Založenie štvrtej priemyselnej revolúcie bude vo veľkej miere závisieť od údajov^(Data) a konektivity^{(Connectivity)} . V tomto smere budú kľúčovú úlohu zohrávať analytické služby schopné vyvíjať alebo vytvárať riešenia na dolovanie údajov. ^{(Analysis Services)}Mohlo by to pomôcť pri analýze a predpovedaní výsledkov nákupného správania zákazníkov pri zacielení na potenciálnych kupcov. Údaje^(Data) sa stanú novým prírodným zdrojom a proces získavania relevantných informácií z týchto netriedených údajov nadobudne nesmiernu dôležitosť. Správne pochopenie pojmu – dolovanie údajov^{(Data Mining)} , jeho procesov a aplikácie by nám mohlo pomôcť pri vytváraní holistického prístupu k tomuto módnemu slovu.

Základy dolovania údajov^{(Data Mining Basics)} a jeho techniky

Data mining, tiež známy ako Knowledge Discovery in Data ( KDD ), je o vyhľadávaní veľkých skladov údajov s cieľom odhaliť vzory a trendy, ktoré presahujú jednoduchú analýzu. Toto však nie je jednostupňové riešenie, ale viacstupňový proces a je dokončený v rôznych fázach. Tie obsahujú:

1] Zber a príprava údajov

Začína sa zberom údajov a ich správnou organizáciou. Pomáha to výrazne zvýšiť šance na nájdenie informácií, ktoré je možné objaviť pomocou dolovania údajov

2] Tvorba a hodnotenie modelu

Druhým krokom v procese dolovania údajov je aplikácia rôznych techník modelovania. Tie slúžia na kalibráciu parametrov na optimálne hodnoty. Použité techniky do značnej miery závisia od analytických schopností potrebných na riešenie škály organizačných potrieb a na prijatie rozhodnutia.

Pozrime sa v krátkosti na niektoré techniky dolovania údajov. Zistilo sa, že väčšina organizácií kombinuje dve alebo viac techník dolovania údajov, aby vytvorili vhodný proces, ktorý spĺňa ich obchodné požiadavky.

Prečítajte si^(Read) : Čo sú veľké dáta?^{(What is Big Data?)}

Techniky dolovania údajov

1. Asociácia –  ^{(Association – )}Asociácia^{(Association)} je jednou zo všeobecne známych techník dolovania údajov. Podľa toho sa vzor dešifruje na základe vzťahu medzi položkami v tej istej transakcii. Preto^(Hence) je tiež známa ako technika vzťahov. Maloobchodníci veľkých značiek sa spoliehajú na túto techniku ​​pri prieskume nákupných návykov/preferencií zákazníkov. Napríklad pri sledovaní nákupných návykov ľudí môžu maloobchodníci zistiť, že zákazník vždy kupuje smotanu, keď kupuje čokoládu, a preto navrhnúť, aby si pri ďalšom nákupe čokolády chcel kúpiť aj smotanu.
2. Klasifikácia^{(Classification)} – Táto technika dolovania údajov sa líši od vyššie uvedených v tom, že je založená na strojovom učení a využíva matematické techniky, ako sú lineárne^(Linear) programovanie, rozhodovacie^(Decision) stromy, neurónové^(Neural)siete. Pri klasifikácii sa spoločnosti snažia vytvoriť softvér, ktorý sa dokáže naučiť klasifikovať dátové položky do skupín. Spoločnosť môže napríklad v aplikácii definovať klasifikáciu, ktorá „vzhľadom na všetky záznamy o zamestnancoch, ktorí ponúkli výpoveď zo spoločnosti, predpovedá počet jednotlivcov, ktorí pravdepodobne v budúcnosti odstúpia zo spoločnosti“. V rámci takéhoto scenára môže spoločnosť zaradiť evidenciu zamestnancov do dvoch skupín, a to „odísť“ a „zostať“. Potom môže použiť svoj softvér na dolovanie údajov na klasifikáciu zamestnancov do samostatných skupín vytvorených skôr.
3. Klastrovanie^(Clustering) – rôzne^(Different)objekty vykazujúce podobné vlastnosti sú prostredníctvom automatizácie zoskupené do jedného klastra. Mnoho takýchto zhlukov je vytvorených ako triedy a objekty (s podobnými charakteristikami) sú do nich podľa toho umiestnené. Aby sme tomu lepšie porozumeli, pouvažujme o príklade správy kníh v knižnici. V knižnici je rozsiahla zbierka kníh plne katalogizovaná. Položky rovnakého typu sú uvedené spolu. To nám uľahčuje nájsť knihu, ktorá nás zaujíma. Podobne pomocou techniky zhlukovania môžeme uchovávať knihy, ktoré majú niektoré druhy podobností, v jednom zhluku a priradiť mu vhodný názov. Ak teda čitateľ hľadá knihu, ktorá je relevantná pre jeho záujmy, musí ísť iba na túto policu, a nie hľadať v celej knižnici. Technika zhlukovania teda definuje triedy a vkladá objekty do každej triedy,
4. Predikcia^(Prediction) – Predikcia je technika dolovania údajov, ktorá sa často používa v kombinácii s inými technikami dolovania údajov. Zahŕňa analýzu trendov, klasifikáciu, porovnávanie vzorov a vzťah. Analýzou minulých udalostí alebo prípadov v správnom poradí je možné bezpečne predpovedať budúcu udalosť. Napríklad techniku ​​predikčnej analýzy možno použiť pri predaji na predpovedanie budúceho zisku, ak sa predaj zvolí ako nezávislá premenná a zisk ako premenná závislá od predaja. Potom je možné na základe historických údajov o predaji a zisku nakresliť prispôsobenú regresnú krivku, ktorá sa používa na predikciu zisku.
5. Rozhodovacie stromy^{(Decision trees)} – V rámci rozhodovacieho stromu začíname jednoduchou otázkou, ktorá má viacero odpovedí. Každá odpoveď vedie k ďalšej otázke, ktorá pomáha klasifikovať alebo identifikovať údaje, aby sa dali kategorizovať alebo aby bolo možné na základe každej odpovede urobiť predpoveď. Napríklad na určenie toho, či hrať kriket ODI alebo nie, používame nasledujúci rozhodovací strom : Rozhodovací strom dolovania údajov^{(Data Mining Decision Tree)} : Začíname v koreňovom uzle, ak predpoveď počasia predpovedá dážď, mali by sme sa zápasu na daný deň vyhnúť. Prípadne, ak je jasná predpoveď počasia, zápas by sme mali odohrať.

Data mining je jadrom analytického úsilia v rôznych odvetviach a disciplínach, ako sú komunikácia, poisťovníctvo^(Insurance) , vzdelávanie^(Education) , výroba^{(Manufacturing)} , bankovníctvo^(Banking) a maloobchod^(Retail) a ďalšie. Preto je dôležité mať o ňom správne informácie pred použitím rôznych techník.

What is Data Mining? Basics and its Techniques.

The foundation of thе fourth industrial revolutіon 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 najlepších softvérov na dolovanie dát

• Ako používať funkciu automatického typu údajov v Exceli

• Inštalácii BitLocker sa nepodarilo exportovať ukladací priestor BCD (Boot Configuration Data).

• Ako spravovať limit využitia dát v systéme Windows 11/10

• Nie je možné importovať súbor databázy Registry. Nie všetky údaje boli zapísané do databázy Registry

• Opravte nepridelený pevný disk bez straty údajov v systéme Windows 10

• Čo je Data Analytics a na čo sa používa

• Prečo spoločnosti zhromažďujú, predávajú, nakupujú alebo uchovávajú osobné údaje

• Vymazať súbory cookie, údaje stránok, vyrovnávaciu pamäť pre konkrétny web: Chrome Edge Firefox

• CD/DVD Data Recovery software na obnovu dát z CD DVD

• Kto vlastní IoT dáta? Výrobca, koncový používateľ alebo nejaká tretia strana?

• Vysvetlenie zraniteľnosti mikroarchitektúrneho vzorkovania údajov (MDS).

• Disk Drill pre Windows: Obnovte omylom odstránené súbory

• Ako stiahnuť alebo extrahovať údaje z Máp Google

• Zapnite alebo vypnite diagnostické údaje o používaní programu Moderátor v systéme Windows 10

• Softvér na zálohovanie údajov Renee Becca pre Windows PC

• PCmover Express – migrujte dáta z Windows 7 na Windows 10 zadarmo

• Čo sú veľké dáta – jednoduché vysvetlenie s príkladom

• Vymažte údaje stránok pre konkrétny web v prehliadači Chrome alebo Edge pomocou nástrojov pre vývojárov

• Nástroj na opravu dvojitého spustenia: Oprava konfiguračných údajov zavádzania BCD