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.
The most popular tool used when mining is
artificial intelligence (AI). AI technologies try to
work the way the human brain works, by making
intelligent guesses, learning by example, and
using deductive reasoning. Some of the more
popular AI methods used in data mining include
neural networks, clustering, and decision trees.
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:

Интеллектуального анализа данных является просто фильтрация через большойколичество необработанных данных за полезную информацию,дает компании конкурентное преимущество. ЭтоИнформация состоит из значимых шаблонови тенденции, которые уже находятся в данных, но былиранее невиданные.Наиболее популярный инструмент, используемый при добычеискусственный интеллект (ии). AI технологии пытаютсяработе так, как человеческий мозг работает, делаяинтеллигентая(ый) догадки, обучения, например, ииспользуя дедуктивный. Некоторые из наиболеепопулярные методы AI, используемых в интеллектуальном анализе данных включаютНейронные сети, кластеризация и деревья принятия решений.Нейронные сети смотреть на правила использования данных,которые основаны на соединениях, нашли илиобразец набора данных. Как результат, программное обеспечениепостоянно анализирует значение и сравнивает его сдругие факторы и сравнивает эти факторыдо тех пор, пока он находит новые узоры. ЭтиУзоры известны как правила. Затем программное обеспечениевыглядит для других моделей, основанных на этих правил илипосылает сигнал тревоги, когда ударил значение триггера.Кластеризация разделяет данные на группы на основеаналогичные функции или ограниченных данных диапазонов. Кластерыиспользуются при данных не помечены таким образом, что являетсяблагоприятными для добычи. К примеру страхованиеКомпания, которая хочет найти случаев мошенничестване имеют свои записи помечены как мошенническиеили не мошеннической. Но после анализа характерныхв рамках кластеров интеллектуального программного обеспечения может начатьвыяснить правила, которые указывают на какие претензиивероятно быть ложным.Деревья принятия решений, как кластеры, отделить данныена подмножества и затем анализировать подмножества дляРазделите их на дальнейшие подмножества, и так далее (длянесколько уровней). Окончательный подмножества, тодостаточно небольшой, что процесс добычи можно найтиИнтересные узоры и отношения внутриданные.После выявления данных, которые будут добываться, ондолжно быть очищено. Чистки данных освобождает его отповторяющиеся данные и ошибочных данных. Далее,данные должны храниться в едином форматев рамках соответствующей категории или поля. Средства интеллектуального анализаможет работать со всеми типами хранения данных, скрупных хранилищ данных меньше Рабочий столбазы данных в плоских файлах. Хранилища данных и данныхвитрины являются методы хранения, которые включают архивированиебольшое количество данных таким образом, что делает его легкодля доступа при необходимости.Когда процесс завершится, добычапрограммное обеспечение генерирует отчет. Аналитик переходитчтобы увидеть, если дальнейшая работа должна бытьсделано, например, уточнение параметров, с помощью другихинструменты анализа данных для изучения данных, или дажеслом данные, если она непригодна. Если не далеетребуется работа, отчет переходит клиц, принимающих решения, для принятия соответствующих мер.Сила интеллектуального анализа данных, которая используется длямногих целей, например для анализа ВерховныйСудебные решения, открывать закономерности в области здравоохраненияУход, потянув рассказы о конкурентах отиздания, решение узких мест в производствепроцессы и анализ последовательностей в геномегенетический состав. Существует действительно нет пределаТип бизнеса или области исследования, где данныедобыча может быть полезным.

Результаты (русский) 2:

Интеллектуальный анализ данных просто фильтрации через большие
количествах сырых данных для полезной информации, которая
дает компаниям конкурентное преимущество. Это
информация из значимых моделей
и тенденций, которые уже находятся в данных, но были
ранее невидимое.
Самый популярный инструмент, используемый при добыче является
искусственный интеллект (AI). Технологии AI пытаются
работать так, как работает человеческий мозг, делая
разумные предположения, обучение на примере, и
с помощью дедуктивного рассуждения. Некоторые из наиболее
популярных методов искусственного интеллекта, используемых в горнодобывающей промышленности данных включают
нейронные сети, кластеризация и деревья решений.
нейронные сети рассмотрим правила использования данных,
которые основаны на соединениях, найденных или на
выборочной совокупности данных. В результате, программа
непрерывно анализирует значение и сравнивает его с
другими факторами, и сравнивает эти факторы
до тех пор, пока не найдет образцы возникающих. Эти
структуры известны как правила. Затем программное обеспечение
выглядит для других моделей, основанных на данных правилах или
посылает сигнал тревоги, когда ударил значение триггера.
Кластеризация делит данные на группы по
сходные черты или ограниченных диапазонов данных. Кластеры
используются, когда данные не помечены таким образом, что является
благоприятным для горнодобывающей промышленности. Например, страхование
компания, которая хочет найти случаев мошенничества
не было бы его записи помечены как мошенническое
или не подделаны. Но после анализа образцы
в кластерах, добыча программное обеспечение может начать
выяснить правила, которые указывают на которых требования
, вероятно, будут ложными.
деревья решений, как кластеры, разделение данных
на подмножества, а затем проанализировать подмножества в
разделить их на дальнейшие подмножеств и так далее (по
несколько более уровней). Окончательные подмножества, то
достаточно мал, что процесс добыча может найти
интересные образцы и отношения в пределах
данных.
После того, как данные, которые должны быть минных идентифицируется, то
должны быть очищены. Очистка данных освобождает его от
дублирования информации и ошибочных данных. Далее,
эти данные должны быть сохранены в едином формате
в соответствующих категориях или областях. Добыча инструменты
могут работать со всеми типами хранения данных, от
больших хранилищ данных для небольших настольных
баз данных в плоские файлы. Хранилища данных и данных
витрин методы хранения данных, которые включают архивирования
больших объемов данных таким образом, что позволяет легко
получить доступ к когда это необходимо.
Когда процесс будет завершен, добыча
Программное обеспечение генерирует отчет. Аналитик переходит
доклада чтобы увидеть, если дальнейшая работа должна быть
сделано, например, параметров переработки, с помощью других
инструментов анализа данных для изучения данных, или даже
слом данные, если это непригодным для использования. Если нет дальнейшего
работы не требуется, в докладе переходит к
лицам, принимающим решения для принятия соответствующих мер.
мощность добычи данных используется для
многих целей, например, для анализа Верховный
решения суда, открывая закономерности в области здравоохранения
помощи, потянув истории о конкурентах из
лент, решения узких мест в производственных
процессах, а также анализ последовательностей в человеческом
генетической. Там действительно нет ограничений на
тип бизнеса или области исследования, где данные
добыча может быть полезным.

Результаты (русский) 3:

Сбор данных - это просто фильтрация через большое
объем необработанных данных в полезную информацию,
предоставляет предприятиям повысить свою конкурентоспособность. Это
информация состоит из закономерностей
и тенденции, которые уже находятся в данных, но были
ранее невидимые.
наиболее популярных инструментов, используемых при добыче полезных ископаемых является
искусственного интеллекта (AI). ИИ технологии попытаться
работы человеческий мозг работает, в процессе принятия решений
Интеллектуальная должны догадаться, обучения, например, и
с помощью ход рассуждения. Некоторые из более
популярные AI методы, используемые в данных, добыча данных включают в себя
нейронные сети, кластеризация, и деревьев.
нейронные сети правила использования данных,
которые основаны на соединения не обнаружены или на
a выборке данных. В результате, программное обеспечение
постоянно анализирует значение и сравнивает его с
других факторов,и сравнивает эти факторы
, до тех пор пока не найдет моделей. Эти
моделей, известны как правил. После этого программное обеспечение
выглядит для других моделей на основе этих правил или
посылает сигнал тревоги, когда значение триггера хит.
кластеризация распределяет данные в группы по
аналогичные функции или ограниченные данные диапазоны. Кластеры
используются, когда данные не обозначенному таким образом, что это
благоприятных для добычи полезных ископаемых.Например, страхование
компании, которая хочет найти случаи мошенничества
бы не его отчеты обозначенному как мошеннические
или не подтасованной. Но после анализа структуры
внутри групп, программное обеспечение может начать
рис. правила, которые указывают на претензии
могут быть ложные.
деревья решений, как и в кластерах, разделения данных
на подпакеты, затем проанализировать подмножества
Разделите их в дальнейшем подмножества, и т.д. (для
на несколько уровней). В заключительном подмножества, а затем
малых достаточно того, что добыча полезных ископаемых процесс можно найти
интересные модели и отношений в рамках
данных.
после того, как данные, которые должны быть позднее, она
должна быть пересмотрена. Чистки данных освобождает его от
дублировать информацию и ошибочные данные. Далее,
данные должны храниться в едином формате
В рамках соответствующих категорий или полей. Строительное оборудование
может работать со всеми типами данных системы хранения данных, от
больших хранилищ данных для небольших настольных
баз данных для плоских файлов. хранилищ данных и данных
витрин, методов хранения, архивации
большие объемы данных, что делает легко
для доступа к при необходимости.
после завершения процесса добычи
программное обеспечение генерирует отчет.Аналитик по
доклад см. Если необходимо продолжить работу по
, таких как уточнение параметров, с помощью других
средства анализа данных для рассмотрения данных, или даже
утилизацией данных, если его непригодным для использования. Если нет дальнейшего
работы не требуется, в докладе в
директивных органов для принятия соответствующего решения.
мощность добычи данных используется для
многих целей, таких, как анализ Верховный
Решения Суда, обнаружение в
уход, потянув за рассказы о конкурентов от
для подписчиков, устранение узких мест в производстве
процессов, и анализа последовательностей в области
генетической структуры. Нет ограничения на
тип бизнеса или в области изучения данных
добыча полезных ископаемых может быть выгодным.