รากฐานของการปฏิวัติอุตสาหกรรมครั้งที่สี่จะขึ้นอยู่กับข้อมูล^(Data)และ การ เชื่อม^{(Connectivity)} ต่อเป็นส่วน ใหญ่ บริการวิเคราะห์^{(Analysis Services)}ที่สามารถพัฒนาหรือสร้างโซลูชันการทำเหมืองข้อมูลจะมีบทบาทสำคัญในเรื่องนี้ สามารถช่วยในการวิเคราะห์และคาดการณ์ผลลัพธ์ของพฤติกรรมการซื้อของลูกค้า^{(customer purchasing behavior)}เพื่อกำหนดเป้าหมายผู้ซื้อที่มีศักยภาพ ข้อมูล^(Data)จะกลายเป็นทรัพยากรธรรมชาติใหม่ และกระบวนการดึงข้อมูลที่เกี่ยวข้องจากข้อมูลที่ไม่ได้เรียงลำดับนี้จะถือว่ามีความสำคัญอย่างมาก ดังนั้น ความเข้าใจที่ถูกต้องของคำศัพท์ – ^{(term –)} Data Miningกระบวนการ และแอปพลิเคชันสามารถช่วยเราในการพัฒนาแนวทางแบบองค์รวมสำหรับคำศัพท์นี้

ข้อมูลพื้นฐานเกี่ยวกับการทำเหมืองข้อมูล^{(Data Mining Basics)}และเทคนิคต่างๆ

การทำเหมืองข้อมูล หรือที่เรียกว่าKnowledge Discovery in Data ( KDD ) เป็นการค้นหาที่เก็บข้อมูลขนาดใหญ่เพื่อเปิดเผยรูปแบบและแนวโน้มที่นอกเหนือไปจากการวิเคราะห์ง่ายๆ อย่างไรก็ตาม นี่ไม่ใช่โซลูชันแบบขั้นตอนเดียว แต่เป็นกระบวนการหลายขั้นตอน และเสร็จสิ้นในขั้นตอนต่างๆ ซึ่งรวมถึง:

1] การรวบรวมข้อมูลและการเตรียมการ

เริ่มต้นด้วยการเก็บรวบรวมข้อมูลและการจัดระเบียบที่เหมาะสม ซึ่งช่วยเพิ่มโอกาสในการค้นหาข้อมูลที่สามารถค้นพบผ่านการทำเหมืองข้อมูลได้อย่างมาก

2] การสร้างแบบจำลองและการประเมินผล

ขั้นตอนที่สองในกระบวนการขุด^{(mining process)} ข้อมูล คือการประยุกต์ใช้เทคนิคการสร้างแบบจำลองต่างๆ สิ่งเหล่านี้ใช้เพื่อปรับเทียบพารามิเตอร์ให้เป็นค่าที่เหมาะสมที่สุด เทคนิคที่ใช้ส่วนใหญ่ขึ้นอยู่กับความสามารถในการวิเคราะห์ที่จำเป็นในการตอบสนองความต้องการขององค์กรและการตัดสินใจ

ให้เราตรวจสอบเทคนิคการทำเหมืองข้อมูลโดยสังเขป พบว่าองค์กรส่วนใหญ่รวมเทคนิคการทำเหมืองข้อมูลตั้งแต่สองเทคนิคขึ้นไปเข้าด้วยกันเพื่อสร้างกระบวนการที่เหมาะสมที่ตรงกับความต้องการทางธุรกิจของพวกเขา

อ่าน^(Read) : Big Data คืออะไร?

เทคนิคการทำเหมืองข้อมูล

1. Association –  Associationเป็นหนึ่งในเทคนิคการทำเหมืองข้อมูลที่เป็นที่รู้จักอย่างกว้างขวาง ภายใต้สิ่งนี้ รูปแบบจะถูกถอดรหัสตามความสัมพันธ์ระหว่างรายการในธุรกรรมเดียวกัน ดังนั้นจึง^(Hence)เรียกว่า เทคนิค ความสัมพันธ์ ^{(relation technique)}ผู้ค้าปลีกแบรนด์ใหญ่ใช้เทคนิคนี้ในการวิจัยพฤติกรรมการซื้อ/ความชอบของลูกค้า ตัวอย่างเช่น เมื่อติดตามพฤติกรรมการซื้อของผู้คน ผู้ค้าปลีกอาจระบุว่าลูกค้ามักซื้อครีมเมื่อซื้อช็อกโกแลต ดังนั้นแนะนำว่าครั้งต่อไปที่พวกเขาซื้อช็อกโกแลต พวกเขาอาจต้องการซื้อครีมด้วย
2. การจำแนกประเภท^{(Classification)} – เทคนิคการทำเหมืองข้อมูล^{(data mining technique)} นี้แตกต่างจากวิธีการข้าง ต้นในลักษณะที่อิงกับการเรียนรู้ของเครื่อง^{(machine learning)}และใช้เทคนิคทางคณิตศาสตร์ เช่นโปรแกรมเชิงเส้นตรง แผนผังการ^{(Linear programming)}ตัดสินใจโครง^(Decision)ข่ายประสาท^{(Neural network)}เทียม ในการจัดประเภท บริษัทพยายามสร้างซอฟต์แวร์ที่สามารถเรียนรู้วิธีจำแนกรายการข้อมูลออกเป็นกลุ่ม ตัวอย่างเช่น บริษัทสามารถกำหนดการจัดประเภทในแอปพลิเคชันที่ "ให้บันทึกทั้งหมดของพนักงานที่เสนอให้ลาออกจากบริษัท คาดการณ์จำนวนบุคคลที่มีแนวโน้มจะลาออกจากบริษัทในอนาคต" ภายใต้สถานการณ์ดังกล่าว บริษัทสามารถจำแนกบันทึกของพนักงานออกเป็นสองกลุ่มคือ "ลาออก" และ "อยู่" จากนั้นจึงใช้ข้อมูลได้ซอฟต์แวร์ขุด^{(mining software)}เพื่อจำแนกพนักงานออกเป็นกลุ่มต่างๆ ที่สร้างขึ้นก่อนหน้านี้
3. การทำ คลัสเตอร์^(Clustering) – ออบเจ็กต์ ต่างๆ^(Different)ที่มีลักษณะเหมือนกันจะถูกจัดกลุ่มเข้าด้วยกันในคลัสเตอร์เดียวผ่านระบบอัตโนมัติ คลัสเตอร์ดังกล่าวจำนวนมากถูกสร้างขึ้นเมื่อคลาสและอ็อบเจ็กต์ (ที่มีลักษณะคล้ายกัน) ถูกจัดวางไว้ในนั้นตามลำดับ เพื่อให้เข้าใจมากขึ้น ให้เราพิจารณาตัวอย่างการจัดการหนังสือ^{(book management)}ในห้องสมุด ในห้องสมุด หนังสือจำนวนมหาศาลได้รับการจัดหมวดหมู่ไว้อย่างครบถ้วน รายการประเภทเดียวกันจะถูกรวมเข้าด้วยกัน ทำให้เราค้นหาหนังสือที่เราสนใจได้ง่ายขึ้น ในทำนองเดียวกัน โดยใช้เทคนิคการจัดกลุ่ม^{(clustering technique)}เราสามารถเก็บหนังสือที่มีความคล้ายคลึงกันบางประเภทไว้ในคลัสเตอร์เดียวและกำหนดชื่อที่เหมาะสมให้กับหนังสือ ดังนั้น หากผู้อ่านกำลังมองหาหนังสือที่เกี่ยวข้อง^{(book relevant)}เพื่อความสนใจของเขา เขาเพียงไปที่ชั้นนั้นแทนที่จะค้นหาในห้องสมุดทั้งหมด ดังนั้นเทคนิคการจัดกลุ่ม^{(clustering technique)}จะกำหนดคลาสและวางอ็อบเจ็กต์ในแต่ละคลาส ในขณะที่เทคนิคการจำแนก ออบเจ็กต์จะถูกกำหนดเป็นคลาสที่กำหนดไว้ล่วงหน้า
4. การ ทำนาย^(Prediction) – การทำนายเป็นเทคนิคการทำเหมืองข้อมูล^{(data mining technique)}ที่มักใช้ร่วมกับเทคนิคการทำเหมืองข้อมูล^{(data mining technique)} อื่น ๆ มันเกี่ยวข้องกับการวิเคราะห์แนวโน้ม การจัดประเภทการจับคู่รูปแบบ^{(pattern matching)}และความสัมพันธ์ โดยการวิเคราะห์เหตุการณ์ในอดีตหรืออินสแตนซ์ตามลำดับ^{(sequence one)} ที่เหมาะสม เรา สามารถคาดการณ์เหตุการณ์ในอนาคตได้อย่างปลอดภัย ตัวอย่างเช่นเทคนิคการวิเคราะห์การคาดการณ์^{(prediction analysis technique)}สามารถใช้ในการขายเพื่อคาดการณ์กำไรในอนาคต หากการขายได้รับเลือกให้เป็นตัวแปรอิสระและกำไร^{(variable and profit)}เป็นตัวแปรที่ขึ้นอยู่กับการขาย จากนั้น จากข้อมูลการขายและกำไร^{(sale and profit data)} ในอดีต เราสามารถวาดเส้นโค้งการถดถอย^{(regression curve)}ที่เหมาะสมซึ่งใช้สำหรับการทำนาย^{(profit prediction)}กำไร
5. ต้นไม้การตัดสินใจ^{(Decision trees)} – ภายในแผนผังการตัดสินใจ^{(decision tree)}เราเริ่มต้นด้วยคำถามง่ายๆ ที่มีคำตอบหลายข้อ คำตอบแต่ละข้อนำไปสู่คำถามเพิ่มเติมเพื่อช่วยจัดประเภทหรือระบุข้อมูลเพื่อให้สามารถจัดหมวดหมู่ได้ หรือเพื่อให้สามารถคาดการณ์ตามคำตอบแต่ละข้อได้ ตัวอย่างเช่น เราใช้แผนผังการตัดสินใจต่อไปนี้เพื่อ^{(decision tree)}กำหนดว่าจะเล่นคริกเก็ตODI หรือไม่ : Data Mining Decision Tree : เริ่มต้นที่โหนดราก^{(root node)}หากพยากรณ์อากาศคาด^{(weather forecast)}การณ์ฝน เราควรหลีกเลี่ยงการแข่งขันสำหรับวันนั้น อีกทางหนึ่ง หากพยากรณ์อากาศ^{(weather forecast)}ชัดเจน เราควรเล่นเกมนี้

การทำเหมืองข้อมูล^{(Data Mining)}เป็นหัวใจสำคัญของความพยายามในการวิเคราะห์ในอุตสาหกรรมและสาขาวิชาต่างๆ เช่น การสื่อสาร การประกันภัย^(Insurance)การศึกษา การ^(Education)ผลิตการ^{(Manufacturing)}ธนาคารและการค้าปลีก^{(Banking and Retail)}และอื่นๆ ดังนั้นการมีข้อมูลที่ถูกต้องจึงเป็นสิ่งสำคัญก่อนที่จะใช้เทคนิคต่างๆ

What is Data Mining? Basics and its Techniques.

The foundation of the fourth industrial revolution will largely 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 ซอฟต์แวร์ขุดข้อมูลที่ดีที่สุด

• วิธีการใช้ Automatic Data Type feature ใน Excel

• BitLocker Setup ไม่สามารถส่งออกร้าน BCD (Boot Configuration Data)

• วิธีจัดการ Data Usage Limit บน Windows 10

• ไม่สามารถนำเข้า Registry File ไม่ใช่ทั้งหมด Data ถูกเขียนไปยังรีจิสทรี

• Data Analytics คืออะไรและมันใช้สำหรับอะไร

• Download and Backup Google Data ของคุณโดยใช้ Google Takeout

• Disk Drill สำหรับ Windows: Recover ตั้งใจลบไฟล์

• ใครเป็นเจ้าของ IoT Data Manufacturer, End User หรือบุคคลที่สาม?

• Google Chrome จะไม่ล้าง Browsing History and Data

• Burn เพื่อดิสก์สีเทาใน Windows 10; ไม่สามารถเผาไหม้ DVD

• 0xC0000098: Windows Boot Configuration Data ไม่มี OS entry

• ปิดใช้งาน Telemetry & Data Collection ใน Windows 10 โดยใช้ Task Scheduler

• เปิดใช้งาน, Disable Data Collection สำหรับ Reliability Monitor ใน Windows 10

• Dual Boot Repair Tool: Repair BCD Boot Configuration Data

• clear or delete Browsing History, Cookies, Data, Cache ใน Edge

• เปิดหรือ Off Diagnostic Data เกี่ยวกับ Narrator usage ใน Windows 10

• Renee Becca Data Backup Software สำหรับ Windows PC

• Microsoft Personal Data Dashboard ช่วยให้คุณตัดสินใจว่าข้อมูลของคุณใช้อย่างไร

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