Temelj četvrte industrijske revolucije uvelike će ovisiti o podacima^(Data) i povezivanju^{(Connectivity)} . Usluge analize^{(Analysis Services)} sposobne za razvoj ili stvaranje rješenja za rudarenje podataka imat će ključnu ulogu u tom pogledu. Mogao bi pomoći u analizi i predviđanju ishoda kupovnog ponašanja kupaca za ciljanje potencijalnih kupaca. Podaci^(Data) će postati novi prirodni resurs i proces izdvajanja relevantnih informacija iz tih nerazvrstanih podataka poprimiti će ogromnu važnost. Kao takvo, ispravno razumijevanje pojma – Data Mining , njegovih procesa i primjene moglo bi nam pomoći u razvoju holističkog pristupa ovoj popularnoj riječi.

Osnove rudarenja podataka^{(Data Mining Basics)} i njegove tehnike

Data mining, također poznat kao Otkrivanje znanja u podacima^{(Knowledge Discovery in Data)} ( KDD ) je pretraživanje velikih skladišta podataka kako bi se otkrili obrasci i trendovi koji nadilaze jednostavne analize. Ovo, međutim, nije rješenje u jednom koraku, već proces u više koraka i dovršava se u različitim fazama. To uključuje:

1] Prikupljanje podataka i priprema

Počinje prikupljanjem podataka i njihovom pravilnom organizacijom. To pomaže u značajnom poboljšanju šansi za pronalaženje informacija koje se mogu otkriti rudarenjem podataka

2] Izgradnja modela i evaluacija

Drugi korak u procesu rudarenja podataka je primjena različitih tehnika modeliranja. Oni se koriste za kalibraciju parametara na optimalne vrijednosti. Primijenjene tehnike uvelike ovise o analitičkim sposobnostima potrebnim za rješavanje niza organizacijskih potreba i donošenje odluke.

Pogledajmo ukratko neke tehnike rudarenja podataka. Utvrđeno je da većina organizacija kombinira dvije ili više tehnika rudarenja podataka kako bi formirale odgovarajući proces koji zadovoljava njihove poslovne zahtjeve.

Pročitajte^(Read) : Što su veliki podaci?^{(What is Big Data?)}

Tehnike rudarenja podataka

1. Udruživanje –  ^{(Association – )}Udruživanje^{(Association)} je jedna od nadaleko poznatih tehnika rudarenja podataka. U skladu s tim, uzorak se dešifrira na temelju odnosa između stavki u istoj transakciji. Stoga^(Hence) je poznata i kao tehnika odnosa. Trgovci velikih robnih marki oslanjaju se na ovu tehniku ​​kako bi istražili kupovne navike/preference kupaca. Na primjer, kada prate kupovne navike ljudi, trgovci na malo mogu identificirati da kupac uvijek kupuje vrhnje kada kupuje čokolade, te stoga sugeriraju da sljedeći put kada kupe čokolade možda žele kupiti i vrhnje.
2. Klasifikacija^{(Classification)} – Ova tehnika rudarenja podataka razlikuje se od gore navedene po tome što se temelji na strojnom učenju i koristi matematičke tehnike kao što su linearno^(Linear) programiranje, stabla odlučivanja , ^(Decision)neuronske^(Neural)mreža. U klasifikaciji, tvrtke pokušavaju izgraditi softver koji može naučiti kako klasificirati stavke podataka u grupe. Na primjer, tvrtka može definirati klasifikaciju u aplikaciji koja "s obzirom na svu evidenciju zaposlenika koji su ponudili otkaz u tvrtki, predvidjeti broj pojedinaca koji će vjerojatno dati otkaz u tvrtki u budućnosti." Prema takvom scenariju, poduzeće može razvrstati evidenciju zaposlenika u dvije skupine i to “odlaze” i “ostaju”. Zatim može koristiti svoj softver za rudarenje podataka za razvrstavanje zaposlenika u odvojene grupe stvorene ranije.
3. Grupiranje^(Clustering) – različito^(Different)objekti sličnih karakteristika grupirani su u jedan klaster putem automatizacije. Mnogi takvi klasteri nastaju kako se klase i objekti (sa sličnim karakteristikama) postavljaju u njih sukladno tome. Da bismo to bolje razumjeli, razmotrimo primjer upravljanja knjigama u knjižnici. U knjižnici je ogromna zbirka knjiga u potpunosti katalogizirana. Predmeti iste vrste navedeni su zajedno. To nam olakšava pronalaženje knjige koja nas zanima. Slično, korištenjem tehnike grupiranja, možemo držati knjige koje imaju neke vrste sličnosti u jednom klasteru i dodijeliti mu prikladan naziv. Dakle, ako čitatelj želi zgrabiti knjigu relevantnu za njegov interes, mora samo otići do te police umjesto da pretražuje cijelu knjižnicu. Dakle, tehnika klasteriranja definira klase i stavlja objekte u svaku klasu,
4. Predviđanje^(Prediction) – Predviđanje je tehnika rudarenja podataka koja se često koristi u kombinaciji s drugim tehnikama rudarenja podataka. Uključuje analizu trendova, klasifikaciju, podudaranje uzoraka i odnos. Analizom prošlih događaja ili instanci u odgovarajućem slijedu može se sigurno predvidjeti budući događaj. Na primjer, tehnika analize predviđanja može se koristiti u prodaji za predviđanje buduće dobiti ako je prodaja odabrana kao nezavisna varijabla, a profit kao varijabla ovisna o prodaji. Zatim, na temelju povijesnih podataka o prodaji i dobiti, može se nacrtati prilagođena regresijska krivulja koja se koristi za predviđanje dobiti.
5. Stabla odlučivanja^{(Decision trees)} – U stablu odluka počinjemo s jednostavnim pitanjem koje ima više odgovora. Svaki odgovor vodi do daljnjeg pitanja koje pomaže klasificirati ili identificirati podatke kako bi se mogli kategorizirati ili kako bi se na temelju svakog odgovora moglo napraviti predviđanje. Na primjer, koristimo sljedeće stablo odlučivanja kako bismo odredili hoćemo li igrati kriket ODI ili ne : Stablo odlučivanja za rudarenje podataka^{(Data Mining Decision Tree)} : Počevši od korijenskog čvora, ako vremenska prognoza tada predviđa kišu, trebali bismo izbjegavati utakmicu za taj dan. Alternativno, ako je vremenska prognoza vedra, trebali bismo odigrati utakmicu.

Data Mining je u središtu analitičkih napora u raznim industrijama i disciplinama kao što su komunikacije, osiguranje^(Insurance) , obrazovanje^(Education) , proizvodnja^{(Manufacturing)} , bankarstvo^(Banking) i maloprodaja^(Retail) i još mnogo toga. Stoga je prije primjene različitih tehnika bitno imati točne informacije o tome.

What is Data Mining? Basics and its Techniques.

The foundation оf thе fourth іndustrial 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 Najbolji softver za rudarenje podataka

• Kako koristiti značajku automatske vrste podataka u Excelu

• Postavljanje BitLockera nije uspjelo izvesti pohranu BCD (podaci o konfiguraciji pokretanja).

• Kako upravljati ograničenjem upotrebe podataka u sustavu Windows 11/10

• Nije moguće uvesti datoteku registra. Nisu svi podaci upisani u Registar

• Besplatni softver za oporavak podataka: Oporavak izbrisanih datoteka i mapa

• Uključite ili isključite dijagnostičke podatke o korištenju pripovjedača u sustavu Windows 10

• Tko posjeduje IoT podatke? Proizvođač, krajnji korisnik ili neka treća strana?

• Obrišite ili izbrišite povijest pregledavanja, kolačiće, podatke, predmemoriju u Edgeu

• Snimanje na disk zasivljeno u sustavu Windows 10; Nije moguće snimiti DVD

• Kako preimenovati niz podataka u Excel grafikonu ili grafikonu

• Potrošnja velikih podataka. Koja je upotreba velikih podataka.

• Kako koristiti značajku Umetanje podataka iz slike u Excelu

• Ashampoo Burning Studio 2020 - Snimanje CD-a, DVD-a, Blu-raya BESPLATNO!

• Alat za popravak dvostrukog pokretanja: popravi BCD podatke o konfiguraciji pokretanja

• Onemogućite telemetriju i prikupljanje podataka u sustavu Windows 10 pomoću Planera zadataka

• CD/DVD Data Recovery softver za oporavak podataka s CD DVD-a

• Zašto tvrtke prikupljaju, prodaju, kupuju ili pohranjuju osobne podatke

• Pogreška 0x8004010F, Outlook podatkovnoj datoteci nije moguće pristupiti

• Izbrišite kolačiće, podatke web-mjesta, predmemoriju za određenu web stranicu: Chrome Edge Firefox