Основата на четвъртата индустриална революция ще зависи до голяма степен от данните^(Data) и свързаността^{(Connectivity)} . Услугите за анализ^{(Analysis Services)} , способни да разработват или създават решения за извличане на данни, ще играят ключова роля в това отношение. Може да помогне при анализиране и прогнозиране на резултатите от поведението на клиентите при покупка за насочване към потенциални купувачи. Данните^(Data) ще се превърнат в нов природен ресурс и процесът на извличане на подходяща информация от тези несортирани данни ще придобие огромно значение. Като такова, правилното разбиране на термина – Data Mining , неговите процеси и приложение може да ни помогне да разработим холистичен подход към тази модна дума.

Основи на извличането на данни^{(Data Mining Basics)} и неговите техники

Извличането на данни, известно още като Откриване на знания в данни^{(Knowledge Discovery in Data)} ( KDD ), е свързано с търсене в големи магазини от данни, за да се разкрият модели и тенденции, които надхвърлят простия анализ. Това обаче не е едноетапно решение, а многоетапен процес и се завършва на различни етапи. Те включват:

1] Събиране на данни и подготовка

Започва със събирането на данни и правилната им организация. Това помага за значително подобряване на шансовете за намиране на информацията, която може да бъде открита чрез извличане на данни

2] Изграждане на модел и оценка

Втората стъпка в процеса на извличане на данни е прилагането на различни техники за моделиране. Те се използват за калибриране на параметрите до оптимални стойности. Използваните техники до голяма степен зависят от аналитични способности, необходими за посрещане на гама от организационни нужди и за достигане на решение.

Нека разгледаме накратко някои техники за извличане на данни. Установено е, че повечето организации комбинират две или повече техники за извличане на данни заедно, за да образуват подходящ процес, който отговаря на техните бизнес изисквания.

Прочетете^(Read) : Какво представляват големи данни?^{(What is Big Data?)}

Техники за извличане на данни

1. Асоциация –  ^{(Association – )}Асоциацията^{(Association)} е една от широко известните техники за извличане на данни. При това моделът се дешифрира въз основа на връзка между елементи в една и съща транзакция. Следователно^(Hence) , тя е известна още като техника на връзката. Търговците на дребно с големи марки разчитат на тази техника, за да проучат навиците/предпочитанията на клиентите при покупка. Например, когато проследяват покупателните навици на хората, търговците на дребно могат да идентифицират, че клиентът винаги купува сметана, когато купува шоколадови бонбони, и следователно да предложат, че следващия път, когато купуват шоколадови бонбони, те също може да искат да купят сметана.
2. Класификация^{(Classification)} – Тази техника за извличане на данни се различава от горната по начина, по който се основава на машинно обучение и използва математически техники като линейно^(Linear) програмиране, дървета на решения , ^(Decision)невронни^(Neural)мрежа. При класификацията компаниите се опитват да изградят софтуер, който може да се научи как да класифицира елементите от данни в групи. Например, една компания може да дефинира класификация в приложението, която „предвид всички записи на служители, които са предложили да напуснат компанията, да прогнозира броя на хората, които е вероятно да напуснат компанията в бъдеще“. При такъв сценарий компанията може да класифицира записите на служителите в две групи, а именно „напуска“ и „остава“. След това може да използва своя софтуер за извличане на данни, за да класифицира служителите в отделни групи, създадени по-рано.
3. Групиране^(Clustering) – различно^(Different)обекти с подобни характеристики се групират в един клъстер чрез автоматизация. Много такива клъстери се създават като класове и обекти (с подобни характеристики) се поставят в него съответно. За да разберем това по-добре, нека разгледаме пример за управление на книги в библиотеката. В библиотеката огромната колекция от книги е напълно каталогизирана. Елементите от един и същи тип са изброени заедно. Това ни улеснява в намирането на книга, която ни интересува. По същия начин, като използваме техниката на клъстериране, можем да съхраняваме книги, които имат някои видове прилики в един клъстер и да му присвоим подходящо име. Така че, ако читател иска да вземе книга, която отговаря на интереса му, той трябва само да отиде до този рафт, вместо да търси в цялата библиотека. По този начин техниката на клъстериране дефинира класовете и поставя обекти във всеки клас,
4. Прогноза^(Prediction) – Прогнозата е техника за извличане на данни, която често се използва в комбинация с другите техники за извличане на данни. Тя включва анализиране на тенденции, класификация, съвпадение на модели и връзка. Чрез анализиране на минали събития или случаи в правилна последователност може безопасно да се предскаже бъдещо събитие. Например, техниката за анализ на прогнозиране може да се използва при продажбата за прогнозиране на бъдеща печалба, ако продажбата е избрана като независима променлива и печалбата като променлива, зависима от продажбата. След това, въз основа на исторически данни за продажба и печалба, може да се начертае монтирана регресионна крива, която се използва за прогнозиране на печалбата.
5. Дърветата^{(Decision trees)} на решенията – В рамките на дървото на решенията започваме с прост въпрос, който има множество отговори. Всеки отговор води до допълнителен въпрос, който да помогне за класифициране или идентифициране на данните, така че да могат да бъдат категоризирани или за да може да се направи прогноза въз основа на всеки отговор. Например, ние използваме следното дърво на решения, за да определим дали да играем или не крикет ODI : Дърво на решенията за копаене на данни^{(Data Mining Decision Tree)} : Започвайки от основния възел, ако прогнозата за времето прогнозира дъжд, трябва да избягваме мача за деня. Като алтернатива, ако прогнозата за времето е ясна, трябва да играем мача.

Извличането^{(Data Mining)} на данни е в основата на усилията за анализ в различни индустрии и дисциплини като комуникации, застраховане^(Insurance) , образование^(Education) , производство^{(Manufacturing)} , банкиране^(Banking) и търговия на дребно^(Retail) и др. Ето защо е важно да имате правилна информация за него, преди да приложите различните техники.

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 най-добър софтуер за копаене на данни

• Как да използвате функцията за автоматичен тип данни в Excel

• Настройката на BitLocker не успя да експортира хранилището BCD (данни за конфигурация на зареждане).

• Как да управлявате ограничението за използване на данни в Windows 11/10

• Не може да се импортира файл на системния регистър. Не всички данни са записани в регистъра

• Какво представляват големите данни - просто обяснение с пример

• Как да изтеглите данни от Instagram с помощта на инструмента за експортиране на данни в Instagram

• Как да възстановите BCD или файл с данни за конфигурация на зареждане в Windows 11/10

• Изчистете данните на сайта за конкретен сайт в Chrome или Edge с помощта на инструменти за програмисти

• Активиране, деактивиране на събирането на данни за монитор за надеждност в Windows 10

• Изчистване на бисквитки, данни за сайтове, кеш за конкретен уебсайт: Chrome Edge Firefox

• Консумация на големи данни. Каква е употребата на големите данни.

• Обяснена е уязвимостта за вземане на проби от микроархитектурни данни (MDS).

• Как да конвертирате MBR в GPT без загуба на данни в Windows 11/10

• Как да преименувате серии от данни в графика или диаграма на Excel

• Софтуер за архивиране на данни Renee Becca за компютър с Windows

• Как да използвате функцията Вмъкване на данни от картина в Excel

• Google Chrome няма да изчисти историята и данните на сърфирането

• Ashampoo Burning Studio 2020 - Записвайте CD, DVD, Blu-ray БЕЗПЛАТНО!

• Изчистване или изтриване на хронология на сърфиране, бисквитки, данни, кеш в Edge