Основа четврте индустријске револуције ће у великој мери зависити од података^(Data) и повезаности^{(Connectivity)} . Услуге анализе^{(Analysis Services)} способне да развију или креирају решења за рударење података ће играти кључну улогу у овом погледу. То би могло помоћи у анализи и предвиђању исхода куповног понашања купаца за циљање потенцијалних купаца. Подаци^(Data) ће постати нови природни ресурс и процес издвајања релевантних информација из ових несортираних података ће добити огроман значај. Као такво, правилно разумевање термина – Дата Мининг^{(Data Mining)} , његових процеса и примене могло би нам помоћи у развоју холистичког приступа овој популарној речи.

Основе рударења података^{(Data Mining Basics)} и његове технике

Ископавање података, такође познато као Откривање знања у подацима^{(Knowledge Discovery in Data)} ( КДД^(KDD) ) је претраживање великих складишта података да би се открили обрасци и трендови који превазилазе једноставне анализе. Ово, међутим, није решење у једном кораку, већ процес у више корака и завршава се у различитим фазама. Ови укључују:

1] Прикупљање података и припрема

Почиње прикупљањем података и њиховом правилном организацијом. Ово помаже у значајном побољшању шанси за проналажење информација које се могу открити кроз дата мининг

2] Изградња модела и евалуација

Други корак у процесу рударења података је примена различитих техника моделирања. Они се користе за калибрацију параметара на оптималне вредности. Технике које се користе у великој мери зависе од аналитичких способности потребних да се одговори на читав низ организационих потреба и да се донесе одлука.

Хајде да укратко испитамо неке технике рударења података. Утврђено је да већина организација комбинује две или више техника рударења података заједно како би формирале одговарајући процес који испуњава њихове пословне захтеве.

Прочитајте^(Read) : Шта су велики подаци?^{(What is Big Data?)}

Дата Мининг Тецхникуес

1. Асоцијација –  ^{(Association – )}Асоцијација^{(Association)} је једна од надалеко познатих техника рударења података. У складу са овим, образац се дешифрује на основу односа између ставки у истој трансакцији. Стога^(Hence) је позната и као техника релације. Продавци великих брендова ослањају се на ову технику да би истражили куповне навике/преференце купаца. На пример, када прате куповне навике људи, трговци на мало могу идентификовати да купац увек купује крему када купује чоколаде, и стога предлажу да следећи пут када купе чоколаде можда желе да купе и крему.
2. Класификација^{(Classification)} – Ова техника рударења података разликује се од горе наведене по томе што је заснована на машинском учењу и користи математичке технике као што су линеарно^(Linear) програмирање, стабла одлучивања , ^(Decision)неуронске^(Neural)мреже. У класификацији, компаније покушавају да направе софтвер који може научити како да класификује ставке података у групе. На пример, компанија може да дефинише класификацију у апликацији која „с обзиром на сву евиденцију запослених који су понудили оставку у компанији, предвиђа број појединаца који ће вероватно дати отказ у компанији у будућности“. По таквом сценарију, компанија може да класификује евиденцију запослених у две групе и то „одлазе“ и „остају“. Затим може да користи свој софтвер за рударење података да класификује запослене у засебне групе створене раније.
3. Груписање^(Clustering) – различито^(Different)објекти који показују сличне карактеристике су груписани заједно у један кластер путем аутоматизације. Многи такви кластери се креирају тако што се класе и објекти (са сличним карактеристикама) постављају у њих у складу са тим. Да бисмо ово боље разумели, размотримо пример управљања књигама у библиотеци. У библиотеци, огромна збирка књига је у потпуности каталогизована. Ставке истог типа су наведене заједно. То нам олакшава да пронађемо књигу која нас занима. Слично, коришћењем технике груписања, можемо држати књиге које имају неке врсте сличности у једном кластеру и доделити му одговарајуће име. Дакле, ако читалац жели да зграби књигу релевантну за његово интересовање, мора само да оде до те полице уместо да претражује целу библиотеку. Дакле, техника груписања дефинише класе и ставља објекте у сваку класу,
4. Предвиђање^(Prediction) – Предвиђање је техника рударења података која се често користи у комбинацији са другим техникама рударења података. То укључује анализу трендова, класификацију, подударање образаца и однос. Анализом прошлих догађаја или инстанци у одговарајућем редоследу може се безбедно предвидети будући догађај. На пример, техника анализе предвиђања се може користити у продаји за предвиђање будућег профита ако је продаја изабрана као независна варијабла, а профит као варијабла зависна од продаје. Затим, на основу историјских података о продаји и добити, може се нацртати прилагођена крива регресије која се користи за предвиђање профита.
5. Стабло одлучивања^{(Decision trees)} – У оквиру стабла одлучивања почињемо са једноставним питањем које има више одговора. Сваки одговор води до даљег питања које помаже у класификацији или идентификацији података тако да се могу категоризовати или да се на основу сваког одговора може направити предвиђање. На пример, користимо следеће стабло одлучивања да одредимо да ли да играмо крикет ОДИ^(ODI) : Стабло одлучивања за рударење података^{(Data Mining Decision Tree)} : Почевши од основног чвора, ако временска прогноза тада предвиђа кишу, требало би да избегавамо меч за тај дан. Алтернативно, ако је временска прогноза јасна, требало би да одиграмо утакмицу.

Дата Мининг^{(Data Mining)} је у срцу аналитичких напора у различитим индустријама и дисциплинама као што су комуникације, осигурање^(Insurance) , образовање^(Education) , производња^{(Manufacturing)} , банкарство^(Banking) и малопродаја^(Retail) и још много тога. Стога је неопходно имати тачне информације о томе пре него што примените различите технике.

What is Data Mining? Basics and its Techniques.

The foυndatіon of the fourth іndustrial reνolution 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 најбољих софтвера за рударење података

• Како користити функцију аутоматског типа података у програму Екцел

• БитЛоцкер подешавање није успело да извезе БЦД (подаци о конфигурацији покретања) складиште

• Како управљати ограничењем употребе података у оперативном систему Виндовс 11/10

• Није могуће увести датотеку регистра. Нису сви подаци уписани у регистар

• Шта је Аналитика података и за шта се користи

• 0кц0000098: Подаци о конфигурацији покретања оперативног система Виндовс не садрже унос ОС

• Најбољи бесплатни алати за визуелизацију података на мрежи

• Како користити функцију Уметање података из слике у Екцел-у

• Укључите или искључите дијагностичке податке о коришћењу наратора у оперативном систему Виндовс 10

• Како претворити МБР у ГПТ без губитка података у оперативном систему Виндовс 11/10

• Бесплатно преузимање БурнАваре-а: бесплатни ЦД, ДВД, Блу-Раи, ХД-Медиа Бурнер

• Шта је Реманентност података? Како га елиминишете или преписујете?

• Омогућите, онемогућите прикупљање података за монитор поузданости у оперативном систему Виндовс 10

• Гоогле Цхроме неће обрисати историју и податке прегледања

• Шта су УСБ блокатори података? Најбољи УСБ блокатори података за куповину на Амазону

• МиниТоол Повер Дата Рецовери Фрее обнавља податке са оштећених партиција

• Обришите или избришите историју прегледања, колачиће, податке, кеш меморију у Едге-у

• 10 најбољих професионалних софтвера за прављење резервних копија и опоравак података за Виндовс 10

• Шта очекивати када преузмете историју Фацебоок података