Data mining is simply filtering thr

Data mining is simply filtering through large amounts of raw data for useful information that gives businesses a competitive edge. This information is made up of meaningful patterns and trends that are already in the data but were previously unseen.

Neural networks look at the rules of using data, which are based on the connections found or on a sample set of data. As a result, the software continually analyses value and compares it to the other factors, and it compares these factors repeatedly until it finds patterns emerging. These patterns are known as rules. The software then looks for other patterns based on these rules or sends out an alarm when a trigger value is hit.

Clustering divides data into groups based on similar features or limited data ranges. Clusters are used when data isn't labelled in a way that is favourable to mining. For instance, an insurance company that wants to find instances of fraud wouldn't have its records labelled as fraudulent or not fraudulent. But after analysing patterns within clusters, the mining software can start to figure out the rules that point to which claims are likely to be false.

Decision trees, like clusters, separate the data into subsets and then analyse the subsets to divide them into further subsets, and so on (for a few more levels). The final subsets are then small enough that the mining process can find interesting patterns and relationships within the data.

Once the data to be mined is identified, it should be cleansed. Cleansing data frees it from duplicate information and erroneous data. Next, the data should be stored in a uniform format within relevant categories or fields. Mining tools can work with all types of data storage, from large data warehouses to smaller desktop databases to flat files. Data warehouses and data marts are storage methods that involve archiving large amounts of data in a way that makes it easy to access when necessary.

When the process is complete, the mining software generates a report. An analyst goes over the report to see if further work needs to be done, such as refining parameters, using other data analysis tools to examine the data, or even scrapping the data if it's unusable. If no further work is required, the report proceeds to the decision makers for appropriate action.

The power of data mining is being used for many purposes, such as analysing Supreme Court decisions, discovering patterns in health care, pulling stories about competitors from newswires, resolving bottlenecks in production processes, and analysing sequences in the human genetic makeup. There really is no limit to the type of business or area of study where data mining can be beneficial.

Результаты (русский) 1:

Интеллектуальный анализ данных просто фильтрации больших объемов необработанных данных за полезную информацию, которая дает конкурентное преимущество бизнеса. Эта информация состоит из значимых форм и тенденций, которые уже находятся в данных, но были ранее невидимых. Нейронные сети смотреть на правила с использованием данных, которые основаны на соединения нашли или образец набора данных. В результате программное обеспечение постоянно анализирует значение и сравнивает его с другими факторами, и сравнивает эти факторы неоднократно до тех пор, пока он находит новые шаблоны. Эти шаблоны называются правилами. Затем программное обеспечение выглядит для других моделей, основанных на этих правил или посылает сигнал тревоги, когда хит значение триггера. Кластеризация разделяет данные на группы, основанные на аналогичные функции или ограниченных данных диапазонов. Кластеры используются, когда данные не помечены таким образом, что является благоприятным для горнодобывающей промышленности. Например страховой компании, которая хочет найти случаев мошенничества не будет иметь свои записи, помечены как мошеннической или не мошеннических. Но после анализа шаблонов внутри кластеров, интеллектуального программного обеспечения может начать выяснить, правила, которые указывают на какие претензии могут быть ложными. Деревья принятия решений, как кластеры, разделить подмножества данных и затем проанализировать подмножествами, чтобы разделить их на дальнейшее подмножества, и так далее (для несколько уровней). Затем окончательный подмножества достаточно мал, что процесс интеллектуального анализа можно найти интересные модели и отношения в пределах данных. Как только данные, которые будут добываться определена, она должно быть очищено. Чистки данных освобождает его от дублирования информации и ошибочных данных. Далее данные должны храниться в едином формате в рамках соответствующей категории или поля. Горнодобывающая инструменты могут работать со всеми типами хранения данных, от крупных хранилищ данных для небольших настольных баз данных в плоских файлах. Хранилища данных и киоски данных являются методы хранения, которые включают хранение больших объемов данных таким образом, что делает его легко получить доступ, когда это необходимо. Когда процесс завершится, добыча программное обеспечение генерирует отчет. Аналитик идет над отчет, чтобы увидеть, если предстоит дальнейшая работа, например, уточнение параметров, с помощью других средств анализа данных для изучения данных или даже слом данные, если он является непригодным для использования. Если требуется без дальнейшей работы, доклад исходит директивным органам для принятия надлежащих мер. Возможности интеллектуального анализа данных используется для многих целей, например для анализа решения Верховного суда, обнаружения структур в сфере здравоохранения, потянув рассказы о конкурентах от newswires, урегулирования проблем в производственных процессах и анализа последовательностей в человеческий генетический состав. Есть действительно никаких ограничений типа бизнеса или области исследования где интеллектуального анализа данных может быть полезным.

Результаты (русский) 2:

Интеллектуальный анализ данных просто фильтрации через больших количествах сырых данных для полезной информации, что дает предприятиям конкурентные преимущества. Эта информация состоит из значимых моделей и тенденций, которые уже находятся в данных, но ранее были невидимыми. Нейронные сети рассмотрим правила использования данных, основанных на связях, найденных или на выборочной совокупности данных. В результате, программа постоянно анализирует значение и сравнивает его с другими факторами, и сравнивает эти факторы, пока не найдет образцы возникающих. Эти модели известны как правила. Затем программное обеспечение ищет других моделей, основанных на этих правил или посылает сигнал тревоги, когда ударил значение триггера. Кластеризация делит данные на группы на основе аналогичных функций или ограниченных диапазонов данных. Кластеры используются, когда данные не помечены таким образом, что является благоприятным для добычи. Например, страховая компания, которая хочет найти случаев мошенничества не было бы его записи помечены как мошенническое или не мошенническими. Но после анализа образцы в кластерах, добыча программное обеспечение может начать, чтобы выяснить правила, которые указывают на которых требования, вероятно, будут ложными. Деревья решений, как кластеры, отделить данные на подмножества, а затем проанализировать подмножества разделить их на дальнейшие подмножеств и так далее (в течение еще ​​нескольких уровнях). Окончательные подмножества, то достаточно мал, что процесс добыча можете найти интересные закономерности и взаимосвязи в пределах данных. После того, как данные будут добываться идентифицирован, он должен быть очищен. Очищение данных освобождает его от дубликата информации и ошибочных данных. Далее, данные должны храниться в едином формате в соответствующих категориях или областях. Добыча инструменты могут работать со всеми типами хранения данных, от больших хранилищ данных для небольших баз данных настольных плоских файлов. Хранилища данных и витрины данных являются методы хранения, которые связаны архивирования больших объемов данных таким образом, что позволяет легко получить доступ к при необходимости. Когда процесс будет завершен, добыча программное обеспечение генерирует отчет. Аналитик переходит доклада чтобы увидеть, если дальнейшая работа должна быть сделано, например, в качестве параметров переработки, с помощью других инструментов анализа данных для изучения данных, или даже слом данные, если это непригодным для использования. Если дальнейшая работа не требуется, отчет переходит к лицам, принимающим решения для принятия соответствующих мер. Мощность добычи данных используется для многих целей, таких как анализ решения Верховного Суда, открывая закономерности в здравоохранении, потянув историй о конкурентах из Newswires, решения узких мест в производственных процессах, а также анализ последовательностей в генетическом человека. Там действительно нет предела от типа бизнеса или области исследования, где добыча данных может быть полезным.

Результаты (русский) 3:

data mining, просто фильтрации через большое количество необработанных данных в полезную информацию, которая дает предприятиям конкурентное преимущество.эта информация состоит из реальных моделей и тенденций, которые уже в данных, но ранее невиданных.

нейронных сетей смотрите правила использования данных, которые основаны на связи или по выборке, набор данных.в результате,программное обеспечение постоянно анализа стоимости и сравнивает ее с другими факторами, и он сравнивает эти факторы неоднократно до тех пор, пока она не считает модели новых.эти модели, как известно, как правила.программное обеспечение, то выглядит для других моделей на основе этих правил или отправляет сигнал, когда повышенной стоимости сбит.

кластеризации делится на группы на основе данных аналогичные характеристики или ограниченные данные квот.кластеры используются в тех случаях, когда данные не назвал, таким образом, благоприятных для добычи.например, страховой компании, которая хочет найти случаи мошенничества не было отчетов называют мошенническими или не поддельные.но после анализа моделей в кластеры, горнодобывающей промышленности программного обеспечения могут начать понять правила, которые указывают на какие требования могут быть поддельными.

решение деревья,как группы, отдельные данные в группе, а затем анализировать поведение разделить их в дополнительные наборы, и так далее (на несколько уровней).окончательный подгрупп затем невелика, так что процесс добычи могут найти интересные закономерности и отношений в рамках данных.

после того, как данные добывать установлена, это должно быть очищено.