Le fondamenta della quarta rivoluzione industriale dipenderanno in gran parte da Dati^(Data) e Connettività^{(Connectivity)} . Analysis Services in grado di sviluppare o creare soluzioni di data mining giocheranno un ruolo chiave in questo senso. Potrebbe aiutare ad analizzare e prevedere i risultati del comportamento di acquisto dei clienti^{(customer purchasing behavior)} per prendere di mira potenziali acquirenti. I dati^(Data) diventeranno una nuova risorsa naturale e il processo di estrazione delle informazioni rilevanti da questi dati non ordinati assumerà un'importanza immensa. Pertanto, una corretta comprensione del termine ^{(term –)} Data Mining , i suoi processi e l'applicazione potrebbe aiutarci a sviluppare un approccio olistico a questa parola d'ordine.

Nozioni di base sul data mining^{(Data Mining Basics)} e sue tecniche

Il data mining, noto anche come Knowledge Discovery in Data ( KDD ), consiste nella ricerca di grandi archivi di dati per scoprire modelli e tendenze che vanno oltre la semplice analisi. Questa, tuttavia, non è una soluzione in un'unica fase, ma un processo in più fasi e viene completata in varie fasi. Questi includono:

1] Raccolta e Preparazione dei dati

Si inizia con la raccolta dei dati e la sua corretta organizzazione. Questo aiuta a migliorare significativamente le possibilità di trovare le informazioni che possono essere scoperte attraverso il data mining

2] Costruzione e valutazione del modello

Il secondo passaggio nel processo di data mining^{(mining process)} è l'applicazione di varie tecniche di modellazione. Questi vengono utilizzati per calibrare i parametri su valori ottimali. Le tecniche impiegate dipendono in gran parte dalle capacità analitiche richieste per affrontare una gamma di esigenze organizzative e per arrivare a una decisione.

Esaminiamo in breve alcune tecniche di data mining. È stato riscontrato che la maggior parte delle organizzazioni combina due o più tecniche di data mining per formare un processo appropriato che soddisfi i requisiti aziendali.

Leggi^(Read) : Che cosa sono i Big Data?

Tecniche di data mining

1. Associazione:  l' ^{(Association – )}associazione^{(Association)} è una delle tecniche di data mining ampiamente conosciute. In base a questo, viene decifrato un modello basato su una relazione tra gli articoli nella stessa transazione. Quindi^(Hence) , è anche conosciuta come la tecnica della relazione^{(relation technique)} . I grandi rivenditori di marca si affidano a questa tecnica per ricercare le abitudini/preferenze di acquisto dei clienti. Ad esempio, quando tengono traccia delle abitudini di acquisto delle persone, i rivenditori potrebbero identificare che un cliente acquista sempre la crema quando acquista i cioccolatini e quindi suggerire che la prossima volta che acquistano dei cioccolatini potrebbero voler acquistare anche la crema.
2. Classificazione^{(Classification)} – Questa tecnica di data mining^{(data mining technique)} differisce da quella sopra in quanto si basa sull'apprendimento automatico^{(machine learning)} e utilizza tecniche matematiche come la programmazione lineare^{(Linear programming)} , gli alberi decisionali , ^(Decision)la rete neurale^{(Neural network)} . Nella classificazione, le aziende cercano di creare software in grado di imparare a classificare gli elementi di dati in gruppi. Ad esempio, un'azienda può definire una classificazione nell'applicazione che "dato tutti i record dei dipendenti che si sono offerti di dimettersi dall'azienda, prevede il numero di persone che potrebbero dimettersi dall'azienda in futuro". In tale scenario, l'azienda può classificare i record dei dipendenti in due gruppi, ovvero "lasciare" e "rimanere". Può quindi utilizzare i suoi datisoftware di mining^{(mining software)} per classificare i dipendenti in gruppi separati creati in precedenza.
3. Clustering : oggetti diversi^(Different) che presentano caratteristiche simili vengono raggruppati in un unico cluster tramite l'automazione. Molti di questi cluster vengono creati quando classi e oggetti (con caratteristiche simili) vengono inseriti di conseguenza. Per capirlo meglio, consideriamo un esempio di gestione dei libri^{(book management)} in biblioteca. In una biblioteca, la vasta collezione di libri è completamente catalogata. Gli articoli dello stesso tipo sono elencati insieme. Questo ci rende più facile trovare un libro di nostro interesse. Allo stesso modo, usando la tecnica del clustering^{(clustering technique)} , possiamo tenere i libri che hanno alcuni tipi di somiglianze in un cluster e assegnargli un nome appropriato. Quindi, se un lettore sta cercando di prendere un libro rilevante^{(book relevant)}nel suo interesse, deve solo andare su quello scaffale invece di cercare nell'intera biblioteca. Pertanto, la tecnica del clustering^{(clustering technique)} definisce le classi e inserisce gli oggetti in ciascuna classe, mentre nelle tecniche di classificazione gli oggetti vengono assegnati in classi predefinite.
4. Predizione^(Prediction) : la previsione è una tecnica di data mining^{(data mining technique)} che viene spesso utilizzata in combinazione con altre tecniche di data mining^{(data mining technique)} . Implica l'analisi di tendenze, classificazione, corrispondenza di modelli^{(pattern matching)} e relazioni. Analizzando eventi o istanze passati in una sequenza corretta, si^{(sequence one)} può prevedere in sicurezza un evento futuro. Ad esempio, la tecnica dell'analisi di previsione^{(prediction analysis technique)} può essere utilizzata nella vendita per prevedere il profitto futuro se la vendita viene scelta come variabile indipendente e il profitto^{(variable and profit)} come variabile dipendente dalla vendita. Quindi, sulla base dei dati storici di vendita e profitto^{(sale and profit data)} , è possibile tracciare una curva di regressione^{(regression curve)} adattata utilizzata perprevisione del profitto^{(profit prediction)} .
5. Alberi decisionali^{(Decision trees)} : all'interno dell'albero decisionale^{(decision tree)} , iniziamo con una semplice domanda che ha più risposte. Ogni risposta porta a un'ulteriore domanda per aiutare a classificare o identificare i dati in modo che possano essere classificati o in modo da poter fare una previsione in base a ciascuna risposta. Ad esempio, utilizziamo il seguente albero decisionale^{(decision tree)} per determinare se giocare o meno a cricket ODI : Data Mining Decision Tree : Partendo dal nodo principale^{(root node)} , se le previsioni^{(weather forecast)} del tempo prevedono pioggia, dovremmo evitare la partita per la giornata. In alternativa, se le previsioni^{(weather forecast)} del tempo sono chiare, dovremmo giocare la partita.

Il data mining^{(Data Mining)} è al centro degli sforzi di analisi in una varietà di settori e discipline come comunicazioni, assicurazioni^(Insurance) , istruzione^(Education) , produzione^{(Manufacturing)} , banche e vendita al dettaglio^{(Banking and Retail)} e altro ancora. Pertanto, avere informazioni corrette al riguardo è essenziale prima di applicare le diverse tecniche.

What is Data Mining? Basics and its Techniques.

The foundation of the foυrth indυstrial rеvolution will largеly 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 migliori software di data mining

• Come usare Automatic Data Type feature in Excel

• BitLocker Setup Impossibile esportare il negozio BCD (Boot Configuration Data)

• Come gestire lo Data Usage Limit su Windows 10

• Non è possibile importare Registry File. Non tutti Data è stato scritto per Registry

• Disk Drill per Windows: Recover file cancellati accidentalmente

• Google Chrome non cancellerà Browsing History and Data

• Ashampoo Burning Studio 2020 - Burn CDs, DVDs, Blu-rays FREE!

• Consumo di Big Data. Quali sono gli usi dei Big Data.

• Chi possiede IoT Data? Manufacturer, End User, o qualche terza parte?

• Samsung Data Migration bloccato allo 0%, 99% o 100%

• Download and Backup Il tuo Google Data usando Google Takeout

• Cos'è Data Analytics e cosa è usato per

• Qual è la differenza tra Data and Information

• Create Gifs Utilizzando questo nuovo Data GIF Maker da Google Labs

• Cosa aspettarti quando scarica Facebook Data History

• Data Recovery Software: recupera file e cartelle cancellati

• Cancella Cookies, Site Data, Cache per sito specifico: Chrome Edge Firefox

• EaseUS Data Recovery Wizard Free ti consente di recuperare i dati persi o cancellati

• Disabilita Telemetry & Data Collection in Windows 10 utilizzando Task Scheduler