Η ίδρυση της τέταρτης βιομηχανικής επανάστασης θα εξαρτηθεί σε μεγάλο βαθμό από τα δεδομένα^(Data) και τη συνδεσιμότητα^{(Connectivity)} . Οι Υπηρεσίες Ανάλυσης^{(Analysis Services)} που είναι σε θέση να αναπτύξουν ή να δημιουργήσουν λύσεις εξόρυξης δεδομένων θα διαδραματίσουν βασικό ρόλο από αυτή την άποψη. Θα μπορούσε να βοηθήσει στην ανάλυση και την πρόβλεψη των αποτελεσμάτων της αγοραστικής συμπεριφοράς των πελατών για τη στόχευση πιθανών αγοραστών. Τα δεδομένα^(Data) θα γίνουν ένας νέος φυσικός πόρος και η διαδικασία εξαγωγής σχετικών πληροφοριών από αυτά τα μη ταξινομημένα δεδομένα θα αποκτήσει τεράστια σημασία. Ως εκ τούτου, η σωστή κατανόηση του όρου – Εξόρυξη Δεδομένων^{(Data Mining)} , των διαδικασιών και της εφαρμογής του θα μπορούσε να μας βοηθήσει να αναπτύξουμε μια ολιστική προσέγγιση σε αυτό το τσιτάτο.

Βασικά στοιχεία εξόρυξης δεδομένων^{(Data Mining Basics)} και οι τεχνικές της

Η εξόρυξη δεδομένων, γνωστή και ως Ανακάλυψη γνώσης σε δεδομένα^{(Knowledge Discovery in Data)} ( KDD ) αφορά την αναζήτηση μεγάλων αποθηκών δεδομένων για την αποκάλυψη μοτίβων και τάσεων που υπερβαίνουν την απλή ανάλυση. Αυτή, όμως, δεν είναι μια λύση ενός σταδίου αλλά μια διαδικασία πολλαπλών βημάτων και ολοκληρώνεται σε διάφορα στάδια. Αυτά περιλαμβάνουν:

1] Συλλογή και προετοιμασία δεδομένων

Ξεκινά με τη συλλογή δεδομένων και τη σωστή οργάνωσή τους. Αυτό βοηθά στη σημαντική βελτίωση των πιθανοτήτων εύρεσης των πληροφοριών που μπορούν να ανακαλυφθούν μέσω της εξόρυξης δεδομένων

2] Κατασκευή και αξιολόγηση μοντέλου

Το δεύτερο βήμα στη διαδικασία εξόρυξης δεδομένων είναι η εφαρμογή διαφόρων τεχνικών μοντελοποίησης. Αυτά χρησιμοποιούνται για τη βαθμονόμηση των παραμέτρων σε βέλτιστες τιμές. Οι τεχνικές που χρησιμοποιούνται εξαρτώνται σε μεγάλο βαθμό από τις αναλυτικές ικανότητες που απαιτούνται για την αντιμετώπιση μιας σειράς οργανωτικών αναγκών και για τη λήψη απόφασης.

Ας εξετάσουμε εν συντομία ορισμένες τεχνικές εξόρυξης δεδομένων. Διαπιστώθηκε ότι οι περισσότεροι οργανισμοί συνδυάζουν δύο ή περισσότερες τεχνικές εξόρυξης δεδομένων μαζί για να σχηματίσουν μια κατάλληλη διαδικασία που ανταποκρίνεται στις επιχειρηματικές απαιτήσεις τους.

Διαβάστε^(Read) : Τι είναι τα μεγάλα δεδομένα;^{(What is Big Data?)}

Τεχνικές Εξόρυξης Δεδομένων

1. Association –  Association είναι μια από τις ευρέως γνωστές τεχνικές εξόρυξης δεδομένων. Σύμφωνα με αυτό, ένα μοτίβο αποκρυπτογραφείται με βάση μια σχέση μεταξύ στοιχείων στην ίδια συναλλαγή. Ως εκ τούτου^(Hence) , είναι επίσης γνωστή ως τεχνική σχέσης. Οι έμποροι μεγάλης επωνυμίας βασίζονται σε αυτήν την τεχνική για να ερευνήσουν τις αγοραστικές συνήθειες/προτιμήσεις των πελατών. Για παράδειγμα, όταν παρακολουθούν τις αγοραστικές συνήθειες των ανθρώπων, οι έμποροι λιανικής ενδέχεται να αναγνωρίσουν ότι ένας πελάτης αγοράζει πάντα κρέμα όταν αγοράζει σοκολάτες και, επομένως, να προτείνει ότι την επόμενη φορά που θα αγοράσουν σοκολάτες μπορεί να θέλουν να αγοράσουν και κρέμα.
2. Ταξινόμηση^{(Classification)} – Αυτή η τεχνική εξόρυξης δεδομένων διαφέρει από τα παραπάνω στον τρόπο που βασίζεται στη μηχανική μάθηση και χρησιμοποιεί μαθηματικές τεχνικές όπως Γραμμικός^(Linear) προγραμματισμός, Δέντρα αποφάσεων , ^(Decision)Νευρωνικά^(Neural)δίκτυο. Στην ταξινόμηση, οι εταιρείες προσπαθούν να δημιουργήσουν λογισμικό που μπορεί να μάθει πώς να ταξινομεί τα στοιχεία δεδομένων σε ομάδες. Για παράδειγμα, μια εταιρεία μπορεί να ορίσει μια ταξινόμηση στην εφαρμογή ότι «δεδομένων όλων των αρχείων των εργαζομένων που προσφέρθηκαν να παραιτηθούν από την εταιρεία, προβλέπει τον αριθμό των ατόμων που είναι πιθανό να παραιτηθούν από την εταιρεία στο μέλλον». Κάτω από ένα τέτοιο σενάριο, η εταιρεία μπορεί να ταξινομήσει τα αρχεία των εργαζομένων σε δύο ομάδες που είναι «φεύγουν» και «παραμένουν». Στη συνέχεια, μπορεί να χρησιμοποιήσει το λογισμικό εξόρυξης δεδομένων για να ταξινομήσει τους υπαλλήλους σε ξεχωριστές ομάδες που δημιουργήθηκαν νωρίτερα.
3. Ομαδοποίηση^(Clustering) – Διαφορετικό^(Different)αντικείμενα που παρουσιάζουν παρόμοια χαρακτηριστικά ομαδοποιούνται σε ένα ενιαίο σύμπλεγμα μέσω αυτοματισμού. Πολλά τέτοια συμπλέγματα δημιουργούνται καθώς κλάσεις και αντικείμενα (με παρόμοια χαρακτηριστικά) τοποθετούνται σε αυτό ανάλογα. Για να το κατανοήσουμε καλύτερα, ας εξετάσουμε ένα παράδειγμα διαχείρισης βιβλίων στη βιβλιοθήκη. Σε μια βιβλιοθήκη, η τεράστια συλλογή βιβλίων είναι πλήρως καταγεγραμμένη. Τα στοιχεία του ίδιου τύπου παρατίθενται μαζί. Αυτό μας διευκολύνει να βρούμε ένα βιβλίο που μας ενδιαφέρει. Ομοίως, χρησιμοποιώντας την τεχνική ομαδοποίησης, μπορούμε να κρατήσουμε βιβλία που έχουν κάποια είδη ομοιοτήτων σε ένα σύμπλεγμα και να του δώσουμε ένα κατάλληλο όνομα. Έτσι, αν ένας αναγνώστης ψάχνει να πάρει ένα βιβλίο σχετικό με τα ενδιαφέροντά του, δεν έχει παρά να πάει σε αυτό το ράφι αντί να ψάξει σε ολόκληρη τη βιβλιοθήκη. Έτσι, η τεχνική ομαδοποίησης ορίζει τις κλάσεις και βάζει αντικείμενα σε κάθε κλάση,
4. Πρόβλεψη^(Prediction) – Η πρόβλεψη είναι μια τεχνική εξόρυξης δεδομένων που χρησιμοποιείται συχνά σε συνδυασμό με άλλες τεχνικές εξόρυξης δεδομένων. Περιλαμβάνει την ανάλυση των τάσεων, την ταξινόμηση, την αντιστοίχιση προτύπων και τη σχέση. Αναλύοντας γεγονότα ή περιστατικά του παρελθόντος με σωστή σειρά, μπορεί κανείς να προβλέψει με ασφάλεια ένα μελλοντικό γεγονός. Για παράδειγμα, η τεχνική ανάλυσης πρόβλεψης μπορεί να χρησιμοποιηθεί στην πώληση για την πρόβλεψη μελλοντικών κερδών εάν η πώληση επιλεγεί ως ανεξάρτητη μεταβλητή και το κέρδος ως μεταβλητή που εξαρτάται από την πώληση. Στη συνέχεια, με βάση τα ιστορικά δεδομένα πώλησης και κέρδους, μπορεί κανείς να σχεδιάσει μια προσαρμοσμένη καμπύλη παλινδρόμησης που χρησιμοποιείται για την πρόβλεψη του κέρδους.
5. Δέντρα αποφάσεων^{(Decision trees)} – Μέσα στο δέντρο αποφάσεων, ξεκινάμε με μια απλή ερώτηση που έχει πολλαπλές απαντήσεις. Κάθε απάντηση οδηγεί σε μια περαιτέρω ερώτηση για να βοηθήσει στην ταξινόμηση ή τον προσδιορισμό των δεδομένων, ώστε να μπορεί να κατηγοριοποιηθεί ή έτσι ώστε να μπορεί να γίνει μια πρόβλεψη με βάση κάθε απάντηση. Για παράδειγμα, χρησιμοποιούμε το ακόλουθο δέντρο αποφάσεων για να καθορίσουμε εάν θα παίξουμε κρίκετ ODI : Εξόρυξη δεδομένων Δέντρο αποφάσεων^{(Data Mining Decision Tree)} : Ξεκινώντας από τον ριζικό κόμβο, εάν η πρόγνωση καιρού προβλέπει βροχή, τότε θα πρέπει να αποφύγουμε τον αγώνα για την ημέρα. Εναλλακτικά, αν η πρόγνωση του καιρού είναι καθαρή, θα πρέπει να παίξουμε τον αγώνα.

Η Εξόρυξη Δεδομένων^{(Data Mining)} βρίσκεται στο επίκεντρο των προσπαθειών ανάλυσης σε διάφορους κλάδους και κλάδους όπως οι επικοινωνίες, οι ασφάλειες^(Insurance) , η εκπαίδευση^(Education) , η βιομηχανία^{(Manufacturing)} , οι τράπεζες^(Banking) και το λιανικό εμπόριο^(Retail) και πολλά άλλα. Επομένως, είναι απαραίτητο να έχετε σωστές πληροφορίες σχετικά με αυτό πριν εφαρμόσετε τις διαφορετικές τεχνικές.

What is Data Mining? Basics and its Techniques.

The foundation of the fourth industrial revolυtion 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 Καλύτερο λογισμικό εξόρυξης δεδομένων

• Τρόπος χρήσης της δυνατότητας Automatic Data Type στο Excel

• Το BitLocker Setup απέτυχε να εξαγάγει το χώρο αποθήκευσης BCD (Boot Configuration Data).

• Πώς να διαχειριστείτε το όριο χρήσης δεδομένων στα Windows 11/10

• Δεν είναι δυνατή η εισαγωγή αρχείου μητρώου. Δεν γράφτηκαν όλα τα δεδομένα στο Μητρώο

• Τι να περιμένετε όταν κάνετε λήψη του Ιστορικού δεδομένων του Facebook

• Τι είναι τα μεγάλα δεδομένα - Μια απλή εξήγηση με παράδειγμα

• Πώς να κάνετε λήψη δεδομένων LinkedIn χρησιμοποιώντας το Εργαλείο εξαγωγής δεδομένων LinkedIn

• Τι είναι η διατήρηση δεδομένων; Πώς το εξαλείφετε ή το αντικαθιστάτε;

• Η μετεγκατάσταση δεδομένων Samsung έχει κολλήσει στο 0%, 99% ή 100%

• Εκκαθάριση ή διαγραφή ιστορικού περιήγησης, cookies, δεδομένων, προσωρινής μνήμης στο Edge

• Επεξήγηση της ευπάθειας της δειγματοληψίας μικροαρχιτεκτονικών δεδομένων (MDS).

• Κατανάλωση μεγάλων δεδομένων. Ποιες είναι οι χρήσεις των μεγάλων δεδομένων.

• PCmover Express - Δωρεάν μετεγκατάσταση δεδομένων από τα Windows 7 στα Windows 10

• Σε ποιον ανήκει τα δεδομένα IoT; Κατασκευαστής, Τελικός χρήστης ή κάποιο τρίτο μέρος;

• Σφάλμα 0x8004010F, Δεν είναι δυνατή η πρόσβαση στο αρχείο δεδομένων του Outlook

• Γιατί οι εταιρείες συλλέγουν, πωλούν, αγοράζουν ή αποθηκεύουν προσωπικά δεδομένα

• Απενεργοποιήστε τη Συλλογή Τηλεμετρίας & Δεδομένων στα Windows 10 χρησιμοποιώντας τον Προγραμματιστή εργασιών

• Renee Becca λογισμικό δημιουργίας αντιγράφων ασφαλείας δεδομένων για υπολογιστή με Windows

• Ενεργοποιήστε ή απενεργοποιήστε τα Διαγνωστικά δεδομένα σχετικά με τη χρήση του Αφηγητή στα Windows 10