Data Mining Tutorial for CS for Android APK

Descrizione

Il data mining è il processo di scoperta di modelli in grandi set di dati che coinvolgono metodi all'intersezione di machine learning, statistiche e sistemi di database. Il data mining è un sottocampo interdisciplinare dell'informatica e della statistica con l'obiettivo generale di estrarre informazioni (con metodi intelligenti) da un set di dati e trasformare le informazioni in una struttura comprensibile per un ulteriore utilizzo. Il data mining è la fase di analisi del processo di "scoperta della conoscenza nei database" o KDD. Oltre alla fase di analisi grezza, coinvolge anche aspetti di database e gestione dei dati, pre-elaborazione dei dati, considerazioni su modelli e inferenze, metriche di interesse, considerazioni sulla complessità, post-elaborazione delle strutture scoperte, visualizzazione e aggiornamento online.

Il termine "data mining" è improprio, perché l'obiettivo è l'estrazione di modelli e conoscenze da grandi quantità di dati, non l'estrazione (mining) dei dati stessi. È anche una parola d'ordine e viene spesso applicato a qualsiasi forma di elaborazione di dati o informazioni su larga scala (raccolta, estrazione, immagazzinamento, analisi e statistiche), nonché a qualsiasi applicazione del sistema di supporto alle decisioni del computer, inclusa l'intelligenza artificiale (ad es. apprendimento) e business intelligence. Il libro Data mining: strumenti e tecniche di apprendimento automatico pratici con Java (che copre principalmente materiale di apprendimento automatico) doveva originariamente essere chiamato solo apprendimento automatico pratico e il termine data mining è stato aggiunto solo per motivi di marketing. Spesso sono più appropriati i termini più generali (su larga scala) di analisi e analisi dei dati o, quando ci si riferisce a metodi reali, intelligenza artificiale e apprendimento automatico.

L'attività di data mining vera e propria è l'analisi semiautomatica o automatica di grandi quantità di dati per estrarre modelli interessanti precedentemente sconosciuti come gruppi di record di dati (analisi dei cluster), record insoliti (rilevamento di anomalie) e dipendenze (mining di regole di associazione, pattern mining sequenziale). Questo di solito comporta l'uso di tecniche di database come gli indici spaziali. Questi modelli possono quindi essere visti come una sorta di riepilogo dei dati di input e possono essere utilizzati in ulteriori analisi o, ad esempio, nell'apprendimento automatico e nell'analisi predittiva. Ad esempio, la fase di data mining potrebbe identificare più gruppi nei dati, che possono quindi essere utilizzati per ottenere risultati di previsione più accurati da un sistema di supporto decisionale. Né la raccolta dei dati, la preparazione dei dati, né l'interpretazione dei risultati e il reporting fanno parte della fase di data mining, ma appartengono al processo KDD generale come fasi aggiuntive.

Un data warehouse viene costruito integrando dati provenienti da più origini eterogenee.

Supporta report analitici, interrogazioni strutturate e/o ad hoc e processi decisionali. Questo tutorial adotta un approccio passo dopo passo per spiegare tutti i concetti necessari di data warehousing.

Le raccolte di tutorial delle categorie sono di seguito e forniscono tutti gli argomenti Mi piace,

Panoramica del data warehouse

Concetti di Data Warehouse

Processi del sistema di data warehouse

Architettura del data warehouse

Terminologie di Data Warehouse

Processo di consegna del data warehouse

Data Warehouse Multidimensionale OLAP

Schemi di data warehouse

Test di Data Warehouse

Aspetti futuri del data warehouse

Domande di intervista sul data warehouse

Strategia di partizionamento del data warehouse

Concetti sui metadati del data warehouse

Data marting di Data Warehouse

Gestori di sistemi di Data Warehouse

Responsabili dei processi di Data Warehouse

Sicurezza del data warehouse

Ottimizzazione del data warehouse

e molti altri