Data mining is simply filtering thr

Data mining is simply filtering through large amounts of raw data for useful information that gives businesses a competitive edge. This information is made up of meaningful patterns and trends that are already in the data but were previously unseen.
The most popular tool used when mining is artificial intelligence (AI), AI technologies try to work the way the human brain works, by making intelligent guesses, learning by example, and using deductive reasoning. Some of the more popular AI methods used in data mining include neural networks, clustering, and decision trees.
Neural networks look at the rules of using data, which are based on the connections found or on a sample set of data. As a result, the software continually analyses value and compares it to the other factors, and it compares these factors repeatedly until it finds patterns emerging. These patterns are known as rules, The software then looks for other patterns based on these rules or sends out an alarm when a trigger value is hit.
Clustering divides data into groups based on similar features or limited data ranges. Clusters arc used when data isn’t labelled in a way that is favourable to mining. For instance, an insurance company that wants to find instances of fraud wouldn‘t have its records labelled as fraudulent or not fraudulent. But after analysing patterns within cluster; the mining software can start to figure out the rules that point to which claims are likely to be false.
Decision trees, like clusters, separate the data into subsets and then analyse the subsets to divide them into further subsets, and so on (for a few more levels), The final subsets are then small enough that the mining process can find interesting patterns and relationships within the data.
Once the data to be mined is identified, it should be cleansed. Cleansing data frees it from duplicate information and erroneous data. Next, the data should be stored in a uniform format within relevant categories or fields. Mining tools can work with all types of data storage, from large data warehouses to smaller desktop databases to flat files. Data warehouses and data marts are storage methods that involve archiving large amounts of data in a way that makes it easy to access when necessary.
When the process is complete, the mining software generates a report. An analyst goes over the report to see if further work needs to be done, such as refining parameters, using other data analysis tools to examine the data, or even scrapping the data if it's unusable. If no further work is required, the report proceeds to the decision makers for appropriate action.
The power of data mining is being used for many purposes, such as analysing Supreme Court decisions, discovering patterns in health care, pulling stories about competitors from newswires, resolving bottlenecks in production processes, and analysing sequences in the human genetic makeup, There really is no limit to the type of business or area of study where data mining can be beneficial.

Kết quả (Ukraina) 1:

Видобування даних просто filtering через великі обсяги даних для корисної інформації, що надає підприємствам конкурентну перевагу. Ця інформація складається з значущого закономірностей і тенденцій, які вже знаходяться в даних, але були раніше невидимих.Найбільш популярні інструмент, що використовується, коли є видобуток штучного інтелекту (ШІ), Ай технологій намагаємося працювати як працює людський мозок, інтелектуальні гадати, навчання, наприклад, і використовуючи Дедуктивні міркування. Деякі з найбільш популярних AI методи, які використовуються в інтелектуального аналізу даних включають нейронних мереж кластеризація та деревоподібних систем рішень. Нейронні мережі дивитися на правила використання даних, які базуються на підключення знайдено або на зразок набору даних. Як наслідок, програмне забезпечення постійно аналізує значення і порівнює його до інших факторів, і він порівнює ці фактори кілька разів, поки знайде візерунки, що розвиваються. Ці моделі, як відомо, як правила, програмне забезпечення потім шукає інші зразки на основі цих правил або посилає сигнал тривоги, коли хіт значення trigger. Кластеризація ділить даних на основі аналогічні характеристики або діапазони обмежених даних групи. Кластери arc використовується, коли дані не марковані таким чином, що є сприятливим для видобутку. Наприклад, Страхова компанія, яка хоче знайти випадки шахрайства б не свої записи, і недвозначно позначений як шахрайських або не шахрайських. Але після аналіз моделей в межах кластера; видобуток програмне забезпечення може почати зрозуміти правила, які вказують на який претендує, ймовірно, бути помилковим. Рішення дерев, як кластери, розділити дані на підмножини потім проаналізувати підмножин розділити їх на подальше підмножин та так на (за декілька більше рівнів), остаточний підмножин потім досить мала, що гірській процес можна знайти цікаві закономірності відносин, вказує на дані. Після того, як на видобувати позначаються, він повинні очистити себе. Очищення даних звільняє його від повторювані відомості та хибні дані. Далі, дані повинні зберігатися в єдиний формат, в межах відповідних категорій або полів. Гірничо-шахтне інструменти може працювати з усіма типами зберігання даних, від великих обсягів даних складів до меншого робочого стола баз даних для плоских файлів. Сховищ даних і вітринах даних є зберігання методів, які включають великі обсяги даних таким чином, що полегшує доступ при необхідності архівування. Коли процес завершиться, видобуток програма генерує звіт. Аналітика йде на звіті, щоб побачити, якщо подальшої роботи необхідно зробити, рафінування параметри, за допомогою інших інструментів аналізу даних для вивчення даних або навіть злам дані, якщо його непридатним для використання. Якщо не потрібно ніякої подальшої роботи, доповіді приступає до приймають рішення для відповідних заходів. Влада інтелектуального аналізу даних використовується для багатьох цілей, наприклад, аналізуючи рішення Верховного суду, виявлення візерунки у сфері охорони здоров'я, потягнувши історій про конкурентів з newswires, вирішення вузькі місця в виробничих процесів та аналізуючи послідовності в людському генетичну, дійсно немає межі для типу бізнес або галузі вивчення де видобування даних можуть бути корисними.

Kết quả (Ukraina) 3:

Гірництво даних просто filtering через великі суми сирих даних для корисної інформації що дає діла конкурентна перевага. Ця інформація складається суттєвих шаблонів та тенденцій що є вже у даних але раніше unseen.
Найбільший популярний інструмент використаний при гірництві штучна розвідка (AI), AI спроба технологій попрацювати шлях людський мозок праці,Роблячи розумні здогадки, вивчаючи прикладом, та використовуючим deductive міркування. Деякий з більше популярних AI методів використаних у гірництві даних включають neural мережі, clustering, та дерева рішення.
Neural мережі дивляться на правила використовуючих даних, котрий є базований на зв'язках знайдених або на зразку встановлюють даних. В результаті,Програмне забезпечення постійно анализирует величина та порівнює це до інших факторів, та це порівнює ці фактори неодноразово до це знаходить шаблони з'являючі. Ці шаблони є відомі тому що панує, програмне забезпечення тоді шукає інші шаблони базовані на цих правилах або посилає тривогу коли ініціюють величину ударяється.
Clustering ділить даних у групи базовані на подібних особливостях або обмежених даних діапазони.Дуга пучків використані коли дані не помічається у шляху це сприятливо до гірництва. Наприклад, страхова компанія що захоче знайти приклади обману би не мають його записи помічений як fraudulent або не fraudulent. Але після того як аналізувати шаблони в межах пучку; гірницьке програмне забезпечення може стартувати рахувати правила що пункт котрий претензії виглядають як бути невірні.
Дерева рішення,Любіть пучки, відокремлюють даних у subsets та тоді аналізують subsets щоб розділити їх у подальший subsets, і так далі (для нечисленних більше рівнів), заключних subsets вистачають тоді малий що гірницький процес може знайти цікаві шаблони та співвідношення в межах даних.
Одного разу дані mined ототожнюється, це повинно бути очищене.Очищати даних визволяє це з дублікату інформація та помилкові дані. Знову, дані повинні бути збережені у однорідному форматі в межах відповідних категорій або сфер. Гірницькі інструменти можуть попрацювати з всіма типами зберігання даних, з великих складів даних до більш малих настільних баз даних до плоских файлів.Склади даних та дані marts методи зберігання що включають архивирование великі суми даних у шляху що встигає легкі до доступу коли необхідно.
Коли процес є повноцінне, гірницьке програмне забезпечення породжує доповідь. Аналітик іде над доповіддю побачити якщо подальша робота потреби бути зроблені, наприклад очищаючі параметри, використовуючи інші інструменти аналізу даних вивчити даних,Або навіть scrapping дані якщо це - unusable. Якщо ніяка подальша робота вимагається, доповідь переходить до виробників рішення для відповідної дії.
Потужність гірництва даних використовується для багато цілей, наприклад аналізуючих рішень Верховного Суду, відкриваючих шаблонів у охороні здоров'я, тягнучі оповідання про конкурентів з newswires, вирішуючи bottlenecks у виробничих процесах,Та аналізуючі наслідки у людські генетичні makeup, Там дійсно є ніяка межа до типу бізнесу або області навчання де гірництво даних не може бути благотворне.