Neljännen teollisen vallankumouksen perusta riippuu suurelta osin datasta^(Data) ja yhteyksistä^{(Connectivity)} . Tietojen^{(Analysis Services)} louhintaratkaisuja kehittävät tai luovat analyysipalvelut ovat tässä avainasemassa. Se voi auttaa analysoimaan ja ennustamaan asiakkaiden ostokäyttäytymisen tuloksia potentiaalisten ostajien kohdentamiseksi. Tiedosta^(Data) tulee uusi luonnonvara, ja olennaisen tiedon poimiminen tästä lajittelemattomasta tiedosta on erittäin tärkeä. Sellaisenaan termin - Data Mining - , sen prosessien ja sovellusten asianmukainen ymmärtäminen voisi auttaa meitä kehittämään kokonaisvaltaista lähestymistapaa tähän muotisanaan.

Tiedonlouhinnan perusteet^{(Data Mining Basics)} ja sen tekniikat

Tiedonlouhinta, joka tunnetaan myös nimellä Knowledge Discovery in Data ( KDD ), tarkoittaa suurten tietovarastojen etsimistä sellaisten mallien ja trendien paljastamiseksi, jotka menevät yksinkertaista analyysiä pidemmälle. Tämä ei kuitenkaan ole yksivaiheinen ratkaisu, vaan monivaiheinen prosessi, joka valmistuu eri vaiheissa. Nämä sisältävät:

1] Tiedonkeruu ja valmistelu

Se alkaa tiedon keräämisestä ja sen asianmukaisesta järjestämisestä. Tämä auttaa parantamaan merkittävästi mahdollisuuksia löytää tietoa, joka voidaan löytää tiedon louhinnan avulla

2] Mallin rakentaminen ja arviointi

Toinen vaihe tiedonlouhintaprosessissa on erilaisten mallinnustekniikoiden soveltaminen. Näitä käytetään parametrien kalibroimiseen optimaalisiin arvoihin. Käytettävät tekniikat riippuvat suurelta osin analyyttisistä valmiuksista, joita tarvitaan vastaamaan moniin organisaation tarpeisiin ja tekemään päätös.

Tarkastellaanpa joitain tiedonlouhintatekniikoita lyhyesti. On havaittu, että useimmat organisaatiot yhdistävät kaksi tai useampia tiedonlouhintatekniikoita yhteen muodostaakseen sopivan prosessin, joka täyttää niiden liiketoimintavaatimukset.

Lue^(Read) : Mitä on Big Data?^{(What is Big Data?)}

Tiedonlouhintatekniikat

1. Association –  Association on yksi laajalti tunnetuista tiedonlouhintatekniikoista. Tämän mukaisesti kuvio puretaan saman tapahtuman kohteiden välisen suhteen perusteella. Siksi^(Hence) se tunnetaan myös relaatiotekniikana. Suurten merkkien jälleenmyyjät luottavat tähän tekniikkaan tutkiessaan asiakkaiden ostotottumuksia/mieltymyksiä. Kun esimerkiksi seurataan ihmisten ostotottumuksia, jälleenmyyjät saattavat havaita, että asiakas ostaa aina kermaa ostaessaan suklaata, ja siksi ehdottaa, että seuraavan kerran kun he ostavat suklaata, he saattavat haluta ostaa myös kermaa.
2. Luokitus^{(Classification)} – Tämä tiedonlouhintatekniikka eroaa yllä olevasta siinä, että se perustuu koneoppimiseen ja käyttää matemaattisia tekniikoita, kuten lineaarista^(Linear) ohjelmointia, päätöspuita^(Neural) , hermotekniikkaa .^(Decision)verkkoon. Luokittelussa yritykset yrittävät rakentaa ohjelmistoja, jotka voivat oppia luokittelemaan tietokohteet ryhmiin. Esimerkiksi yritys voi määrittää sovelluksessa luokituksen, joka "ottaen huomioon kaikki tiedot yrityksestä irtisanoutuneista työntekijöistä ennustaa niiden henkilöiden määrän, jotka todennäköisesti eroavat yrityksestä tulevaisuudessa". Tällaisessa skenaariossa yritys voi luokitella työntekijöiden tiedot kahteen ryhmään, jotka ovat "lähtevät" ja "jäävät". Se voi sitten käyttää tiedonlouhintaohjelmistoaan luokitellakseen työntekijät erillisiin aiemmin luotuihin ryhmiin.
3. Klusterointi^(Clustering) – erilaista^(Different)objektit, joilla on samanlaiset ominaisuudet, ryhmitellään yhdeksi klusteriksi automaation avulla. Monet tällaiset klusterit luodaan luokiksi ja objektit (joilla on samanlaiset ominaisuudet) sijoitetaan niihin vastaavasti. Ymmärtääksemme tätä paremmin, tarkastelkaamme esimerkkiä kirjaston kirjojen hallinnasta. Kirjastossa laaja kirjakokoelma on täysin luetteloitu. Samantyyppiset tuotteet luetellaan yhdessä. Tämä helpottaa meitä kiinnostavan kirjan löytämistä. Vastaavasti klusterointitekniikkaa käyttämällä voidaan pitää jonkinlaisia ​​yhtäläisyyksiä sisältäviä kirjoja yhdessä klusterissa ja antaa sille sopiva nimi. Joten jos lukija haluaa tarttua kiinnostavaan kirjaan, hänen on mentävä vain kyseiselle hyllylle koko kirjaston etsimisen sijaan. Siten klusterointitekniikka määrittelee luokat ja sijoittaa objektit kuhunkin luokkaan,
4. Ennustus^(Prediction) – Ennuste on tiedonlouhintatekniikka, jota käytetään usein yhdessä muiden tiedonlouhintatekniikoiden kanssa. Se sisältää trendien analysoinnin, luokittelun, kuvioiden yhteensovittamisen ja suhteen. Analysoimalla menneitä tapahtumia tai tapauksia oikeassa järjestyksessä voidaan turvallisesti ennustaa tuleva tapahtuma. Esimerkiksi ennusteanalyysitekniikkaa voidaan käyttää myynnissä tulevan tuoton ennustamiseen, jos myynti valitaan itsenäiseksi muuttujaksi ja voitto myynnistä riippuvaiseksi muuttujaksi. Sitten historiallisten myynti- ja voittotietojen perusteella voidaan piirtää sovitettu regressiokäyrä, jota käytetään voiton ennustamiseen.
5. Päätöspuut^{(Decision trees)} – Päätöspuussa aloitamme yksinkertaisella kysymyksellä, johon on useita vastauksia. Jokainen vastaus johtaa lisäkysymykseen, joka auttaa luokittelemaan tai tunnistamaan tiedot, jotta ne voidaan luokitella tai jotta kunkin vastauksen perusteella voidaan tehdä ennuste. Käytämme esimerkiksi seuraavaa päätöspuuta määrittääksemme, pelataanko kriketti ODI :ta vai ei: Tiedonlouhinnan päätöspuu^{(Data Mining Decision Tree)} : Aloittaen juurisolmusta, jos sääennuste ennustaa silloin sadetta, meidän tulee välttää ottelua tälle päivälle. Vaihtoehtoisesti, jos sääennuste on selkeä, meidän pitäisi pelata ottelu.

Tiedonlouhinta^{(Data Mining)} on analytiikkatoimien ytimessä useilla toimialoilla ja aloilla, kuten viestintä, vakuutus^(Insurance) , koulutus^(Education) , valmistus^{(Manufacturing)} , pankki-^(Banking) ja vähittäiskauppa^(Retail) ja monet muut. Siksi oikeat tiedot siitä on välttämätöntä ennen erilaisten tekniikoiden soveltamista.

What is Data Mining? Basics and its Techniques.

The foundation of the fоurth 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 parasta tiedonlouhintaohjelmistoa

• Automaattisen tietotyypin käyttäminen Excelissä

• BitLockerin asennusohjelma epäonnistui BCD-säilön (Boot Configuration Data) vienti

• Tietojen käyttörajoituksen hallinta Windows 11/10:ssä

• Rekisteritiedostoa ei voi tuoda. Kaikkia tietoja ei kirjoitettu rekisteriin

• Mitä on Data Remanence? Miten poistat tai ylikirjoitat sen?

• MiniTool Power Data Recovery Free palauttaa tiedot vaurioituneista osioista

• Korjaa kohdistamaton kiintolevy menettämättä tietoja Windows 10:ssä

• Tietosarjan uudelleennimeäminen Excel-kaaviossa tai kaaviossa

• Tyhjennä tai poista selaushistoria, evästeet, tiedot, välimuisti Edgessä

• Renee Becca Data Backup Software Windows PC:lle

• Mikä on Data Analytics ja mihin sitä käytetään

• Big Datan kulutus. Mitkä ovat Big Datan käyttötarkoitukset.

• Kuka omistaa IoT-datan? Valmistaja, loppukäyttäjä vai joku kolmas osapuoli?

• Mitä odottaa, kun lataat Facebook-tietohistorian

• Kuinka muuntaa MBR GPT:ksi ilman tietojen menetystä Windows 11/10: ssä

• Microsoft Personal Data Dashboardin avulla voit päättää, miten tietojasi käytetään

• Virhe 0x8004010F, Outlookin datatiedostoa ei voida käyttää

• Mitä eroa on datalla ja tiedolla

• Lataa ja varmuuskopioi Google-tietosi Google Takeoutin avulla