1. Цель
В этом блоге мы будем изучать, что такое интеллектуальный анализ данных. Кроме того, вы изучите область интеллектуального анализа данных, основу, методы интеллектуального анализа данных и терминологию в области интеллектуального анализа данных. По мере изучения этого мы изучим архитектуру интеллектуального анализа данных со схемой. Далее, будет изучать открытие знаний. Наряду с этим мы также изучим приложения для интеллектуального анализа данных, а также их плюсы и минусы.
2. Введение в интеллектуальный анализ данных
Интеллектуальный анализ данных — это набор методов, применимых к большим и сложным базам данных. Это необходимо для устранения случайности и обнаружения скрытого шаблона. Поскольку эти методы интеллектуального анализа данных почти всегда требуют больших вычислительных ресурсов. Мы используем инструменты, методологии и теории интеллектуального анализа данных для выявления закономерностей в данных. Присутствует слишком много движущих сил. И именно по этой причине интеллектуальный анализ данных стал такой важной областью изучения.
3. История интеллектуального анализа данных
В 1960-х годах статистики использовали термины «вылов данных» или «выемка данных». Это должно было сослаться на то, что они считали плохой практикой анализа данных. Термин «интеллектуальный анализ данных» появился в сообществе баз данных примерно в 1990 году.
4. Основа интеллектуального анализа данных
Мы используем методы интеллектуального анализа данных для длительного процесса исследований и разработки продуктов. Поскольку эта эволюция началась, когда бизнес-данные впервые были сохранены на компьютерах. Кроме того, он позволяет пользователям перемещаться по своим данным в режиме реального времени. Мы используем интеллектуальный анализ данных в бизнес-сообществе, потому что он поддерживается тремя технологиями, которые в настоящее время являются зрелыми:
- Массовый сбор данных
- Мощные многопроцессорные компьютеры
- Алгоритмы интеллектуального анализа данных
5. Тип собираемых данных
а. Деловые операции
В этой индустрии бизнеса каждая транзакция «запоминается» навечно. Мы можем сказать, что многие транзакции имеют дело со временем и могут быть межпредпринимательскими сделками, такими как покупки, обмены, банковские операции, акции и т. д.
б. Научные данные
Повсюду наше общество накапливает колоссальные объемы научных данных. Так как научные данные необходимо анализировать. К сожалению, нам нужно быстрее собирать и хранить больше новых данных. Затем мы можем проанализировать уже накопленные старые данные.
в. Медицинские и личные данные
Как мы можем сказать от правительства до заказчика и для личных нужд нам приходится собирать большие объемы информации. Эта информация требуется для отдельных лиц и групп.
При сопоставлении с другими данными эта информация может пролить свет на поведение клиентов.
д. Видео и фотографии с камер наблюдения
Как и в случае падения цен на видеокамеры, видеокамеры становятся повсеместными. Также мы можем утилизировать камеры, видеозаписи с видеонаблюдения. Тем не менее, стало тенденцией хранить ленты и даже оцифровывать их для будущего использования и анализа.
e. Игры
В обществах используется огромное количество данных и статистики. То есть собирать об играх, игроках и спортсменах. В качестве этой информации данные используются комментаторами и журналистами для репортажей.
ж. Цифровые медиа
Причин для взрыва цифровых медиахранилищ слишком много. Например, дешевые сканеры, настольные видеокамеры и цифровые камеры. Такие ассоциации, как НХЛ и НБА. Они уже начали преобразовывать свою огромную коллекцию игр в цифровые формы.
г. Данные САПР и программного обеспечения
Архитекторы используют несколько систем САПР для проектирования зданий. Поскольку эти системы используются для генерации огромного количества данных.
Более того, мы можем использовать SE как источник значительного количества аналогичных данных с кодом и объектами, которые должны быть мощными инструментами для управления и обслуживания.
ч. Виртуальные миры
В настоящее время многие приложения используют трехмерные виртуальные пространства. Кроме того, эти пространства и содержащиеся в них объекты должны описываться специальными языками, такими как VRML. В идеале мы должны определить виртуальные пространства, поскольку они могут совместно использовать объекты и места. Кроме того, здесь представлено огромное количество доступных объектов виртуальной реальности.
я. Текстовые отчеты и заметки (сообщения электронной почты)
Поскольку во многих компаниях коммуникации основаны на отчетах и служебных записках в текстовой форме. Как они обмениваются по электронной почте. Хотя мы привыкли хранить его в цифровом виде для дальнейшего использования. Кроме того, ссылки на создание огромных цифровых библиотек.
6. Использование интеллектуального анализа данных
а. Автоматическое прогнозирование тенденций и поведения
Мы используем для автоматизации процесса поиска прогнозной информации в больших базах данных. На вопросы, которые требовали обширного практического анализа, теперь можно ответить с помощью данных. Целевой маркетинг — типичный пример предиктивного маркетинга. Так как мы также используем интеллектуальный анализ данных по прошлым рекламным рассылкам. То есть определить цели для максимизации возврата инвестиций в будущие рассылки. Другие проблемы прогнозирования включают прогнозирование банкротства и других форм дефолта. И выявление сегментов населения, которые могут одинаково реагировать на данные события.
б. Автоматическое обнаружение ранее неизвестных шаблонов
Поскольку мы используем инструменты интеллектуального анализа данных для проверки баз данных. Кроме того, для выявления ранее скрытых закономерностей за один шаг. Есть очень хороший пример обнаружения закономерностей. Так как это анализ данных розничных продаж. То есть определить несвязанные продукты, которые часто покупаются вместе. Кроме того, есть и другие проблемы с обнаружением шаблонов. Это включает в себя обнаружение мошеннических транзакций по кредитным картам. Установлено, что аномальные данные могут представлять собой ошибки при вводе данных.
