Data Mining Tutorial for CS for Android APK

Опис

Рударството на податоци е процес на откривање обрасци во големи збирки податоци кои вклучуваат методи на пресекот на машинското учење, статистиката и системите на бази на податоци. Рударството на податоци е интердисциплинарна подобла на компјутерската наука и статистиката со општа цел да се извлечат информации (со интелигентни методи) од збир на податоци и да се трансформираат информациите во разбирлива структура за понатамошна употреба. Рударството на податоци е чекор на анализа на процесот „откривање на знаење во бази на податоци“ или KDD. Освен чекорот на необработена анализа, тој вклучува и аспекти на база на податоци и управување со податоци, претходна обработка на податоци, размислувања за модели и заклучоци, метрика на интересност, размислувања за сложеност, пост-обработка на откриените структури, визуелизација и ажурирање преку Интернет.

Терминот „копање податоци“ е погрешен назив, бидејќи целта е извлекување на обрасци и знаење од големи количини на податоци, а не извлекување (минирање) на самите податоци. Тој, исто така, е клучен збор и често се применува на која било форма на обработка на податоци или информации од големи размери (собирање, екстракција, складирање, анализа и статистика), како и секоја примена на компјутерски систем за поддршка на одлуки, вклучувајќи вештачка интелигенција (на пр., машина учење) и деловна интелигенција. Книгата Податочно рударство: Практични алатки и техники за машинско учење со Java (која опфаќа претежно материјал за машинско учење) првично требаше да биде именувана само Практично машинско учење, а терминот ископување податоци беше додаден само поради маркетинг причини. Честопати посоодветни се поопштите термини (голем размер) анализа и аналитика на податоци или, кога се однесуваат на вистинските методи, вештачката интелигенција и машинското учење.

Вистинската задача за ископување податоци е полуавтоматска или автоматска анализа на големи количини на податоци за да се извлечат претходно непознати, интересни обрасци како што се групи записи на податоци (анализа на кластери), невообичаени записи (откривање аномалија) и зависности (минирање правила на асоцијација, рударство со секвенцијален модел). Ова обично вклучува користење на техники на база на податоци како што се просторни индекси. Овие модели потоа може да се гледаат како еден вид резиме на влезните податоци и може да се користат во понатамошна анализа или, на пример, во машинско учење и предвидувачка аналитика. На пример, чекорот за ископување податоци може да идентификува повеќе групи во податоците, кои потоа може да се искористат за да се добијат попрецизни резултати за предвидување преку систем за поддршка на одлуки. Ниту собирањето податоци, подготовката на податоците, ниту толкувањето на резултатите и известувањето не се дел од чекорот за рударство на податоци, туку припаѓаат на целокупниот процес на KDD како дополнителни чекори.

Складиште на податоци се конструира со интегрирање на податоци од повеќе хетерогени извори.

Поддржува аналитичко известување, структурирани и/или ад хок прашања и донесување одлуки. Ова упатство прифаќа чекор-по-чекор пристап за да ги објасни сите потребни концепти за складирање податоци.

Збирките на упатства од категории се подолу и ги обезбедуваат сите допаѓања на теми,

Преглед на складиште на податоци

Концепти за складиште на податоци

Системски процеси на складиште на податоци

Архитектура на складиште на податоци

Терминологии за складиште на податоци

Процес на испорака во складиште на податоци

Повеќедимензионален OLAP складиште на податоци

Шеми за складиште на податоци

Тестирање на складиште на податоци

Идни аспекти на складиште на податоци

Прашања за интервју во складиште на податоци

Стратегија за партиционирање на складиште на податоци

Концепти за метаподатоци за складиште на податоци

Складиште на податоци Податоци Мартинг

Менаџери на системи за складирање податоци

Менаџери на процеси во складиште на податоци

Безбедност на складиштето на податоци

Подесување на складиште на податоци

и многу други