De basis van de vierde industriële revolutie zal grotendeels afhangen van data en connectiviteit^{(Connectivity)} . Analysis Services die in staat zijn om datamining-oplossingen te ontwikkelen of te creëren, zullen hierbij een sleutelrol spelen. Het kan helpen bij het analyseren en voorspellen van de resultaten van het koopgedrag van klanten om potentiële kopers te targeten. Gegevens^(Data) zullen een nieuwe natuurlijke hulpbron worden en het proces van het extraheren van relevante informatie uit deze ongesorteerde gegevens zal enorm belangrijk worden. Als zodanig zou een goed begrip van de term Datamining , de processen en toepassing ervan ons kunnen helpen bij het ontwikkelen van een holistische benadering van dit modewoord.

Basisprincipes^{(Data Mining Basics)} van datamining en zijn technieken

Datamining, ook wel Knowledge Discovery in Data ( KDD ) genoemd, gaat over het doorzoeken van grote hoeveelheden gegevens om patronen en trends te ontdekken die verder gaan dan eenvoudige analyse. Dit is echter geen eenstapsoplossing maar een meerstappenproces en wordt in verschillende fasen doorlopen. Waaronder:

1] Gegevens verzamelen en voorbereiden

Het begint met het verzamelen van gegevens en de juiste organisatie ervan. Dit helpt bij het aanzienlijk verbeteren van de kansen om de informatie te vinden die kan worden ontdekt door middel van datamining

2] Modelbouw en evaluatie

De tweede stap in het dataminingproces is de toepassing van verschillende modelleringstechnieken. Deze worden gebruikt om de parameters op optimale waarden te kalibreren. De gebruikte technieken zijn grotendeels afhankelijk van de analytische capaciteiten die nodig zijn om een ​​scala aan organisatorische behoeften aan te pakken en om tot een besluit te komen.

Laten we in het kort enkele technieken voor datamining bekijken. Het is gebleken dat de meeste organisaties twee of meer dataminingtechnieken combineren om een ​​geschikt proces te vormen dat aan hun zakelijke vereisten voldoet.

Lees^(Read) : Wat is big data?^{(What is Big Data?)}

Dataminingtechnieken

1. Associatie –  ^{(Association – )}Associatie^{(Association)} is een van de algemeen bekende dataminingtechnieken. Op basis hiervan wordt een patroon ontcijferd op basis van een relatie tussen items in dezelfde transactie. Daarom^(Hence) wordt het ook wel de relatietechniek genoemd. Detailhandelaren van grote merken vertrouwen op deze techniek om de koopgewoonten/voorkeuren van klanten te onderzoeken. Bij het volgen van het koopgedrag van mensen kunnen detailhandelaren bijvoorbeeld vaststellen dat een klant altijd room koopt wanneer ze chocolaatjes kopen, en daarom suggereren dat ze de volgende keer dat ze chocolaatjes kopen, misschien ook room willen kopen.
2. Classificatie^{(Classification)} – Deze dataminingtechniek verschilt van de bovenstaande doordat deze gebaseerd is op machine learning en gebruikmaakt van wiskundige technieken zoals lineair^(Linear) programmeren, beslissingsbomen^(Decision) , neurale^(Neural)netwerk. Bij classificatie proberen bedrijven software te bouwen die kan leren hoe de gegevensitems in groepen kunnen worden ingedeeld. Een bedrijf kan bijvoorbeeld een classificatie in de toepassing definiëren die "gezien alle gegevens van werknemers die hebben aangeboden ontslag te nemen bij het bedrijf, het aantal personen kan voorspellen dat waarschijnlijk in de toekomst ontslag zal nemen bij het bedrijf." In een dergelijk scenario kan het bedrijf de gegevens van werknemers indelen in twee groepen, namelijk "vertrekken" en "blijven". Vervolgens kan het zijn dataminingsoftware gebruiken om de werknemers in eerder aangemaakte afzonderlijke groepen in te delen.
3. Clustering – Anders^(Different)objecten met vergelijkbare kenmerken worden via automatisering gegroepeerd in één cluster. Veel van dergelijke clusters worden gemaakt als klassen en objecten (met vergelijkbare kenmerken) dienovereenkomstig erin worden geplaatst. Laten we, om dit beter te begrijpen, eens kijken naar een voorbeeld van boekbeheer in de bibliotheek. In een bibliotheek is de enorme collectie boeken volledig gecatalogiseerd. Artikelen van hetzelfde type worden samen vermeld. Dit maakt het voor ons gemakkelijker om een ​​boek van onze interesse te vinden. Op dezelfde manier kunnen we door gebruik te maken van de clustertechniek, boeken die bepaalde overeenkomsten hebben in één cluster bewaren en er een geschikte naam aan toekennen. Dus als een lezer op zoek is naar een boek dat relevant is voor zijn interesse, hoeft hij alleen maar naar die plank te gaan in plaats van de hele bibliotheek te doorzoeken. De clustertechniek definieert dus de klassen en plaatst objecten in elke klasse,
4. Voorspelling^(Prediction) – De voorspelling is een dataminingtechniek die vaak wordt gebruikt in combinatie met de andere dataminingtechnieken. Het omvat het analyseren van trends, classificatie, patroonovereenkomst en relatie. Door gebeurtenissen of instanties uit het verleden in de juiste volgorde te analyseren, kan men een toekomstige gebeurtenis veilig voorspellen. De techniek van de voorspellingsanalyse kan bijvoorbeeld bij de verkoop worden gebruikt om toekomstige winst te voorspellen als de verkoop wordt gekozen als een onafhankelijke variabele en de winst als een van de verkoop afhankelijke variabele. Vervolgens kan men op basis van de historische verkoop- en winstgegevens een aangepaste regressiecurve tekenen die wordt gebruikt voor winstvoorspelling.
5. Beslisbomen^{(Decision trees)} – Binnen de beslisboom beginnen we met een eenvoudige vraag die meerdere antwoorden heeft. Elk antwoord leidt tot een volgende vraag om de gegevens te classificeren of te identificeren, zodat ze kunnen worden gecategoriseerd, of zodat een voorspelling kan worden gedaan op basis van elk antwoord. We gebruiken bijvoorbeeld de volgende beslissingsboom om te bepalen of we cricket ODI willen spelen : Datamining-beslissingsboom^{(Data Mining Decision Tree)} : Als de weersvoorspelling regen voorspelt, moeten we de wedstrijd voor die dag vermijden. Als alternatief, als de weersvoorspelling duidelijk is, moeten we de wedstrijd spelen.

Datamining vormt de kern van analyse-inspanningen in verschillende sectoren en disciplines, zoals communicatie, verzekeringen^(Insurance) , onderwijs^(Education) , productie^{(Manufacturing)} , bankwezen^(Banking) en detailhandel^(Retail) en meer. Daarom is het essentieel om over de juiste informatie te beschikken voordat u de verschillende technieken toepast.

What is Data Mining? Basics and its Techniques.

The foundatіon of the fourth industrial revolution will largelу depend uрon 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 Beste dataminingsoftware

• De functie Automatisch gegevenstype gebruiken in Excel

• BitLocker Setup kan de BCD-opslag (Boot Configuration Data) niet exporteren

• De limiet voor gegevensgebruik beheren op Windows 11/10

• Kan registerbestand niet importeren. Niet alle gegevens zijn naar het register geschreven

• Wat is het verschil tussen gegevens en informatie?

• Hoe LinkedIn-gegevens te downloaden met behulp van LinkedIn Data Export Tool

• Hoe MBR naar GPT te converteren zonder gegevensverlies in Windows 11/10

• CD/DVD Data Recovery-software om gegevens van CD DVD te herstellen

• Download en maak een back-up van uw Google-gegevens met Google Takeout

• Niet-toegewezen harde schijf repareren zonder gegevens te verliezen in Windows 10

• Hoe BCD of Boot Configuration Data-bestand opnieuw op te bouwen in Windows 11/10

• Renee Becca Data Backup Software voor Windows PC

• Hoe de functie Gegevens uit afbeelding invoegen te gebruiken in Excel

• Google Chrome wist de browsegeschiedenis en -gegevens niet

• BurnAware gratis download: gratis cd, dvd, Blu-Ray, HD-mediabrander

• 0xc0000098: Windows-opstartconfiguratiegegevens bevatten geen OS-invoer

• Wat zijn USB-gegevensblokkers? Beste USB-gegevensblokkers om op Amazon te kopen

• Ashampoo Burning Studio 2020 - Brand CD's, DVD's, Blu-rays GRATIS!

• Maak gifs met deze nieuwe Data GIF Maker van Google Labs