Data Mining Tutorial for CS for Android APK

Beschreibung

Data Mining ist der Prozess der Entdeckung von Mustern in großen Datensätzen, der Methoden an der Schnittstelle von maschinellem Lernen, Statistik und Datenbanksystemen umfasst. Data Mining ist ein interdisziplinäres Teilgebiet der Informatik und Statistik mit dem übergeordneten Ziel, Informationen (mit intelligenten Methoden) aus einem Datensatz zu extrahieren und die Informationen in eine verständliche Struktur für die weitere Verwendung zu überführen. Data Mining ist der Analyseschritt des Prozesses "Knowledge Discovery in Databases" oder KDD. Neben dem Rohanalyseschritt umfasst es auch Datenbank- und Datenverwaltungsaspekte, Datenvorverarbeitung, Modell- und Inferenzüberlegungen, Interessantheitsmetriken, Komplexitätsüberlegungen, Nachbearbeitung entdeckter Strukturen, Visualisierung und Online-Aktualisierung.

Der Begriff „Data Mining“ ist eine Fehlbezeichnung, denn das Ziel ist die Extraktion von Mustern und Wissen aus großen Datenmengen, nicht die Extraktion (Mining) von Daten selbst. Es ist auch ein Schlagwort und wird häufig auf jede Form der groß angelegten Daten- oder Informationsverarbeitung (Erfassung, Extraktion, Speicherung, Analyse und Statistik) sowie auf jede Anwendung von Computerentscheidungsunterstützungssystemen, einschließlich künstlicher Intelligenz (z. B. Maschine), angewendet Lernen) und Business Intelligence. Das Buch „Data Mining: Practical Machine Learning Tools and Techniques with Java“ (das hauptsächlich Material zum maschinellen Lernen umfasst) sollte ursprünglich nur „Practical Machine Learning“ heißen, und der Begriff „Data Mining“ wurde nur aus Marketinggründen hinzugefügt. Oft sind die allgemeineren Begriffe (Großmaßstab) Datenanalyse und Analytik oder, wenn es um konkrete Methoden geht, künstliche Intelligenz und maschinelles Lernen treffender.

Die eigentliche Data-Mining-Aufgabe ist die halbautomatische oder automatische Analyse großer Datenmengen, um bisher unbekannte, interessante Muster wie Gruppen von Datensätzen (Cluster-Analyse), ungewöhnliche Datensätze (Anomaly Detection) und Abhängigkeiten (Association Rule Mining, sequentielles Muster-Mining). Dies beinhaltet normalerweise die Verwendung von Datenbanktechniken wie räumlichen Indizes. Diese Muster können dann als eine Art Zusammenfassung der Eingabedaten angesehen werden und in weiteren Analysen oder beispielsweise in Machine Learning und Predictive Analytics verwendet werden. Beispielsweise könnte der Data-Mining-Schritt mehrere Gruppen in den Daten identifizieren, die dann verwendet werden können, um genauere Vorhersageergebnisse durch ein Entscheidungsunterstützungssystem zu erhalten. Weder die Datenerhebung, Datenaufbereitung noch Ergebnisinterpretation und Berichterstattung sind Teil des Data-Mining-Schritts, sondern gehören als zusätzliche Schritte zum gesamten KDD-Prozess.

Ein Data Warehouse wird durch die Integration von Daten aus mehreren heterogenen Quellen aufgebaut.

Es unterstützt analytisches Reporting, strukturierte und/oder Ad-hoc-Abfragen und Entscheidungsfindung. Dieses Tutorial geht Schritt für Schritt vor, um alle notwendigen Konzepte des Data Warehousing zu erklären.

Tutorial-Sammlungen von Kategorien sind unten und bieten alle Themen wie,

Data Warehouse-Übersicht

Data Warehouse-Konzepte

Data Warehouse-Systemprozesse

Data-Warehouse-Architektur

Data Warehouse-Terminologien

Data Warehouse-Bereitstellungsprozess

Data Warehouse Multidimensionales OLAP

Data Warehouse-Schemata

Data Warehouse-Tests

Zukünftige Aspekte des Data Warehouse

Fragen im Vorstellungsgespräch für Data Warehouse

Data Warehouse-Partitionierungsstrategie

Data Warehouse-Metadatenkonzepte

Data Warehouse-Datenmarting

Manager von Data Warehouse-Systemen

Data Warehouse-Prozessmanager

Data Warehouse-Sicherheit

Data Warehouse-Optimierung

und viele andere