Data Mining Tutorial for CS for Android APK

Сипаттама

Деректерді іздеу - бұл машиналық оқыту, статистика және дерекқор жүйелерінің қиылысындағы әдістерді қамтитын үлкен деректер жиынындағы үлгілерді табу процесі. Мәліметтерді іздеу - бұл деректер жиынтығынан ақпаратты (интеллектуалды әдістермен) алу және ақпаратты одан әрі пайдалану үшін түсінікті құрылымға түрлендіру жалпы мақсаты бар информатика мен статистиканың пәнаралық ішкі саласы. Деректерді өндіру – «мәліметтер базасында білім ашу» процесінің немесе KDD талдау қадамы. Шикі талдау қадамынан басқа, ол дерекқорды және деректерді басқару аспектілерін, деректерді алдын ала өңдеуді, үлгі және қорытындыны қарастыруды, қызықтылық метрикасын, күрделілік мәселелерін, табылған құрылымдарды кейінгі өңдеуді, визуализацияны және онлайн жаңартуды қамтиды.

«Деректерді өндіру» термині қате атау болып табылады, өйткені мақсат деректердің өзін шығару (миннинг) емес, үлкен көлемдегі деректерден үлгілер мен білімді алу болып табылады. Бұл сондай-ақ кең ауқымды деректерді немесе ақпаратты өңдеудің кез келген түріне (жинау, шығару, сақтау, талдау және статистика), сондай-ақ жасанды интеллектті қоса алғанда, компьютерлік шешімдерді қолдау жүйесінің кез келген қолданбасына жиі қолданылады (мысалы, машина) оқу) және іскерлік интеллект. «Деректерді өндіру: Java көмегімен машиналық оқытудың практикалық құралдары мен әдістері» кітабы (көбінесе машиналық оқыту материалын қамтиды) «Практикалық машиналық оқыту» деп аталды және деректерді өндіру термині тек маркетингтік себептермен қосылды. Көбінесе жалпылама терминдер (үлкен масштабты) деректерді талдау және аналитика немесе нақты әдістерге сілтеме жасағанда жасанды интеллект және машиналық оқыту сәйкес келеді.

Деректерді іздеудің нақты тапсырмасы - деректер жазбаларының топтары (кластерлік талдау), әдеттен тыс жазбалар (аномалияны анықтау) және тәуелділіктер (ассоциация ережелерін анықтау, дәйекті үлгіні өндіру). Бұл әдетте кеңістіктік индекстер сияқты дерекқор әдістерін пайдалануды қамтиды. Бұл үлгілерді кіріс деректерінің бір түрі ретінде қарастыруға болады және олар әрі қарай талдауда немесе, мысалы, машиналық оқытуда және болжамды талдауда пайдаланылуы мүмкін. Мысалы, деректерді іздеу қадамы деректердегі бірнеше топтарды анықтауы мүмкін, содан кейін оларды шешімді қолдау жүйесі арқылы дәлірек болжау нәтижелерін алу үшін пайдалануға болады. Деректерді жинау, деректерді дайындау, нәтижелерді түсіндіру және есеп беру деректерді іздеу қадамының бөлігі емес, бірақ қосымша қадамдар ретінде жалпы KDD процесіне жатады.

Деректер қоймасы бірнеше гетерогенді көздерден алынған деректерді біріктіру арқылы құрастырылады.

Ол аналитикалық есептілікті, құрылымдық және/немесе арнайы сұрауларды және шешім қабылдауды қолдайды. Бұл оқулық деректерді сақтаудың барлық қажетті тұжырымдамаларын түсіндіру үшін қадамдық тәсілді қабылдайды.

Санаттардың оқулық жинақтары төменде берілген және барлық тақырыптарды ұсынады.

Деректер қоймасына шолу

Деректер қоймасының тұжырымдамалары

Деректер қоймасының жүйелік процестері

Деректер қоймасының архитектурасы

Деректер қоймасының терминологиясы

Деректер қоймасын жеткізу процесі

Деректер қоймасы көпөлшемді OLAP

Деректер қоймасының схемалары

Деректер қоймасын сынау

Деректер қоймасының болашақ аспектілері

Деректер қоймасы сұхбат сұрақтары

Деректер қоймасын бөлу стратегиясы

Деректер қоймасының метадеректер тұжырымдамалары

Деректер қоймасының деректер маркетингі

Деректер қоймасы жүйесінің менеджерлері

Деректер қоймасы процестерінің менеджерлері

Деректер қоймасының қауіпсіздігі

Деректер қоймасын баптау

және көптеген басқалар