Основа четвертой промышленной революции во многом будет зависеть от данных^(Data) и возможностей подключения^{(Connectivity)} . Службы Analysis Services^{(Analysis Services)} , способные разрабатывать или создавать решения для интеллектуального анализа данных, будут играть ключевую роль в этом отношении. Это может помочь в анализе и прогнозировании результатов покупательского поведения клиентов для нацеливания на потенциальных покупателей. Данные^(Data) станут новым природным ресурсом, и процесс извлечения соответствующей информации из этих несортированных данных приобретет огромное значение. Таким образом, правильное понимание термина Data Mining , его процессов и приложений может помочь нам в разработке целостного подхода к этому модному слову.

Основы интеллектуального анализа данных^{(Data Mining Basics)} и его методы

Интеллектуальный анализ данных, также известный как обнаружение знаний в данных^{(Knowledge Discovery in Data)} ( KDD ), заключается в поиске больших хранилищ данных для выявления закономерностей и тенденций, выходящих за рамки простого анализа. Однако это не одноэтапное решение, а многоэтапный процесс, который выполняется на различных этапах. Это включает:

1] Сбор и подготовка данных

Все начинается со сбора данных и их правильной организации. Это помогает значительно повысить шансы найти информацию, которая может быть обнаружена с помощью интеллектуального анализа данных.

2] Построение и оценка модели

Вторым шагом в процессе интеллектуального анализа данных является применение различных методов моделирования. Они используются для калибровки параметров до оптимальных значений. Используемые методы в значительной степени зависят от аналитических способностей, необходимых для удовлетворения целого ряда организационных потребностей и принятия решения.

Давайте кратко рассмотрим некоторые методы интеллектуального анализа данных. Выяснено, что большинство организаций объединяют два или более методов интеллектуального анализа данных вместе, чтобы сформировать соответствующий процесс, отвечающий их бизнес-требованиям.

Читать^(Read) : Что такое большие данные?^{(What is Big Data?)}

Методы интеллектуального анализа данных

1. Ассоциация  . ^{(Association – )}Ассоциация^{(Association)} является одним из широко известных методов интеллектуального анализа данных. При этом шаблон расшифровывается на основе взаимосвязи между элементами в одной и той же транзакции. Следовательно^(Hence) , он также известен как метод отношений. Крупные розничные торговцы брендами полагаются на этот метод для изучения покупательских привычек/предпочтений клиентов. Например, отслеживая покупательские привычки людей, розничные продавцы могут определить, что покупатель всегда покупает сливки, когда они покупают шоколад, и, следовательно, предположить, что в следующий раз, когда они будут покупать шоколад, они также могут захотеть купить сливки.
2. Классификация^{(Classification)} . Этот метод интеллектуального анализа данных отличается от описанного выше тем, что он основан на машинном обучении и использует математические методы, такие как линейное^(Linear) программирование, деревья решений , ^(Decision)нейронные сети.^(Neural)сеть. В области классификации компании пытаются создать программное обеспечение, которое может научиться классифицировать элементы данных по группам. Например, компания может определить классификацию в приложении, которая «учитывая все записи о сотрудниках, которые предложили уйти из компании, предсказать количество людей, которые могут уйти из компании в будущем». При таком сценарии компания может классифицировать записи сотрудников на две группы, а именно «уходят» и «остаются». Затем он может использовать свое программное обеспечение для интеллектуального анализа данных, чтобы классифицировать сотрудников по отдельным группам, созданным ранее.
3. Кластеризация^(Clustering) — разное^(Different)объекты, обладающие схожими характеристиками, с помощью автоматизации группируются в один кластер. Многие такие кластеры создаются по мере того, как классы и объекты (со схожими характеристиками) размещаются в нем соответствующим образом. Чтобы лучше понять это, давайте рассмотрим пример управления книгами в библиотеке. В библиотеке обширная коллекция книг полностью каталогизирована. Элементы одного типа перечислены вместе. Это облегчает нам поиск интересующей нас книги. Точно так же, используя метод кластеризации, мы можем хранить книги, которые имеют некоторое сходство, в одном кластере и присваивать ему подходящее имя. Таким образом, если читатель хочет взять книгу, соответствующую его интересам, ему нужно всего лишь подойти к этой полке, а не искать во всей библиотеке. Таким образом, метод кластеризации определяет классы и помещает объекты в каждый класс,
4. Прогнозирование^(Prediction) . Прогнозирование — это метод интеллектуального анализа данных, который часто используется в сочетании с другими методами интеллектуального анализа данных. Он включает в себя анализ тенденций, классификацию, сопоставление с образцом и взаимосвязь. Анализируя прошлые события или случаи в надлежащей последовательности, можно с уверенностью предсказать будущее событие. Например, метод прогностического анализа можно использовать в продажах для прогнозирования будущей прибыли, если продажа выбрана как независимая переменная, а прибыль как переменная, зависящая от продажи. Затем на основе исторических данных о продажах и прибыли можно построить подогнанную кривую регрессии, которая используется для прогнозирования прибыли.
5. Деревья решений^{(Decision trees)} . В дереве решений мы начинаем с простого вопроса, на который есть несколько ответов. Каждый ответ приводит к следующему вопросу, чтобы помочь классифицировать или идентифицировать данные, чтобы их можно было классифицировать или чтобы можно было сделать прогноз на основе каждого ответа. Например, мы используем следующее дерево решений, чтобы определить, играть ли в крикет ODI : Дерево решений интеллектуального анализа данных^{(Data Mining Decision Tree)} : начиная с корневого узла, если прогноз погоды предсказывает дождь, мы должны избегать матча на этот день. В качестве альтернативы, если прогноз погоды будет ясным, мы должны сыграть матч.

Интеллектуальный анализ данных^{(Data Mining)} лежит в основе аналитических усилий в различных отраслях и дисциплинах, таких как связь, страхование^(Insurance) , образование^(Education) , производство^{(Manufacturing)} , банковское дело^(Banking) и розничная торговля^(Retail) и многие другие. Поэтому перед применением различных методов важно иметь правильную информацию об этом.

What is Data Mining? Basics and its Techniques.

The foundation of the fourth industrial revolution will largely depend 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 лучших программ для интеллектуального анализа данных

• Как использовать Automatic Data Type feature в Excel

• BitLocker Setup не удалось экспортировать магазин BCD (Boot Configuration Data)

• Как управлять Data Usage Limit на Windows 10

• Не может импортировать Registry File. Не все Data было написано в реестре

• Как конвертировать MBR в GPT без Data Loss в Windows 11/10

• Что такое Data Remanence? Как вы устраните или перезаписать это?

• Как переименовать Data Series в Excel graph or chart

• Microsoft Personal Data Dashboard позволяет вам решить, как используются ваши данные

• Big Data Consumption. Каковы использование Big Data

• CD/DVD Data Recovery software для восстановления Data от CD DVD

• Как скачать LinkedIn Data, используя LinkedIn Data Export Tool

• Google Chrome не очистит Browsing History and Data

• 10 лучших профессиональных Backup and Data recovery software для Windows 10

• MiniTool Power Data Recovery Free восстанавливает данные от поврежденных разделов

• Create Gifs Использование этого нового Data GIF Maker от Google Labs

• Microarchitectural Data Sampling (MDS) Уязвимость объяснена

• Download and Backup Ваш Google Data с использованием Google Takeout

• Как скачать Instagram Data, используя Instagram Data Export Tool

• Как восстановить BCD or Boot Configuration Data file в Windows 11/10