Als interdisziplinäres Fach. Data Mining integriert Datenbanken, Statistiken der künstlichen Intelligenz und andere Bereiche, und abstrakte Datenbanken, menschliche Intelligenz und mathematische Statistiken sind die Hauptpfeiler der Data Mining-Technologie. Der Hauptgrund für Data Mining sind Intelligenz, Entscheidungsfindung, Clustering und Finte. basierte Lernen. 1J! Yeasian-Lernen, grobes Set, Schnurrbart-Netzwerk, genetischer Algorithmus, statistische Analyse und andere Technologien. Übernahme von f1j-Datenstichproben (Datenproben auswählen), Datenexploration, steuerpflichtige Datenexploration und Clusteranalyse und -auswahl 1, Datenanpassung (Datengruppenunterteilung und -aufteilung), modelliertes [menschliches] neuronales Netzwerk. Entscheidungsmodell, mathematische Statistikanalyse und Zeit Sequenzanalyse und Bewertung (Schlussfolgerungssynthese und Bewertung, ob das Schiff repariert werden soll und ob neue Probleme auftreten) müssen möglicherweise wiederholt werden, um die Wasserqualität der Dinge zu ermitteln und das Problem ständig zu lösen. Klassifizierungsanalyse, Vorhersage und Abweichungserkennung, die Beziehung zwischen den Daten und dem Muster der Daten sind derzeit die am häufigsten verwendeten FHn: J Zu den Data-Mining-Technologien gehören: modulare Logik und Rough-Set-Methoden, genetische Algorithmen, Proximity-Suchalgorithmen usw. Funktionell Die Analysemethoden des Data Mining werden in vier Typen unterteilt: Korrelationsanalyse, Sequenzanalyse, Partitionsanalyse und Clusteranalyse. Assoziationsregeln: Assoziationsregeln, die Datenbeziehungen darstellen, werden in direkten kommerziellen Anwendungen verwendet. Das typischste Beispiel ist die Entdeckung einer Ladenkette Durch Data Mining wurde die intrinsische Beziehung zwischen I-Flag-Windeln und N-Bier ermittelt.
Expandieren
