Data Mining Tutorial for CS for Android APK

Kuvaus

Tiedonlouhinta on prosessi, jossa etsitään malleja suurista tietojoukoista, jotka sisältävät menetelmiä koneoppimisen, tilastojen ja tietokantajärjestelmien risteyksessä. Tiedonlouhinta on tietojenkäsittelytieteen ja tilastotieteen poikkitieteellinen alaala, jonka yleisenä tavoitteena on poimia (älykkäillä menetelmillä) tietoa tietojoukosta ja muuttaa informaatio ymmärrettäväksi rakenteeksi myöhempää käyttöä varten. Tiedonlouhinta on "tietokannan tiedonhaku"-prosessin eli KDD:n analyysivaihe. Raaka-analyysivaiheen lisäksi se sisältää myös tietokanta- ja tiedonhallintanäkökohtia, tietojen esikäsittelyä, malli- ja päättelynäkökohtia, kiinnostavuusmittareita, monimutkaisuusnäkökohtia, löydettyjen rakenteiden jälkikäsittelyä, visualisointia ja online-päivitystä.

Termi "tiedonlouhinta" on harhaanjohtava nimitys, koska tavoitteena on mallien ja tiedon poimiminen suurista tietomääristä, ei itse tiedon poimiminen (louhinta). Se on myös muotisana, ja sitä käytetään usein kaikenlaiseen suuren mittakaavan tietojen käsittelyyn (keräys, poimiminen, varastointi, analysointi ja tilastot) sekä kaikkiin tietokonepäätösten tukijärjestelmän sovelluksiin, mukaan lukien tekoäly (esim. oppiminen) ja business intelligence. Kirja Data louhinta: Käytännön koneoppimistyökalut ja -tekniikat Javalla (joka kattaa enimmäkseen koneoppimismateriaalia) oli alun perin nimetty vain Käytännön koneoppimiseksi, ja termi tiedonlouhinta lisättiin vain markkinointisyistä. Usein yleisemmät termit (suuren mittakaavan) data-analyysi ja analytiikka tai varsinaisiin menetelmiin viitaten tekoäly ja koneoppiminen ovat sopivampia.

Varsinainen tiedonlouhintatehtävä on suurten tietomäärien puoliautomaattinen tai automaattinen analysointi, jotta voidaan poimia aiemmin tuntemattomia, mielenkiintoisia kuvioita, kuten tietotietueryhmiä (klusterianalyysi), epätavallisia tietueita (poikkeamien havaitseminen) ja riippuvuuksia (assosiaatiosäännön louhinta, peräkkäinen kuviolouhinta). Tämä edellyttää yleensä tietokantatekniikoiden, kuten tilaindeksien, käyttöä. Nämä kuviot voidaan sitten nähdä eräänlaisena tiivistelmänä syöttötiedoista, ja niitä voidaan käyttää jatkoanalyyseissä tai esimerkiksi koneoppimisessa ja ennustavassa analytiikassa. Tiedonlouhintavaihe voi esimerkiksi tunnistaa tiedoista useita ryhmiä, joita voidaan sitten käyttää päätöksenteon tukijärjestelmän tarkempien ennustetulosten saamiseksi. Tiedonkeruu, tietojen valmistelu tai tulosten tulkinta ja raportointi eivät ole osa tiedonlouhintavaihetta, vaan ne kuuluvat koko KDD-prosessiin lisävaiheina.

Tietovarasto rakennetaan integroimalla tietoja useista heterogeenisistä lähteistä.

Se tukee analyyttistä raportointia, strukturoituja ja/tai ad hoc -kyselyitä ja päätöksentekoa. Tämä opetusohjelma omaksuu vaiheittaisen lähestymistavan selittääkseen kaikki tarvittavat tietovarastoinnin käsitteet.

Luokkien opetusohjelmakokoelmat ovat alla ja tarjoavat kaikki aiheet, kuten,

Tietovaraston yleiskatsaus

Tietovaraston käsitteet

Tietovarastojärjestelmän prosessit

Tietovaraston arkkitehtuuri

Tietovaraston terminologiat

Tietovaraston toimitusprosessi

Tietovaraston moniulotteinen OLAP

Tietovarastokaaviot

Tietovaraston testaus

Tietovaraston tulevaisuuden näkökohdat

Data Warehouse -haastattelukysymykset

Tietovaraston osiointistrategia

Tietovaraston metatietokäsitteet

Data Warehouse Data Marting

Tietovaraston järjestelmäpäälliköt

Tietovaraston prosessipäälliköt

Tietovaraston turvallisuus

Tietovaraston viritys

ja monet muut