Data Mining Tutorial for CS for Android APK

Descrição

A mineração de dados é o processo de descoberta de padrões em grandes conjuntos de dados envolvendo métodos na interseção de aprendizado de máquina, estatística e sistemas de banco de dados. A mineração de dados é um subcampo interdisciplinar da ciência da computação e estatística com o objetivo geral de extrair informações (com métodos inteligentes) de um conjunto de dados e transformar as informações em uma estrutura compreensível para uso posterior. A mineração de dados é a etapa de análise do processo de "descoberta de conhecimento em bancos de dados" ou KDD. Além da etapa de análise bruta, também envolve aspectos de banco de dados e gerenciamento de dados, pré-processamento de dados, considerações de modelo e inferência, métricas de interesse, considerações de complexidade, pós-processamento de estruturas descobertas, visualização e atualização online.

O termo "mineração de dados" é um equívoco, porque o objetivo é a extração de padrões e conhecimento de grandes quantidades de dados, não a extração (mineração) de dados em si. Também é uma palavra da moda e é frequentemente aplicada a qualquer forma de processamento de dados ou informações em grande escala (coleção, extração, armazenamento, análise e estatísticas), bem como a qualquer aplicação de sistema de suporte à decisão por computador, incluindo inteligência artificial (por exemplo, máquina aprendizagem) e inteligência de negócios. O livro Data mining: Practical machine learning tools and applications with Java (que cobre principalmente material de machine learning) foi originalmente chamado apenas de Practical machine learning, e o termo data mining foi adicionado apenas por razões de marketing. Muitas vezes, os termos mais gerais (grande escala) análise e análise de dados ou, quando se refere a métodos reais, inteligência artificial e aprendizado de máquina são mais apropriados.

A tarefa real de mineração de dados é a análise semiautomática ou automática de grandes quantidades de dados para extrair padrões interessantes anteriormente desconhecidos, como grupos de registros de dados (análise de cluster), registros incomuns (detecção de anomalias) e dependências (mineração de regras de associação, mineração de padrões sequenciais). Isso geralmente envolve o uso de técnicas de banco de dados, como índices espaciais. Esses padrões podem então ser vistos como uma espécie de resumo dos dados de entrada e podem ser usados ​​em análises posteriores ou, por exemplo, em aprendizado de máquina e análise preditiva. Por exemplo, a etapa de mineração de dados pode identificar vários grupos nos dados, que podem ser usados ​​para obter resultados de previsão mais precisos por um sistema de suporte à decisão. Nem a coleta de dados, preparação de dados, nem interpretação e relatório de resultados fazem parte da etapa de mineração de dados, mas pertencem ao processo geral de KDD como etapas adicionais.

Um data warehouse é construído integrando dados de várias fontes heterogêneas.

Ele suporta relatórios analíticos, consultas estruturadas e/ou ad hoc e tomada de decisões. Este tutorial adota uma abordagem passo a passo para explicar todos os conceitos necessários de data warehousing.

As coleções de tutoriais de categorias estão abaixo e fornecem todos os tópicos como,

Visão geral do data warehouse

Conceitos de Data Warehouse

Processos do Sistema de Data Warehouse

Arquitetura de Data Warehouse

Terminologias do Data Warehouse

Processo de entrega do data warehouse

OLAP Multidimensional de Data Warehouse

Esquemas de data warehouse

Teste de Data Warehouse

Aspectos Futuros do Data Warehouse

Perguntas da entrevista do data warehouse

Estratégia de Particionamento de Data Warehouse

Conceitos de Metadados de Data Warehouse

Data Warehouse Data Mart

Gerentes de Sistema de Data Warehouse

Gerentes de Processo de Data Warehouse

Segurança do armazém de dados

Ajuste do Data Warehouse

e muitos outros