✅ Введение в интеллектуальный анализ данных - Примеры

Введение в интеллектуальный анализ данных

Введение в интеллектуальный анализ данных

Здесь, в этой статье, мы собираемся узнать о введении в интеллектуальный анализ данных, поскольку люди веками добывали из земли, чтобы получить все виды ценных материалов. Иногда, во время добычи, с земли обнаруживаются вещи, которые никто не ожидал найти в первую очередь. Например, в 1898 году во время раскопок гробницы для поиска мумий в Саккаре, Египет, был найден деревянный артефакт, который в точности напоминал самолет. Он был датирован 200 годом до нашей эры, около 2200 лет назад! Но какую возможную информацию мы можем получить из большого набора данных? И даже если мы начнем его добывать, есть ли шансы получить какие-либо неожиданные результаты из набора данных? Перед этим давайте разберемся, что же такое Data Mining.

Что такое Data Mining?

Это в основном извлечение жизненно важной информации / знаний из большого набора данных.
Думайте о данных как о большой земле / скалистой поверхности. Мы не знаем, что внутри, мы не знаем, есть ли что-нибудь полезное под камнями.
В этом введении к интеллектуальному анализу данных мы ищем скрытую информацию, но без понятия о том, какой тип информации мы хотим найти и что мы планируем использовать ее один раз, мы находим ее.
Как и в традиционном майнинге Concept, в Data Mining также есть различные методы и инструменты, которые варьируются в зависимости от типа данных, которые мы анализируем, поэтому мы выяснили, что такое интеллектуальный анализ данных, в этой теме введения в Data mining.

Пример Data Mining

Мы узнали о введении в интеллектуальный анализ данных в разделе выше и теперь приступаем к примерам интеллектуального анализа данных, которые перечислены ниже:

Итак, есть оператор мобильной связи. Они консультируются с Data Miner, чтобы покопаться в записях вызовов оператора. Никаких конкретных целей не дано Data Miner.
Дается количественная цель нахождения как минимум 2 новых моделей в месяц.
Когда майнер данных начинает копаться в данных, он обнаруживает закономерность того, что в среду меньше международных звонков по сравнению с другими днями.
Эта информация передается руководству, и они разрабатывают план снижения тарифов на международные звонки по средам и запуска кампании.
Цены на звонки растут, клиенты довольны низкой стоимостью звонков, больше клиентов регистрируются, и компания зарабатывает больше денег! Беспроигрышная ситуация!

Помня приведенный выше пример, давайте теперь рассмотрим различные этапы интеллектуального анализа данных.

Шаги, вовлеченные в Data Mining

Мы узнали о введении в интеллектуальный анализ данных в приведенном выше разделе и теперь продвигаемся по шагам, связанным с интеллектуальным анализом данных, которые перечислены ниже:

Понимание бизнеса

В этом введении к интеллектуальному анализу данных мы поймем каждый аспект бизнес-целей и потребностей. Текущая ситуация оценивается путем нахождения ресурсов, предположений и других важных факторов. Соответственно, составление хорошего введения в план интеллектуального анализа данных для достижения как бизнес-целей, так и целей интеллектуального анализа данных.

Понимание данных

Первоначально данные собираются из всех доступных источников. Затем мы выбираем лучший набор данных, из которого мы можем извлечь данные, которые могут быть более полезными.

Подготовка данных

Как только набор данных идентифицирован, он выбирается, очищается, создается и форматируется в желаемой форме.

Моделирование данных

Это процесс ремоделирования данных в соответствии с требованиями пользователя. одна или несколько моделей могут быть созданы на подготовленном наборе данных, и, наконец, необходимо тщательно оценить модели с участием заинтересованных сторон, чтобы убедиться, что созданные модели соответствуют бизнес-инициативам.

оценка

Это один из самых необходимых процессов в интеллектуальном анализе данных. Это включает в себя прохождение каждого аспекта процесса, чтобы проверить наличие возможных ошибок или утечки данных в процессе. Кроме того, новые бизнес-требования могут быть повышены из-за новых обнаруженных шаблонов.

развертывание

Это означает просто представить знания таким образом, чтобы заинтересованные стороны могли использовать их, когда они этого хотят. В нашем примере выше было установлено, что международных звонков было меньше по средам, поэтому эта информация была представлена заинтересованным сторонам, которые, в свою очередь, использовали эту информацию в своих интересах и увеличили свою прибыль.

Методы, используемые в Data Mining

В вышеприведенном разделе мы узнали о введении в интеллектуальный анализ данных, теперь мы продолжаем использовать методы, используемые в интеллектуальном анализе данных, которые перечислены ниже:

Кластерный анализ

Кластерный анализ позволяет идентифицировать данную группу пользователей в соответствии с общими функциями в базе данных. Эти функции могут включать возраст, географическое положение, уровень образования и так далее.

Обнаружение аномалий

Он используется для определения, когда что-то заметно отличается от обычного шаблона. Он используется для устранения любых несоответствий базы данных или аномалий в источнике.

Регрессивный анализ

Этот метод используется для прогнозирования на основе отношений в наборе данных. Например, можно прогнозировать курс запаса конкретного продукта, анализируя прошлую ставку, а также принимая во внимание различные факторы, которые определяют курс запаса. Или, как показано ниже, если у нас есть данные о росте и весе разных людей, то, учитывая любой рост или вес, мы могли бы определить другое значение.

классификация

Это касается вещей, на которых есть ярлыки. Обратите внимание, что при обнаружении кластера вещи не имели метки, и при использовании интеллектуального анализа данных нам приходилось метить и формировать кластеры, но в классификации существует информация, которую можно легко классифицировать с помощью алгоритма. Пример - фильтры спама в электронной почте. Спам-фильтр предоставляется как с релевантными, так и со спам-сообщениями (данные обучения). Различия между ними выявлены, что позволяет правильно классифицировать будущие электронные письма.

Ассоциативное обучение

Он используется для анализа того, какие вещи, как правило, происходят вместе в парах или в больших группах. Например, люди, которые склонны покупать лимоны, тоже покупать апельсины, люди, которые склонны покупать хлеб, тоже покупать молоко и так далее. Таким образом, покупки, сделанные всеми покупателями, анализируются, и вещи, которые происходят вместе, размещаются рядом друг с другом, чтобы увеличить продажи. Молоко кладется рядом с хлебом, лимоны - рядом с апельсинами и так далее.

Является ли интеллектуальный анализ данных этичным?

Итак, я планирую поездку на выходные в Гоа с другом, я ищу в Интернете хорошие места для посещения в Гоа. В следующий раз, когда я открою Интернет, я найду объявления о различных отелях в Гоа для проживания.

Хорошая вещь?

Да, интернет помог мне упростить мою поездку. В конце концов, если я решу посетить Гоа, мне нужно будет где-нибудь поспать, и объявление, показывающее мне отель, гораздо полезнее, чем объявление, показывающее мне случайную одежду, чтобы купить.

Плохо?

Да! Почему компания по добыче данных, о которой я никогда раньше не слышала, знает, куда я еду в отпуск. Что, если я никому не рассказал об этой поездке, но здесь интернет внезапно узнает, что я собираюсь туда. По правде говоря, бизнес-модель компании по добыче данных зависит от этого. Они собирают эти данные с помощью файлов cookie и скриптов, а затем продают их рекламодателям, которые, в свою очередь, пытаются продать мне что-то еще (в данном случае номер в отеле).

Так что это может быть хорошо или плохо в зависимости от того, как мы на это смотрим. Кроме того, мы всегда можем отключить куки или пойти инкогнито в вышеупомянутом случае. Хотя, что бы ни случилось, одно точно. Добыча данных здесь, чтобы остаться.

Введение в интеллектуальный анализ данных - Примеры - Шаги и методы