Data Mining Tutorial for CS for Android APK

Описание

Извличането на данни е процес на откриване на модели в големи набори от данни, включващи методи в пресечната точка на машинно обучение, статистика и системи за бази данни. Извличането на данни е интердисциплинарна подполе на компютърните науки и статистиката с обща цел извличане на информация (с интелигентни методи) от набор от данни и трансформиране на информацията в разбираема структура за по-нататъшна употреба. Извличането на данни е стъпката на анализ на процеса на „откриване на знания в бази данни“ или KDD. Освен стъпката на необработения анализ, той също така включва аспекти на базата данни и управлението на данни, предварителна обработка на данни, съображения за модели и изводи, показатели за интересност, съображения за сложност, последваща обработка на открити структури, визуализация и онлайн актуализиране.

Терминът „извличане на данни“ е погрешно наименование, тъй като целта е извличането на модели и знания от големи количества данни, а не извличането (извличането) на самите данни. Освен това е модна дума и често се прилага за всяка форма на широкомащабна обработка на данни или информация (събиране, извличане, складиране, анализ и статистика), както и всяко приложение на компютърна система за подпомагане на вземането на решения, включително изкуствен интелект (напр. машина обучение) и бизнес разузнаване. Книгата Извличане на данни: Практически инструменти и техники за машинно обучение с Java (която обхваща предимно материали за машинно обучение) първоначално трябваше да бъде наречена просто Практическо машинно обучение, а терминът извличане на данни беше добавен само по маркетингови причини. Често по-общите термини (в голям мащаб) анализ на данни и анализ или, когато се говори за действителни методи, изкуствен интелект и машинно обучение са по-подходящи.

Действителната задача за извличане на данни е полуавтоматичен или автоматичен анализ на големи количества данни за извличане на неизвестни преди това, интересни модели като групи от записи на данни (клъстерен анализ), необичайни записи (откриване на аномалии) и зависимости (извличане на правила за асоцииране, копаене на последователни модели). Това обикновено включва използване на техники за база данни, като например пространствени индекси. След това тези модели могат да се разглеждат като вид обобщение на входните данни и могат да се използват в по-нататъшен анализ или, например, в машинно обучение и прогнозен анализ. Например, стъпката за извличане на данни може да идентифицира множество групи в данните, които след това могат да бъдат използвани за получаване на по-точни резултати от прогнозиране от система за подпомагане на вземането на решения. Нито събирането на данни, подготовката на данни, нито тълкуването и докладването на резултатите са част от стъпката за извличане на данни, но принадлежат към цялостния процес на KDD като допълнителни стъпки.

Складът за данни се изгражда чрез интегриране на данни от множество разнородни източници.

Поддържа аналитично отчитане, структурирани и/или ad hoc заявки и вземане на решения. Този урок възприема подход стъпка по стъпка, за да обясни всички необходими концепции за съхранение на данни.

Колекциите от уроци от категории са по-долу и предоставят всички харесвания на теми,

Общ преглед на хранилището на данни

Концепции за съхранение на данни

Процеси на системата за съхранение на данни

Архитектура на склад за данни

Терминологии на складове за данни

Процес на доставка в хранилището на данни

Data Warehouse Многоизмерен OLAP

Схеми за хранилище на данни

Тестване на Data Warehouse

Бъдещи аспекти на Data Warehouse

Въпроси за интервю за Data Warehouse

Стратегия за разделяне на склад за данни

Концепции за метаданни в склад за данни

Data Warehouse Мартинг на данни

Мениджъри на системи за съхранение на данни

Мениджъри на процеси в складове за данни

Сигурност на хранилището на данни

Настройка на Data Warehouse

и много други