Data Mining Tutorial for CS for Android APK

apibūdinimas

Duomenų gavyba – tai didelių duomenų rinkinių modelių aptikimo procesas, apimantis metodus mašininio mokymosi, statistikos ir duomenų bazių sistemų sankirtoje. Duomenų gavyba yra tarpdisciplininė informatikos ir statistikos sritis, kurios bendras tikslas išgauti informaciją (išmaniaisiais metodais) iš duomenų rinkinio ir paversti informaciją suprantama struktūra tolesniam naudojimui. Duomenų gavyba yra „žinių atradimo duomenų bazėse“ proceso arba KDD analizės žingsnis. Be neapdorotos analizės žingsnio, ji taip pat apima duomenų bazių ir duomenų valdymo aspektus, išankstinį duomenų apdorojimą, modelio ir išvadų svarstymus, įdomumo metriką, sudėtingumo svarstymus, aptiktų struktūrų apdirbimą, vizualizavimą ir internetinį atnaujinimą.

Sąvoka „duomenų gavyba“ yra klaidinga pavardė, nes tikslas yra modelių ir žinių išgavimas iš didelio duomenų kiekio, o ne pačių duomenų išgavimas (gavyba). Tai taip pat populiarus žodis ir dažnai taikomas bet kokiai didelio masto duomenų ar informacijos apdorojimui (rinkimui, išgavimui, sandėliavimui, analizei ir statistikai), taip pat bet kokiai kompiuterinei sprendimų palaikymo sistemai, įskaitant dirbtinį intelektą (pvz., mašina). mokymasis) ir verslo žvalgyba. Knyga Duomenų gavyba: praktiniai mašininio mokymosi įrankiai ir metodai su Java (kuri daugiausia apima mašininio mokymosi medžiagą) iš pradžių turėjo būti pavadinta tik praktiniu mašininiu mokymusi, o terminas duomenų gavyba buvo įtrauktas tik dėl rinkodaros priežasčių. Dažnai labiau tinka bendresni terminai (didelio masto) duomenų analizė ir analizė arba, kalbant apie tikrus metodus, dirbtinis intelektas ir mašininis mokymasis.

Tikroji duomenų gavybos užduotis yra pusiau automatinė arba automatinė didelių duomenų kiekių analizė, siekiant išgauti anksčiau nežinomus, įdomius modelius, tokius kaip duomenų įrašų grupės (klasterių analizė), neįprasti įrašai (anomalijų aptikimas) ir priklausomybės (asociacijos taisyklių gavyba, nuoseklus modelio kasimas). Paprastai tai apima duomenų bazės metodų, tokių kaip erdviniai indeksai, naudojimą. Tada šie modeliai gali būti vertinami kaip tam tikra įvesties duomenų santrauka ir gali būti naudojami tolesnėje analizėje arba, pavyzdžiui, mašininiame mokyme ir nuspėjamojoje analizėje. Pavyzdžiui, duomenų gavybos veiksmas gali identifikuoti kelias duomenų grupes, kurios vėliau gali būti naudojamos siekiant gauti tikslesnius numatymo rezultatus sprendimų palaikymo sistemoje. Nei duomenų rinkimas, nei duomenų paruošimas, nei rezultatų interpretavimas ir ataskaitų teikimas nėra duomenų gavybos žingsnio dalis, bet priklauso bendram KDD procesui kaip papildomi žingsniai.

Duomenų saugykla kuriama integruojant duomenis iš kelių nevienalyčių šaltinių.

Jis palaiko analitines ataskaitas, struktūrines ir (arba) ad hoc užklausas ir sprendimų priėmimą. Šioje mokymo programoje žingsnis po žingsnio paaiškinamos visos būtinos duomenų saugyklos sąvokos.

Kategorijų mokomieji rinkiniai pateikiami žemiau ir pateikia visas temas „Patinka“,

Duomenų saugyklos apžvalga

Duomenų saugyklos koncepcijos

Duomenų saugyklos sistemos procesai

Duomenų saugyklos architektūra

Duomenų saugyklos terminijos

Duomenų saugyklos pristatymo procesas

Duomenų saugyklos daugiamatis OLAP

Duomenų saugyklos schemos

Duomenų saugyklos testavimas

Duomenų saugyklos ateities aspektai

Duomenų saugyklos interviu klausimai

Duomenų saugyklos skaidymo strategija

Duomenų saugyklos metaduomenų sąvokos

Duomenų saugyklos duomenų rinkimas

Duomenų saugyklos sistemų vadovai

Duomenų saugyklos procesų vadovai

Duomenų saugyklos saugumas

Duomenų saugyklos derinimas

ir daugelis kitų