تکنیک های داده کاوی چیست

تکنیک های داده کاوی چیست

1. طبقه بندی:

این تجزیه و تحلیل برای بازیابی اطلاعات مهم و مرتبط در مورد داده ها و فراداده ها استفاده می شود. این روش داده کاوی به طبقه بندی داده ها در کلاسهای مختلف کمک می کند.

2. خوشه بندی:

تجزیه و تحلیل خوشه ای یک روش داده کاوی برای شناسایی داده هایی است که مانند یکدیگر هستند. این فرایند به درک تفاوت ها و شباهت های داده کمک می کند.

3. رگرسیون:

تجزیه و تحلیل رگرسیون ، روش داده کاوی برای شناسایی و تجزیه و تحلیل رابطه بین متغیرها است. با توجه به وجود متغیرهای دیگر ، برای شناسایی احتمال یک متغیر خاص استفاده می شود.

4. قوانین انجمن:

این روش داده کاوی به یافتن ارتباط بین دو یا چند مورد کمک می کند. این یک الگوی پنهان را در مجموعه داده کشف می کند.

5. تشخیص بیرونی:

این نوع تکنیک داده کاوی به مشاهده موارد داده در مجموعه داده اشاره دارد که با الگوی مورد انتظار یا رفتار مورد انتظار مطابقت ندارند. از این روش می توان در حوزه های مختلفی مانند نفوذ ، شناسایی ، تقلب یا تشخیص خطا و غیره استفاده کرد. همچنین به شناسایی بیرونی Outlier Analysis یا Outlier mining گفته می شود.

6. الگوهای متوالی:

این روش داده کاوی به کشف یا شناسایی الگوها یا روندهای مشابه در داده های معامله برای دوره خاص کمک می کند.

7. پیش بینی:

پیش بینی از ترکیبی از سایر تکنیک های داده کاوی مانند روندها ، الگوهای پی در پی ، خوشه بندی ، طبقه بندی و غیره استفاده کرده است. این رویدادها یا موارد گذشته را در یک توالی مناسب برای پیش بینی یک رویداد آینده تجزیه و تحلیل می کند.

تکنیک های داده کاوی

چالش های پیاده سازی داده کاوی:

  • برای تدوین سوالات داده کاوی به متخصصان ماهر نیاز است.
  • نصب بیش از حد: به دلیل کوچک بودن پایگاه داده آموزش ، ممکن است یک مدل متناسب با حالات آینده نباشد.
  • داده کاوی به پایگاه داده های بزرگی نیاز دارد که مدیریت آنها گاهی اوقات دشوار است
  • ممکن است برای تعیین استفاده از اطلاعات کشف شده ، نیاز باشد که شیوه های تجاری اصلاح شود.
  • اگر مجموعه داده متنوع نباشد ، نتایج داده کاوی ممکن است دقیق نباشد.
  • اطلاعات یکپارچه سازی مورد نیاز از پایگاه های داده ناهمگن و سیستم های اطلاعات جهانی می تواند پیچیده باشد

نمونه های داده کاوی:

مثال 1:

یک مدیر بازاریابی خدمات مخابراتی را در نظر بگیرید که می خواهد درآمد خدمات طولانی مدت را افزایش دهد.  بالا  رفتن فروش و تلاش های بازاریابی وی و مشخصات مشتری مهم است. وی دارای اطلاعات گسترده ای از اطلاعات مشتری مانند سن ، جنس ، درآمد ، سابقه اعتبار و غیره است اما تعیین ویژگی افرادی که تماس های از راه دور را ترجیح می دهند با تجزیه و تحلیل دستی غیرممکن است. با استفاده از تکنیک های داده کاوی ، او ممکن است الگوهایی را بین کاربران  و ویژگی های آنها کشف کند.

به عنوان مثال ، ممکن است یاد بگیرد که بهترین مشتری هایش  زنانی متاهل بین 45 تا 54 سال هستند که بیش از 80 هزار دلار در سال درآمد دارند. تلاش های بازاریابی را می توان چنین جمعیتی مورد هدف قرار داد.

مثال 2:

یک بانک می خواهد راه های جدیدی را برای افزایش درآمد حاصل از عملکرد کارت اعتباری خود جستجو کند. آنها می خواهند بررسی کنند که اگر هزینه ها به نصف کاهش یابد ، استفاده از آنها دو برابر می شود یا خیر.

بانک چندین سال سابقه متوسط ​​مانده کارت اعتباری ، مبالغ پرداختی ، استفاده از محدودیت اعتباری و سایر پارامترهای اصلی را در اختیار دارد. آنها مدلی برای بررسی تأثیر سیاست جدید پیشنهادی کسب و کار ایجاد می کنند. نتایج داده ها نشان می دهد که کاهش هزینه ها به نصف برای یک مشتری هدفمند می تواند درآمد را 10 میلیون دلار افزایش دهد.

ابزارهای داده کاوی

در زیر 2 ابزار محبوب داده کاوی به طور گسترده در صنعت مورد استفاده قرار گرفته است

زبان R:

زبان R ابزاری منبع باز برای محاسبات آماری و گرافیک است. R دارای طیف گسترده ای از آزمون های آماری ، آماری کلاسیک ، تجزیه و تحلیل سری زمانی ، طبقه بندی و تکنیک های گرافیکی است. این امکان انتقال و ذخیره اطلاعات موثر را فراهم می کند.

داده کاوی اوراکل:

Oracle Data Mining معروف به ODM ماژولی از پایگاه داده تجزیه و تحلیل پیشرفته Oracle است. این ابزار داده کاوی به تحلیلگران داده اجازه می دهد تا بینش مفصلی ایجاد کرده و پیش بینی کنند. به پیش بینی رفتار مشتری ، ایجاد مشخصات مشتری ، شناسایی فرصت های فروش متقابل کمک می کند.

مزایای داده کاوی:

  • تکنیک داده کاوی به شرکت ها کمک می کند تا اطلاعات دانش بنیان را بدست آورند.
  • داده کاوی به سازمانها کمک می کند تا تنظیمات سودآوری را در عملکرد و تولید ایجاد کنند.
  • داده کاوی در مقایسه با سایر کاربردهای داده های آماری یک راه حل مقرون به صرفه و کارآمد است.
  • داده کاوی به روند تصمیم گیری کمک می کند.
  • پیش بینی خودکار روندها و رفتارها و همچنین کشف خودکار الگوهای پنهان را تسهیل می کند.
  • می تواند در سیستم های جدید و همچنین سیستم عامل های موجود پیاده سازی شود
  •  یک فرآیند سریع است که تجزیه و تحلیل مقدار زیادی از داده را در مدت زمان کمتر برای کاربران آسان می کند.

معایب داده کاوی

  • این احتمال وجود دارد که شرکت ها اطلاعات مفید مشتریان خود را به ازای پول به شرکت های دیگر بفروشند. به عنوان مثال ، American Express
  • خریدهای کارت اعتباری مشتریان خود را به شرکت های دیگر فروخته است.
  • کار کردن بسیاری از نرم افزارهای تجزیه و تحلیل داده کاوی دشوار است و برای کار کردن به آموزش قبلی نیاز دارد.
  • ابزارهای مختلف داده کاوی به دلیل الگوریتم های مختلفی که در طراحی آنها به کار رفته است ، در شیوه های مختلف کار می کنند. بنابراین ، انتخاب
  • ابزار صحیح داده کاوی کار بسیار دشواری است.
  • تکنیک های داده کاوی دقیق نیستند ، بنابراین می تواند در شرایط خاص عواقب جدی ایجاد کند.

لینک کوتاه مطلب:

https://b2n.ir/m56337

کاربرد شبکه عصبی در داده کاوی ، کاربرد شبکه های عصبی در پردازش تصویر ، شبکه عصبی در متلب  ، انواع شبکه عصبی ، شبکه عصبی به زبان ساده
بایاس در شبکه عصبی چیست ، کتاب شبکه های عصبی مصنوعی pdf ، شبکه های عصبی در هوش مصنوعی pdf

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

*

code

×

سلام!

 

× سوالی دارید؟ با ما چت کنید