, hvorfor bruge data mining.to vigtige grunde at bruge minedrift:,, for meget og for lidt information, er der behov for at få nyttige oplysninger fra data, og at fortolke data, der står over for enorme mængder data, menneskelige analytikere uden særlige værktøjer kan ikke længere mening.men mine kan automatisere at skabe forbindelser og mønstre i rå og resultaterne kan enten anvendes i et automatisk beslutningsstøttesystem eller vurderet af en analytiker.det er derfor at anvende, især inden for videnskab og forretningsområder, der skal analysere store mængder data til at opdage tendenser, som de ellers ikke ville finde.,,, hvis vi forstår at afsløre værdifuld viden gemt i rå data, data, kan være en af vores mest værdifulde aktiver.mens dataminering er det værktøj, at udvinde diamanter af viden fra deres historiske data og forudsige resultaterne af fremtidige situationer.en historie, brife datamining, ordet "udvinding" blev indført i 1990 'erne, men er udviklingen af et område med en lang historie.,, rødder er sporet tilbage med tre familie linjer: klassisk statistikker, kunstig intelligens, og maskinens læring.,, satistics er grundlaget for de fleste teknologier som dataminering er bygget, f.eks. regressionsanalyse, standard, distribution, standad afvigelse, standard varians, diskriminantanalysen, kompleks analyse, og konfidensintervaller.alle disse anvendes til undersøgelse af data og data forhold.,, kunstig intelligens, eller ai, som er bygget på heuristiske i modsætning til statistikker, forsøg på at anvende menneskelige tænkte som forarbejdning til statistiske problemer.visse ai begreber, som blev vedtaget af visse avancerede kommercielle produkter, som f.eks. søgning optimering moduler til hr. jatt.com | gratis downloade punjabi musik og| 3gp mp4 mp3 - sange og| relationel database forvaltningssystemer (rdbms).,, maskinindlæring er eu - statistikker og ai.det kunne betragtes som en udvikling af ai, fordi det blandinger ai heuristiske med avanceret statistisk analyse.maskinindlæring forsøg på at lade computerprogrammer lære om de data, de studerer, således at programmerne gør forskellige beslutninger baseret på de kvaliteter af undersøgt ved hjælp af statistikker for de grundlæggende begreber, og at tilføje mere avancerede ai heuristiske algoritmer og for at nå sine mål.,, minedrift, som på mange måder er grundlæggende tilpasning af maskinindlæring teknikker til ansøgninger.datamining kan bedst beskrives som eu af historiske og den seneste udvikling i statistikkerne, ai, og maskinens læring.disse teknikker anvendes derefter sammen til undersøgelse af data og finde hidtil skjulte tendenser og mønstre indenfor.,, hvordan den aktuelle situation?,, sammenslutningen regel:,, associering er at finde interessant sammenslutninger mellem attributter, der er indeholdt i en database.denne teknik er også kendt som marked kurv analyse.baseret på den frekvens, der tæller antallet af poster, forekomme i tilfælde (dvs. en kombination af punkter), sammenslutningen regel siger, hvis punkt x er en del af begivenheden, så hvad er den procentdel af punkt g er også en del af denne begivenhed.,, klynger, klynger bruges ofte til at finde passende grupperinger af elementer til et sæt af data.i modsætning til beslutning træer, vi diskuterer, klynger er en slags undirected viden opdagelse eller ukontrolleret læring; det er, at der ikke er nogen mål område, og forholdet mellem de data, der er identificeret ved bottom - up - tilgang.,, beslutning træer, træer, beslutning udfører klassificering ved opbygningen af et træ på grundlag af en uddannelse, tilfælde med blade under klasse etiketter.træet er rejst for hver prøvning instans til at finde et blad, og klasse af blade er, at den forventede klasse.det er et direkte kendskab til opdagelse i den forstand, at der er et særligt område, hvis værdi, vi ønsker at forudsige.,, netværk, netværk er ofte repræsenteret som et lag række indbyrdes forbundne forarbejdningsvirksomheder.disse forarbejdningsvirksomhed knudepunkter er ofte benævnes neurodes, og som angiver, at et forhold med neuronerne i hjernen.hver node er et vejet tilknytning til flere andre knudepunkter i tilgrænsende lag.de enkelte knudepunkter tage oplysninger fra forbundet med hinanden og bruger vægte sammen for at beregne output - værdier.,