучення, зберігання, аналіз і статистика), а також до будь-якого застосування комп’ютерної системи підтримки прийняття рішень, включаючи штучний інтелект (наприклад, машинний навчання) та бізнес-розвідки. Книга Інтелектуальний аналіз даних: практичні інструменти та методи машинного навчання з Java (яка охоплює переважно матеріал машинного навчання) спочатку мала називатися просто Практичне машинне навчання, а термін інтелектуальний аналіз даних був доданий лише з маркетингових причин. Часто більш доречними є більш загальні терміни (великомасштабні) аналіз і аналітика даних або, якщо йдеться про фактичні методи, штучний інтелект і машинне навчання.

Фактичним завданням інтелектуального аналізу даних є напівавтоматичний або автоматичний аналіз великої кількості даних для вилучення раніше невідомих цікавих шаблонів, таких як групи записів даних (кластерний аналіз), незвичайні записи (виявлення аномалій) і залежності (виявлення правил асоціації, послідовний аналіз шаблонів). Зазвичай це передбачає використання методів баз даних, таких як просторові індекси. Потім ці шаблони можна розглядати як свого роду зведення вхідних даних і використовувати їх у подальшому аналізі або, наприклад, у машинному навчанні та прогнозній аналітиці. Наприклад, етап інтелектуального аналізу даних може ідентифікувати кілька груп у даних, які потім можуть бути використані для отримання більш точних результатів прогнозування системою підтримки прийняття рішень. Ні збір даних, ні підготовка даних, ні інтерпретація результатів і звітування не є частиною етапу інтелектуального аналізу даних, але належать до загального процесу KDD як додаткові кроки.

Сховище даних створюється шляхом інтеграції даних із кількох різнорідних джерел.

Він підтримує аналітичну звітність, структуровані та/або спеціальні запити та прийняття рішень. У цьому підручнику використовується покроковий підхід для пояснення всіх необхідних концепцій сховищ даних.

Нижче наведено підручники з категорій, які надають усі лайки тем,

Огляд сховища даних

Концепції сховища даних

Процеси системи сховищ даних

Архітектура сховища даних

Термінології сховища даних

Процес доставки сховища даних

Багатовимірний OLAP сховища даних

Схеми сховищ даних

Тестування сховища даних

Майбутні аспекти сховища даних

Запитання для співбесіди щодо сховища даних

Стратегія розділення сховища даних

Концепції метаданих сховища даних

Мартинг даних сховища даних

Менеджери системи сховищ даних

Менеджери процесів сховища даних

Безпека сховища даних

Налаштування сховища даних

та багато інших