Data Mining Tutorial for CS for Android APK

شرح

داده کاوی فرآیند کشف الگوها در مجموعه داده های بزرگ شامل روش هایی در تقاطع یادگیری ماشین، آمار و سیستم های پایگاه داده است. داده کاوی یک زیرشاخه میان رشته ای از علوم کامپیوتر و آمار با هدف کلی استخراج اطلاعات (با روش های هوشمند) از مجموعه داده ها و تبدیل اطلاعات به ساختاری قابل درک برای استفاده بیشتر است. داده کاوی مرحله تجزیه و تحلیل فرآیند "کشف دانش در پایگاه های داده" یا KDD است. جدای از مرحله تجزیه و تحلیل خام، همچنین شامل جنبه های پایگاه داده و مدیریت داده، پیش پردازش داده ها، ملاحظات مدل و استنتاج، معیارهای جذابیت، ملاحظات پیچیدگی، پس پردازش ساختارهای کشف شده، تجسم و به روز رسانی آنلاین است.

اصطلاح "داده کاوی" نام اشتباهی است، زیرا هدف استخراج الگوها و دانش از مقادیر زیادی داده است، نه استخراج (کاوی) خود داده ها. این همچنین یک کلمه کلیدی است و اغلب برای هر شکلی از داده ها یا پردازش اطلاعات در مقیاس بزرگ (جمع آوری، استخراج، انبارداری، تجزیه و تحلیل و آمار) و همچنین هر کاربرد سیستم پشتیبانی تصمیم گیری رایانه ای، از جمله هوش مصنوعی (به عنوان مثال، ماشین) استفاده می شود. یادگیری) و هوش تجاری. کتاب داده کاوی: ابزارها و تکنیک‌های یادگیری ماشین عملی با جاوا (که بیشتر مطالب یادگیری ماشینی را پوشش می‌دهد) در ابتدا قرار بود فقط یادگیری ماشینی عملی نامیده شود و اصطلاح داده کاوی فقط به دلایل بازاریابی اضافه شد. اغلب اصطلاحات عمومی تر (مقیاس بزرگ) تجزیه و تحلیل و تجزیه و تحلیل داده ها یا زمانی که به روش های واقعی اشاره می شود، هوش مصنوعی و یادگیری ماشین مناسب تر هستند.

وظیفه واقعی داده کاوی تجزیه و تحلیل نیمه خودکار یا خودکار مقادیر زیادی از داده ها برای استخراج الگوهای ناشناخته قبلی مانند گروه های رکوردهای داده ها (تحلیل خوشه ای)، رکوردهای غیرمعمول (تشخیص ناهنجاری) و وابستگی ها (کاوی قوانین انجمن، استخراج الگوی متوالی). این معمولا شامل استفاده از تکنیک های پایگاه داده مانند شاخص های فضایی است. این الگوها سپس می‌توانند به‌عنوان نوعی خلاصه‌ای از داده‌های ورودی دیده شوند، و ممکن است در تحلیل‌های بیشتر یا، برای مثال، در یادگیری ماشینی و تحلیل‌های پیش‌بینی‌کننده استفاده شوند. به عنوان مثال، مرحله داده کاوی ممکن است گروه های متعددی را در داده ها شناسایی کند، که سپس می تواند برای به دست آوردن نتایج پیش بینی دقیق تر توسط یک سیستم پشتیبانی تصمیم استفاده شود. نه جمع‌آوری داده‌ها، آماده‌سازی داده‌ها، و نه تفسیر نتایج و گزارش‌دهی بخشی از مرحله داده کاوی نیستند، بلکه به عنوان مراحل اضافی به فرآیند کلی KDD تعلق دارند.

یک انبار داده با ادغام داده ها از چندین منبع ناهمگن ساخته می شود.

از گزارش های تحلیلی، پرس و جوهای ساخت یافته و/یا موقت و تصمیم گیری پشتیبانی می کند. این آموزش یک رویکرد گام به گام را برای توضیح تمام مفاهیم ضروری انبار داده اتخاذ می کند.

مجموعه‌های آموزشی دسته‌ها در زیر آمده است و همه موضوعات مانند،

نمای کلی انبار داده

مفاهیم انبار داده

فرآیندهای سیستم انبار داده

معماری انبار داده

اصطلاحات انبار داده

فرآیند تحویل انبار داده

انبار داده OLAP چند بعدی

طرحواره های انبار داده

تست انبار داده

جنبه های آینده انبار داده

سوالات مصاحبه انبار داده

استراتژی پارتیشن بندی انبار داده

مفاهیم فراداده انبار داده

Data Warehouse Data Marting

مدیران سیستم انبار داده

مدیران فرآیند انبار داده

امنیت انبار داده

تنظیم انبار داده

و خیلی های دیگر