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 pattern
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:

Интеллектуальный анализ данных просто фильтрации через большиеколичество необработанных данных за полезную информацию,дает конкурентное преимущество бизнеса. ЭтоИнформация состоит из конструктивного шаблонаи тенденции, которые уже находятся в данных, но былиранее невидимых.Наиболее популярный инструмент, используемый при добычеискусственный интеллект (ии). AI технологий пытаютсяработе так, как человеческий мозг работает, делаяинтеллигентая(ый) догадки, обучения, например, ис помощью дедуктивного мышления. 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 основываются на соединения нашли или наобразец набора данных. Как результат, программное обеспечениепостоянно анализирует значение и сравнивает его сдругие факторы и сравнивает эти факторыдо тех пор, пока он находит новые шаблоны. ЭтиУзоры известны как правила. Затем программное обеспечениевыглядит для других моделей, основанных на этих правил илипосылает сигнал тревоги, когда хит значение триггера.Кластеризация разделяет данные на группы, основанные нааналогичные функции или ограниченных данных диапазонов. Кластерыиспользуются при данных не помечены таким образом, что являетсяблагоприятные для горнодобывающей промышленности. Например страхованиеКомпания, которая хочет найти случаи мошенничестване имеют свои записи помечены как мошенничестваили не мошенничества. Но после анализа шаблоновв кластерах интеллектуального программного обеспечения может начатьвыяснить, правила, которые указывают на какие претензиивероятно быть ложным.Деревья принятия решений, как кластеры, отделить данныена подмножества и затем проанализировать подмножествами, чтобыРазделите их на дальнейшее подмножества, и так далее (длянесколько уровней). Окончательный подмножеств, затемдостаточно маленький, что процесс интеллектуального анализа можно найтиИнтересные узоры и отношения внутриданных.Как только данные, которые будут добываться определена, онадолжно быть очищено. Чистки данных освобождает его отповторяющиеся данные и ошибочных данных. Далее,данные должны храниться в едином форматев пределах соответствующих категорий или поля. Средства интеллектуального анализаможет работать со всеми типами хранения данных, открупных хранилищ данных для небольших настольныхбазы данных в плоских файлах. Хранилища данных и данныхкиоски 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 является непригодным для использования. Если не дальшетребуется работа, отчет переходит клиц, принимающих решения, для принятия надлежащих мер.Возможности интеллектуального анализа данных используется длямногих целей, например для анализа ВерховныйСудебные решения, открывая структур в области здравоохраненияУход, потянув рассказы о конкурентах отиздания, разрешение узкие места в производствепроцессы и анализ последовательностей в человекагенетический состав. Существует действительно нет пределаТип бизнеса или области исследования где данныедобыча может быть полезным.

Результаты (русский) 2:

Интеллектуальный анализ данных просто фильтрации через крупных
количествах сырых данных для полезной информации, которая
дает предприятиям конкурентные преимущества. Это
информация из значимого рисунком
и тенденций, которые уже находятся в данных, но были
ранее невидимое.
Самый популярный инструмент, используемый при добыче является
искусственный интеллект (ИИ). Технологии AI попробовать
работать так, как человеческий мозг работает, делая
интеллектуальные догадки, обучение на примере, и
с помощью дедуктивного рассуждения. Некоторые из более
популярных методов ИИ, используемых в горнодобывающей промышленности данных включают
нейронные сети, кластеризация и деревья решений.
Нейронные сети рассмотрим правила использования данных,
которые основаны на связях, найденных или
образца набора данных. В результате, программа
постоянно анализирует значение и сравнивает его с
другими факторами, и сравнивает эти
факторы, пока не найдет образцы возникающих. Эти
шаблоны известны как правила. Затем программное обеспечение
выглядит для других моделей, основанных на этих правил или
посылает сигнал тревоги, когда ударил значение триггера.
Кластеризация делит данные на группы по
аналогичными функциями 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
выяснить правила, которые указывают на которых
требования, вероятно, будут ложными.
Деревья решений, как кластеры, отделить данные
на подмножества, а затем проанализировать подмножества в
делить их в дальнейших подмножеств и так далее (по
несколько более уровней). Окончательные подмножества, то
достаточно мал, что процесс добыча можете найти
интересные закономерности и взаимосвязи в пределах
данных.
После того, как данные будут добываться идентифицирован, то
должны быть очищены. 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 настольных
баз данных в плоские файлы. Хранилища данных и данные
витрины 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 нет дальнейшего
работа не требуется, отчет 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 историй о конкурентах из
Newswires, решения узких мест в производственных
процессах, а также анализ последовательностей в человеческом
генетическом. Там действительно нет предела
вида бизнеса или области исследования, где данные
добыча может быть полезным.

Результаты (русский) 3:

data mining, просто фильтрации через крупные
количество необработанных данных в полезную информацию, что
дает предприятиям конкурентное преимущество.это
информации состоит из значимых схеме
и тенденций, которые уже в данных, но были
ранее невиданных.
наиболее популярным инструментом, когда добыча
искусственного интеллекта (ма).ма технологий пытаются
работать так, как человеческий мозг работает, сделав
умный догадки, обучения, например, и
с использованием дедуктивное умозаключение.некоторые более
популярность ма методы, используемые в данных включают
нейронных сетей, кластеры, и решение деревьев.
нейронных сетей взглянуть на правил использования данных,
, которые основаны на связи, найти или
выборки данных.в результате, программное обеспечение,
постоянно анализа стоимости и сравнивает ее с
другие факторы,и он сравнивает эти факторы
неоднократно до тех пор, пока она не считает модели новых.эти
моделей известны как правила.программное обеспечение, тогда
выглядит для других моделей на основе этих правил или
отправляет сигнал тревоги, когда повышенной стоимости подбит.
кластеризации делится на группы на основе данных ", аналогичные характеристики или ограниченные данные квот.кластеры
используются в тех случаях, когда данные не назвал, так что это
благоприятные для добычи.