Data Mining Tutorial for CS for Android APK

Описание

Интеллектуальный анализ данных — это процесс обнаружения закономерностей в больших наборах данных с использованием методов на стыке машинного обучения, статистики и систем баз данных. Интеллектуальный анализ данных — это междисциплинарная область информатики и статистики, общая цель которой — извлекать информацию (с помощью интеллектуальных методов) из набора данных и преобразовывать информацию в понятную структуру для дальнейшего использования. Интеллектуальный анализ данных — это этап анализа процесса «обнаружения знаний в базах данных» или KDD. Помимо этапа необработанного анализа, он также включает в себя аспекты базы данных и управления данными, предварительную обработку данных, рассмотрение моделей и выводов, показатели интереса, соображения сложности, постобработку обнаруженных структур, визуализацию и онлайн-обновление.

Термин «интеллектуальный анализ данных» является неправильным, поскольку целью является извлечение закономерностей и знаний из больших объемов данных, а не извлечение (извлечение) самих данных. Это также является модным словом и часто применяется к любой форме крупномасштабной обработки данных или информации (сбор, извлечение, хранение, анализ и статистика), а также к любому применению компьютерной системы поддержки принятия решений, включая искусственный интеллект (например, машинный обучения) и бизнес-аналитики. Книга «Интеллектуальный анализ данных: практические инструменты и методы машинного обучения с Java» (которая охватывает в основном материалы по машинному обучению) изначально должна была называться просто «Практическое машинное обучение», а термин «интеллектуальный анализ данных» был добавлен только из маркетинговых соображений. Часто более подходящими являются более общие термины (крупномасштабный) анализ данных и аналитика или, когда речь идет о реальных методах, искусственный интеллект и машинное обучение.

Фактическая задача интеллектуального анализа данных — это полуавтоматический или автоматический анализ больших объемов данных для извлечения ранее неизвестных интересных шаблонов, таких как группы записей данных (кластерный анализ), необычные записи (обнаружение аномалий) и зависимости (анализ правил ассоциации, последовательное извлечение паттернов). Обычно это связано с использованием методов базы данных, таких как пространственные индексы. Эти шаблоны затем можно рассматривать как своего рода сводку входных данных и использовать в дальнейшем анализе или, например, в машинном обучении и прогнозной аналитике. Например, на этапе интеллектуального анализа данных можно определить несколько групп данных, которые затем можно использовать для получения более точных результатов прогнозирования с помощью системы поддержки принятия решений. Ни сбор данных, ни подготовка данных, ни интерпретация результатов и отчетность не являются частью этапа интеллектуального анализа данных, но относятся к общему процессу KDD в качестве дополнительных шагов.

Хранилище данных строится путем интеграции данных из нескольких разнородных источников.

Он поддерживает аналитическую отчетность, структурированные и/или специальные запросы и принятие решений. В этом руководстве используется пошаговый подход для объяснения всех необходимых концепций хранилища данных.

Учебные коллекции категорий приведены ниже и содержат все темы «Нравится»,

Обзор хранилища данных

Концепции хранилища данных

Процессы системы хранилища данных

Архитектура хранилища данных

Терминология хранилища данных

Процесс доставки хранилища данных

Многомерное хранилище данных OLAP

Схемы хранилища данных

Тестирование хранилища данных

Будущие аспекты хранилища данных

Вопросы для собеседования по хранилищу данных

Стратегия секционирования хранилища данных

Основные понятия метаданных хранилища данных

Хранилище данных Маркировка данных

Менеджеры системы хранилища данных

Менеджеры процессов хранилища данных

Безопасность хранилища данных

Настройка хранилища данных

и многие другие