پایه و اساس انقلاب صنعتی چهارم تا حد زیادی به داده^(Data) و اتصال^{(Connectivity)} بستگی دارد . سرویس های تحلیلی^{(Analysis Services)} که قادر به توسعه یا ایجاد راه حل های داده کاوی هستند، نقش کلیدی در این زمینه ایفا خواهند کرد. می تواند به تحلیل و پیش بینی نتایج رفتار خرید مشتری^{(customer purchasing behavior)} برای هدف قرار دادن خریداران بالقوه کمک کند. داده^(Data) ها به یک منبع طبیعی جدید تبدیل خواهند شد و فرآیند استخراج اطلاعات مرتبط از این داده های مرتب نشده اهمیت بسیار زیادی خواهد داشت. به این ترتیب، درک صحیح اصطلاح ^{(term –)} داده کاوی^{(Data Mining)} ، فرآیندها و کاربرد آن می‌تواند به ما در ایجاد رویکردی جامع برای این واژه مهم کمک کند.

مبانی داده کاوی^{(Data Mining Basics)} و تکنیک های آن

داده کاوی، همچنین به عنوان کشف دانش در داده ها^{(Knowledge Discovery in Data)} ( KDD ) شناخته می شود، در مورد جستجوی ذخیره های بزرگ داده برای کشف الگوها و روندهایی است که فراتر از تجزیه و تحلیل ساده هستند. اما این یک راه حل تک مرحله ای نیست بلکه یک فرآیند چند مرحله ای است و در مراحل مختلفی تکمیل می شود. این شامل:

1] گردآوری و آماده سازی داده ها

با جمع آوری داده ها و سازماندهی مناسب آن شروع می شود. این به بهبود چشمگیر شانس یافتن اطلاعاتی که از طریق داده کاوی قابل کشف است کمک می کند

2] ساخت و ارزیابی مدل

مرحله دوم در فرآیند داده کاوی^{(mining process)} ، استفاده از تکنیک های مختلف مدل سازی است. اینها برای کالیبره کردن پارامترها به مقادیر بهینه استفاده می شوند. تکنیک های به کار گرفته شده تا حد زیادی به قابلیت های تحلیلی مورد نیاز برای رسیدگی به طیف وسیعی از نیازهای سازمانی و رسیدن به یک تصمیم بستگی دارد.

اجازه دهید برخی از تکنیک های داده کاوی را به طور خلاصه بررسی کنیم. مشخص شده است که بیشتر سازمان ها دو یا چند تکنیک داده کاوی را با هم ترکیب می کنند تا فرآیند مناسبی را تشکیل دهند که نیازهای تجاری آنها را برآورده کند.

بخوانید^(Read) : کلان داده چیست؟

تکنیک های داده کاوی

1. انجمن -  ^{(Association – )}انجمن^{(Association)} یکی از تکنیک های داده کاوی شناخته شده است. تحت این، یک الگو بر اساس رابطه بین اقلام در همان معامله رمزگشایی می شود. از این رو^(Hence) ، آن را به عنوان تکنیک رابطه^{(relation technique)} نیز می شناسند . خرده فروشان برندهای بزرگ برای تحقیق در مورد عادات و ترجیحات خرید مشتری به این تکنیک تکیه می کنند. به عنوان مثال، خرده فروشان هنگام ردیابی عادات خرید مردم، ممکن است تشخیص دهند که مشتری هنگام خرید شکلات همیشه خامه می‌خرد و بنابراین پیشنهاد می‌کند دفعه بعد که شکلات می‌خرد، ممکن است بخواهد خامه بخرد.
2. طبقه بندی^{(Classification)} - این تکنیک داده کاوی^{(data mining technique)} از این جهت که مبتنی بر یادگیری ماشین است^{(machine learning)} و از تکنیک های ریاضی مانند برنامه نویسی خطی^{(Linear programming)} ، درخت تصمیم ، ^(Decision)شبکه عصبی استفاده می^{(Neural network)} کند، با روش های فوق متفاوت است . در طبقه‌بندی، شرکت‌ها سعی می‌کنند نرم‌افزاری بسازند که بتواند نحوه طبقه‌بندی اقلام داده را در گروه‌ها بیاموزد. به عنوان مثال، یک شرکت می‌تواند طبقه‌بندی را در برنامه تعریف کند که «با توجه به تمام سوابق کارمندانی که پیشنهاد کناره‌گیری از شرکت را داده‌اند، تعداد افرادی را که احتمالاً در آینده از شرکت کناره‌گیری می‌کنند، پیش‌بینی می‌کند». در چنین سناریویی، شرکت می تواند سوابق کارمندان را به دو گروه "ترک" و "ماندن" طبقه بندی کند. سپس می تواند از داده های خود استفاده کندنرم‌افزار^{(mining software)} ماینینگ برای طبقه‌بندی کارکنان به گروه‌های جداگانه که قبلاً ایجاد شده بود.
3. خوشه بندی^(Clustering) - اشیاء مختلف^(Different) که ویژگی های مشابهی را نشان می دهند از طریق اتوماسیون در یک خوشه با هم گروه بندی می شوند. بسیاری از این خوشه ها به عنوان کلاس ها ایجاد می شوند و اشیا (با ویژگی های مشابه) در آن قرار می گیرند. برای درک بهتر این موضوع، اجازه دهید نمونه ای از مدیریت کتاب^{(book management)} در کتابخانه را در نظر بگیریم. در یک کتابخانه، مجموعه وسیعی از کتاب ها به طور کامل فهرست بندی شده است. اقلام از یک نوع با هم فهرست شده اند. این کار پیدا کردن کتاب مورد علاقه‌مان را برای ما آسان‌تر می‌کند. به همین ترتیب، با استفاده از تکنیک خوشه‌بندی^{(clustering technique)} ، می‌توان کتاب‌هایی را که شباهت‌هایی دارند در یک خوشه نگه داشت و نام مناسبی برای آن قائل شد. بنابراین، اگر یک خواننده به دنبال گرفتن یک کتاب مرتبط است^{(book relevant)}برای علاقه او، او فقط باید به جای جستجوی کل کتابخانه به آن قفسه برود. بنابراین، تکنیک خوشه بندی^{(clustering technique)} کلاس ها را تعریف می کند و اشیاء را در هر کلاس قرار می دهد، در حالی که در تکنیک های طبقه بندی، اشیاء به کلاس های از پیش تعریف شده اختصاص داده می شوند.
4. پیش بینی^(Prediction) - پیش بینی یک تکنیک داده کاوی است^{(data mining technique)} که اغلب در ترکیب با سایر تکنیک های داده کاوی استفاده^{(data mining technique)} می شود. این شامل تجزیه و تحلیل روندها، طبقه بندی، تطبیق الگو^{(pattern matching)} ، و رابطه است. با تجزیه و تحلیل رویدادها یا نمونه های گذشته در یک توالی^{(sequence one)} مناسب می توان با خیال راحت یک رویداد آینده را پیش بینی کرد. به عنوان مثال، اگر فروش به عنوان متغیر مستقل و سود^{(variable and profit)} به عنوان متغیر وابسته به فروش انتخاب شود، می توان از تکنیک تحلیل پیش بینی در فروش برای پیش بینی سود آتی استفاده کرد. ^{(prediction analysis technique)}سپس، بر اساس داده های تاریخی فروش و سود ، می توان ^{(sale and profit data)}منحنی رگرسیون^{(regression curve)} برازش را ترسیم کرد که برایپیش بینی سود^{(profit prediction)} .
5. درختان تصمیم^{(Decision trees)} - در درخت تصمیم^{(decision tree)} ، با یک سوال ساده شروع می کنیم که چندین پاسخ دارد. هر پاسخ به سؤال دیگری منجر می‌شود تا به طبقه‌بندی یا شناسایی داده‌ها کمک کند تا بتوان آن‌ها را دسته‌بندی کرد، یا اینکه بتوان بر اساس هر پاسخ پیش‌بینی کرد. به عنوان مثال، ما از درخت تصمیم^{(decision tree)} زیر برای تعیین اینکه آیا کریکت ODI بازی کنیم یا نه استفاده می کنیم : درخت تصمیم گیری داده کاوی^{(Data Mining Decision Tree)} : با شروع از گره ریشه^{(root node)} ، اگر پیش بینی آب و هوا^{(weather forecast)} باران را پیش بینی می کند، باید از مسابقه برای روز اجتناب کنیم. در غیر این صورت، اگر پیش بینی آب و هوا^{(weather forecast)} روشن است، باید مسابقه را انجام دهیم.

داده کاوی^{(Data Mining)} در قلب تلاش های تحلیلی در صنایع و رشته های مختلف مانند ارتباطات، بیمه^(Insurance) ، آموزش^(Education) ، تولید^{(Manufacturing)} ، بانکداری و خرده فروشی^{(Banking and Retail)} و غیره است. بنابراین داشتن اطلاعات صحیح در مورد آن قبل از اعمال تکنیک های مختلف ضروری است.

What is Data Mining? Basics and its Techniques.

The foυndation of thе fourth industrial 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 بهترین نرم افزار داده کاوی

• چگونه به استفاده از Automatic Data Type feature در Excel

• BitLocker Setup نتوانست BCD (Boot Configuration Data) را صادر کند

• چگونه برای مدیریت Data Usage Limit در Windows 10

• وارد نمی شود Registry File. همه Data به رجیستری نوشته شده بود

• Error 0x8004010F، Outlook Data File دیده نمی شود

• 0xc0000098: بوت ویندوز Configuration Data حاوی OS entry نیست

• نحوه بازسازی BCD or Boot Configuration Data file در Windows 11/10

• Download and Backup Google Data خود را با استفاده Google Takeout

• روشن یا حذف Browsing History، Cookies، Data، Cache در Edge

• چگونه برای دانلود LinkedIn Data با استفاده از LinkedIn Data Export Tool

• USB Data Blockers چیست؟ بهترین USB Data Blockers برای خرید در Amazon

• MiniTool Power Data Recovery Free اطلاعات را از پارتیشن های آسیب دیده بازیابی می کند

• Data Remanence چیست؟ چگونه شما از بین بردن و یا بازنویسی آن را؟

• Disk Drill برای Windows: Recover فایل های تصادفی حذف شده

• Renee Becca Data Backup Software برای Windows PC

• Data Recovery Software رایگان: بازیابی فایل های پاک و پوشه ها

• BurnAware Free Download: CD رایگان، DVD، Blu-Ray، HD-Media Burner

• Samsung Data Migration در 0٪، 99٪ یا 100٪ گیر کرده است

• 10 بهترین Backup and Data recovery software حرفه ای برای Windows 10