A negyedik ipari forradalom megalapozása nagymértékben függ az adatoktól^(Data) és a kapcsolatoktól^{(Connectivity)} . Ebben kulcsszerepet kapnak az adatbányászati ​​megoldások fejlesztésére vagy létrehozására képes elemzési szolgáltatások . ^{(Analysis Services)}Segíthet elemezni és előre jelezni az ügyfelek vásárlási magatartásának eredményeit a potenciális vásárlók megcélzása érdekében. Az adatok^(Data) új természeti erőforrássá válnak, és az ezekből a rendezetlen adatokból releváns információk kinyerésének folyamata óriási jelentőséggel bír. Mint ilyen, az adatbányászat^{(Data Mining)} kifejezés , annak folyamatai és alkalmazása megfelelő megértése segíthet nekünk e divatszó holisztikus megközelítésének kidolgozásában.

Az adatbányászat alapjai^{(Data Mining Basics)} és technikái

Az adatbányászat, más néven Knowledge Discovery in Data ( KDD ) az adatok nagy tárolóiban való keresésről szól, hogy olyan mintákat és trendeket tárjanak fel, amelyek túlmutatnak az egyszerű elemzésen. Ez azonban nem egy lépésből álló megoldás, hanem több lépésből álló folyamat, és több szakaszban fejeződik be. Ezek tartalmazzák:

1] Adatgyűjtés és előkészítés

Az adatgyűjtéssel és annak megfelelő szervezésével kezdődik. Ez jelentősen javítja az adatbányászattal feltárható információk megtalálásának esélyét

2] Modellépítés és -értékelés

Az adatbányászati ​​folyamat második lépése a különféle modellezési technikák alkalmazása. Ezek a paraméterek optimális értékekre történő kalibrálására szolgálnak. Az alkalmazott technikák nagymértékben függenek a szervezeti igények skálájának kielégítéséhez és a döntés meghozatalához szükséges analitikai képességektől.

Nézzünk meg néhány adatbányászati ​​technikát röviden. Megállapítást nyert, hogy a legtöbb szervezet két vagy több adatbányászati ​​technikát kombinál, hogy megfelelő folyamatot hozzon létre, amely megfelel üzleti követelményeinek.

Olvassa el^(Read) : Mi az a Big Data?^{(What is Big Data?)}

Adatbányászati ​​technikák

1. Az asszociáció –  Az ^{(Association – )}asszociáció^{(Association)} az egyik legismertebb adatbányászati ​​technika. Ennek értelmében egy minta megfejtése ugyanazon tranzakció elemei közötti kapcsolat alapján történik. Ezért^(Hence) relációs technikának is nevezik. A nagy márkakereskedők erre a technikára támaszkodnak az ügyfelek vásárlási szokásainak/preferenciáinak kutatása során. Például az emberek vásárlási szokásainak nyomon követésekor a kereskedők megállapíthatják, hogy a vásárló mindig tejszínt vásárol, amikor csokoládét vesz, és ezért azt javasolják, hogy a következő csokoládévásárláskor tejszínt is vásároljanak.
2. Osztályozás^{(Classification)} – Ez az adatbányászati ​​technika abban különbözik a fentiektől, hogy gépi tanuláson alapul, és olyan matematikai technikákat használ, mint a lineáris^(Linear) programozás, döntési^(Decision) fák, neurális^(Neural)hálózat. Az osztályozás során a vállalatok olyan szoftvereket próbálnak kiépíteni, amelyek megtanulják az adatelemek csoportokba sorolását. Például egy vállalat meghatározhat egy besorolást az alkalmazásban, amely „a cégtől való felmondást felajánló alkalmazottak összes nyilvántartását figyelembe véve megjósolja azoknak a személyeknek a számát, akik valószínűleg a jövőben felmondanak a cégtől”. Egy ilyen forgatókönyv szerint a vállalat az alkalmazottak nyilvántartását két csoportba sorolhatja, nevezetesen „kilép” és „marad”. Ezt követően adatbányászati ​​szoftverével a munkavállalókat korábban létrehozott külön csoportokba sorolhatja.
3. Klaszterezés^(Clustering) – Más^(Different)a hasonló jellemzőket mutató objektumok automatizálással egyetlen klaszterbe kerülnek. Sok ilyen klasztert osztályként hoznak létre, és ennek megfelelően helyeznek el benne objektumokat (hasonló jellemzőkkel). Hogy ezt jobban megértsük, vegyünk egy példát a könyvtári könyvkezelésre. Egy könyvtárban a hatalmas könyvgyűjtemény teljesen katalogizált. Az azonos típusú tételek együtt vannak felsorolva. Így könnyebben megtaláljuk a számunkra érdekes könyvet. Hasonlóan, a klaszterezési technikával olyan könyveket is tarthatunk, amelyekben valamilyen hasonlóság van, egy klaszterben, és megfelelő nevet rendelhetünk hozzá. Tehát, ha az olvasó az érdeklődésének megfelelő könyvet szeretne megragadni, csak arra a polcra kell mennie, ahelyett, hogy a teljes könyvtárban keresne. Így a klaszterezési technika meghatározza az osztályokat, és objektumokat helyez el minden osztályba,
4. Előrejelzés^(Prediction) – Az előrejelzés egy adatbányászati ​​technika, amelyet gyakran más adatbányászati ​​technikákkal kombinálva használnak. Ez magában foglalja a trendek elemzését, az osztályozást, a mintaillesztést és a kapcsolatokat. A múltbeli események vagy esetek megfelelő sorrendben történő elemzésével biztonságosan megjósolható egy jövőbeli esemény. Például az előrejelzési elemzési technika használható az értékesítésben a jövőbeli profit előrejelzésére, ha az eladást független változóként, a profitot pedig az értékesítéstől függő változóként választják. Ezután a múltbeli eladási és nyereségadatok alapján rajzolhatunk egy illesztett regressziós görbét, amelyet a profit előrejelzésére használunk.
5. Döntési fák^{(Decision trees)} – A döntési fán belül egy egyszerű kérdéssel kezdünk, amelyre több válasz is van. Minden válasz egy további kérdéshez vezet, amely segít az adatok osztályozásában vagy azonosításában, hogy kategorizálható legyen, vagy hogy az egyes válaszok alapján előrejelzést lehessen készíteni. Például a következő döntési fát használjuk annak meghatározására, hogy játszunk-e krikett ODI -t : Adatbányászati ​​döntési fa^{(Data Mining Decision Tree)} : A gyökércsomóponttól kezdve, ha az időjárás-előrejelzés esőt jósol, akkor kerüljük a mérkőzést aznap. Alternatív megoldásként, ha az időjárás előrejelzés világos, akkor le kell játszani a mérkőzést.

Az adatbányászat^{(Data Mining)} az analitikai erőfeszítések középpontjában áll számos iparágban és tudományágban, mint például a kommunikáció, a biztosítás^(Insurance) , az oktatás^(Education) , a gyártás^{(Manufacturing)} , a banki^(Banking) és a kiskereskedelem^(Retail) stb. Ezért a különböző technikák alkalmazása előtt elengedhetetlen a megfelelő információk birtokában.

What is Data Mining? Basics and its Techniques.

The foundation of the fourth industrial revolution will largely deрend upon Data and Connectivity. Analysis Services capable of developing or creating data mining solutions will play a key role in this regard. It could assist in analyzing and predicting outcomes of customer purchasing behavior for targeting potential buyers. Data will become a new natural resource and the process of extracting relevant information from this unsorted data will assume immense importance. As such, a proper understanding of the term – Data Mining, its processes, and application could help us in developing a holistic approach to this buzzword.

Data Mining Basics and its Techniques

Data mining, also known as Knowledge Discovery in Data (KDD) is about searching large stores of data to uncover patterns and trends that go beyond simple analysis. This, however, is not a single-step solution but a multi-step process and is completed in various stages. These include:

1] Data gathering and Preparation

It starts with data collection and its proper organization. This helps in significantly improving the chances of finding the information that can be discovered through data mining

2] Model Building and Evaluation

The second step in data mining process is the application of various modeling techniques. These are used to calibrate the parameters to optimal values. Techniques employed largely depend on analytic capabilities required to address a gamut of organizational needs and to arrive at a decision.

Let us examine some data mining techniques in brief. It is found that most organizations combine two or more data mining techniques together to form an appropriate process that meets their business requirements.

Read: What is Big Data?

Data Mining Techniques

1. Association – Association is one of the widely-known data mining techniques. Under this, a pattern is deciphered based on a relationship between items in the same transaction. Hence, it is also known as the relation technique. Big brand retailers rely on this technique to research customer’s buying habits/preferences. For example, when tracking people’s buying habits, retailers might identify that a customer always buys cream when they buy chocolates, and therefore suggest that the next time that they buy chocolates they might also want to buy cream.
2. Classification – This data mining technique differs from the above in the way that it is based on machine learning and uses mathematical techniques such as Linear programming, Decision trees, Neural network. In classification, companies try to build software that can learn how to classify the data items into groups. For instance, a company can define a classification in the application that “given all records of employees who offered to resign from the company, predict the number of individuals who are likely to resign from the company in future.” Under such a scenario, the company can classify the records of employees into two groups that namely “leave” and “stay”. It can then use its data mining software to classify the employees into separate groups created earlier.
3. Clustering – Different objects exhibiting similar characteristics are grouped together in a single cluster via automation. Many such clusters are created as classes and objects (with similar characteristics) are placed in it accordingly. To understand this better, let us consider an example of book management in the library. In a library, the vast collection of books is fully cataloged. Items of the same type are listed together. This makes it easier for us to find a book of our interest. Similarly, by using the clustering technique, we can keep books that have some kinds of similarities in one cluster and assign it a suitable name. So, if a reader is looking to grab a book relevant to his interest, he only has to go to that shelf instead of searching the entire library. Thus, the clustering technique defines the classes and puts objects in each class, while in the classification techniques, objects are assigned into predefined classes.
4. Prediction – The prediction is a data mining technique that is often used in combination with the other data mining techniques. It involves analyzing trends, classification, pattern matching, and relation. By analyzing past events or instances in a proper sequence one can safely predict a future event. For instance, the prediction analysis technique can be used in the sale to predict future profit if the sale is chosen as an independent variable and profit as a variable dependent on sale. Then, based on the historical sale and profit data, one can draw a fitted regression curve that is used for profit prediction.
5. Decision trees – Within the decision tree, we start with a simple question that has multiple answers. Each answer leads to a further question to help classify or identify the data so that it can be categorized, or so that a prediction can be made based on each answer. For example, We use the following decision tree to determine whether or not to play cricket ODI: Data Mining Decision Tree: Starting at the root node, if the weather forecast predicts rain then, we should avoid the match for the day. Alternatively, if the weather forecast is clear, we should play the match.

Data Mining is at the heart of analytics efforts across a variety of industries and disciplines like communications, Insurance, Education, Manufacturing, Banking and Retail and more. Therefore, having correct information about it is essential before apply the different techniques.

Related posts

• 26 legjobb adatbányászati ​​szoftver

• Az automatikus adattípus funkció használata az Excelben

• A BitLocker telepítőjének nem sikerült exportálnia a BCD (Boot Configuration Data) tárolót

• Az adathasználati korlát kezelése Windows 11/10 rendszeren

• Nem lehet importálni a rendszerleíró fájlt. Nem minden adatot írtak a Registry-be

• Tiltsa le a telemetriát és az adatgyűjtést a Windows 10 rendszerben a Feladatütemező segítségével

• A Narrátor használatára vonatkozó diagnosztikai adatok be- és kikapcsolása a Windows 10 rendszerben

• Mi a különbség az adat és az információ között

• A LinkedIn adatok letöltése a LinkedIn Data Export Tool segítségével

• Mire számíthat a Facebook Data History letöltésekor

• 0x8004010F hiba, az Outlook adatfájlja nem érhető el

• Hozzon létre GIF-eket a Google Labs új Data GIF-készítőjével

• Miért gyűjtenek, adnak el, vásárolnak vagy tárolnak személyes adatokat a cégek?

• BurnAware ingyenes letöltés: Ingyenes CD, DVD, Blu-Ray, HD-médiaíró

• 10 legjobb professzionális biztonsági mentési és adat-helyreállító szoftver a Windows 10 rendszerhez

• A legjobb ingyenes online adatvizualizációs eszközök

• A Samsung Data Migration 0%, 99% vagy 100%

• A BCD vagy a rendszerindítási konfigurációs adatfájl újraépítése a Windows 11/10 rendszerben

• Disk Drill for Windows: Véletlenül törölt fájlok helyreállítása

• Az EaseUS Data Recovery Wizard Free lehetővé teszi az elveszett vagy törölt adatok helyreállítását