Data Mining Tutorial for CS for Android APK

Omschrijving

Datamining is het proces van het ontdekken van patronen in grote datasets met methoden op het snijvlak van machine learning, statistiek en databasesystemen. Datamining is een interdisciplinair deelgebied van informatica en statistiek met als algemeen doel om informatie (met intelligente methoden) uit een dataset te extraheren en de informatie om te zetten in een begrijpelijke structuur voor verder gebruik. Datamining is de analysestap van het proces "kennisontdekking in databases" of KDD. Afgezien van de ruwe analysestap, omvat het ook database- en gegevensbeheeraspecten, gegevensvoorverwerking, model- en gevolgtrekkingsoverwegingen, interessantheidsstatistieken, complexiteitsoverwegingen, nabewerking van ontdekte structuren, visualisatie en online bijwerken.

De term "datamining" is een verkeerde benaming, omdat het doel het extraheren van patronen en kennis uit grote hoeveelheden gegevens is, niet het extraheren (minen) van gegevens zelf. Het is ook een modewoord en wordt vaak toegepast op elke vorm van grootschalige gegevens- of informatieverwerking (verzameling, extractie, opslag, analyse en statistieken), evenals op elke toepassing van computerbeslissingsondersteunend systeem, inclusief kunstmatige intelligentie (bijv. leren) en business intelligence. Het boek Datamining: Praktische hulpmiddelen en technieken voor machine learning met Java (dat voornamelijk materiaal voor machine learning omvat) zou oorspronkelijk alleen worden genoemd Praktische machine learning en de term datamining werd alleen om marketingredenen toegevoegd. Vaak zijn de meer algemene termen (grootschalige) data-analyse en -analyse of, wanneer wordt verwezen naar daadwerkelijke methoden, kunstmatige intelligentie en machine learning, geschikter.

De eigenlijke dataminingtaak is de semi-automatische of automatische analyse van grote hoeveelheden data om voorheen onbekende, interessante patronen te extraheren zoals groepen datarecords (clusteranalyse), ongebruikelijke records (anomaliedetectie) en afhankelijkheden (associatieregelmining, sequentiële patroonmijnbouw). Meestal gaat het om het gebruik van databasetechnieken zoals ruimtelijke indices. Deze patronen kunnen dan worden gezien als een soort samenvatting van de invoerdata, en kunnen worden gebruikt in verdere analyse of bijvoorbeeld in machine learning en predictive analytics. De dataminingstap kan bijvoorbeeld meerdere groepen in de gegevens identificeren, die vervolgens kunnen worden gebruikt om nauwkeurigere voorspellingsresultaten te verkrijgen door een beslissingsondersteunend systeem. Noch de dataverzameling, datavoorbereiding, noch resultaatinterpretatie en rapportage maken deel uit van de dataminingstap, maar behoren wel tot het algehele KDD-proces als aanvullende stappen.

Een datawarehouse wordt opgebouwd door gegevens uit meerdere heterogene bronnen te integreren.

Het ondersteunt analytische rapportage, gestructureerde en/of ad-hocvragen en besluitvorming. Deze tutorial hanteert een stapsgewijze benadering om alle noodzakelijke concepten van datawarehousing uit te leggen.

Tutorialcollecties van categorieën staan ​​hieronder en bieden alle onderwerpen zoals,

Overzicht datawarehouse

Datawarehouse-concepten

Datawarehouse-systeemprocessen

Datawarehouse-architectuur

Datawarehouse-terminologieën

Leveringsproces datawarehouse

Datawarehouse Multidimensionale OLAP

Datawarehouse-schema's

Datawarehouse-testen

Toekomstige aspecten van datawarehouse

Sollicitatievragen voor datawarehouse

Datawarehouse-partitioneringsstrategie

Concepten voor datawarehouse-metadata

Datawarehouse-datamarting

Beheerders van datawarehousesystemen

Datawarehouse-procesmanagers

Beveiliging van datawarehouse

Afstemming van datawarehouse

en vele anderen