Data Mining Tutorial for CS for Android APK

Leírás

Az adatbányászat a nagy adathalmazok mintáinak felfedezésének folyamata, amely módszereket tartalmaz a gépi tanulás, a statisztika és az adatbázisrendszerek metszéspontjában. Az adatbányászat a számítástechnika és a statisztika interdiszciplináris részterülete, amelynek átfogó célja, hogy információt nyerjen (intelligens módszerekkel) egy adathalmazból, és az információt egy érthető szerkezetté alakítsa át további felhasználás céljából. Az adatbányászat a „tudásfeltárás az adatbázisokban” folyamat vagy a KDD elemzési lépése. A nyers elemzési lépésen kívül magában foglalja az adatbázis- és adatkezelési szempontokat, az adatok előfeldolgozását, a modellezési és következtetési szempontokat, az érdekességi mutatókat, a komplexitási szempontokat, a felfedezett struktúrák utófeldolgozását, a vizualizációt és az online frissítést.

Az "adatbányászat" kifejezés téves elnevezés, mert a cél a minták és a tudás kinyerése nagy mennyiségű adatból, nem pedig magának az adatnak a kinyerése (bányászata). Szintén divatos szó, és gyakran alkalmazzák a nagyszabású adat- vagy információfeldolgozás bármilyen formájára (gyűjtés, kinyerés, raktározás, elemzés és statisztika), valamint a számítógépes döntéstámogató rendszerek bármely alkalmazására, beleértve a mesterséges intelligenciát is (pl. tanulás) és üzleti intelligencia. Az Adatbányászat: Gyakorlati gépi tanulási eszközök és technikák Java-val (amely többnyire gépi tanulási anyagokat takar) című könyvet eredetileg csak gyakorlati gépi tanulásnak nevezték el, az adatbányászat kifejezést pedig csak marketing okokból adták hozzá. Gyakran az általánosabb (nagy léptékű) adatelemzés és -elemzés, vagy a tényleges módszerekre utalva a mesterséges intelligencia és a gépi tanulás a megfelelőbb kifejezések.

A tényleges adatbányászati ​​feladat nagy mennyiségű adat félautomata vagy automatikus elemzése, hogy kinyerjen korábban ismeretlen, érdekes mintákat, mint például adatrekordcsoportok (klaszteranalízis), szokatlan rekordok (rendellenességek észlelése) és függőségek (asszociációs szabálybányászat, szekvenciális mintabányászat). Ez általában adatbázis-technikák, például térbeli indexek alkalmazását jelenti. Ezek a minták azután a bemeneti adatok egyfajta összegzésének tekinthetők, és felhasználhatók további elemzésekben vagy például a gépi tanulásban és a prediktív elemzésben. Az adatbányászati ​​lépés például több csoportot is azonosíthat az adatokban, amelyeket aztán egy döntéstámogató rendszer pontosabb előrejelzési eredményekhez használhat fel. Sem az adatgyűjtés, sem az adatok előkészítése, sem az eredmények értelmezése és jelentése nem része az adatbányászati ​​lépésnek, de kiegészítő lépésként a teljes KDD folyamathoz tartozik.

Az adattárház több heterogén forrásból származó adatok integrálásával jön létre.

Támogatja az analitikus jelentéskészítést, a strukturált és/vagy ad hoc lekérdezéseket és a döntéshozatalt. Ez az oktatóanyag lépésenkénti megközelítést alkalmaz, hogy elmagyarázza az adattárház összes szükséges fogalmát.

Az alábbiakban a kategóriák oktatóanyag-gyűjteményei találhatók, amelyek az összes témát kedvelik,

Adattárház áttekintése

Adattárház fogalmak

Adattárház rendszerfolyamatok

Adattárház architektúra

Adattárház terminológiák

Adattárházi szállítási folyamat

Adattárház többdimenziós OLAP

Adattárház sémák

Adattárház tesztelés

Az Adattárház jövőbeli szempontjai

Adattárház interjúkérdések

Adattárház particionálási stratégia

Data Warehouse metaadat fogalmak

Data Warehouse Data Marting

Adattárház rendszermenedzserek

Adattárház folyamatkezelők

Adattárház biztonság

Adattárház hangolás

és sokan mások