Data Warehouse & Data Mining e

D-Salhra

പരസ്യങ്ങൾ അടങ്ങിയിരിക്കുന്നു

ഈ ആപ്പിനെക്കുറിച്ച്

ഈ ആപ്ലിക്കേഷനിൽ ഡേറ്റാ വെയ്‌റൗസ്, ഡാറ്റ മൈനിംഗ് എന്നിവയെക്കുറിച്ചുള്ള വിശദാംശങ്ങളിൽ കോഴ്‌സുകൾ + വ്യായാമങ്ങൾ + തിരുത്തൽ എന്നിവ കാണാം

ആദ്യം "ഡാറ്റ വെയർഹ house സ്" എന്താണ്? :

ഓർഗനൈസേഷനിൽ തീരുമാനങ്ങൾ എടുക്കാൻ സഹായിക്കുന്നതിന് ധാരാളം ഡാറ്റ അടങ്ങിയിരിക്കുന്ന ഒരു തരം ഡാറ്റാബേസാണ് ഇത്. സ്റ്റാർ-സ്റ്റാർ മോഡൽ എന്ന് വിളിക്കപ്പെടുന്ന വിശകലനത്തിന്റെ സൂചകങ്ങളിൽ നിന്നും അക്ഷങ്ങളിൽ നിന്നും ഉപയോക്താവിന് ആവശ്യമുള്ളതുമായി അതിന്റെ ആന്തരിക ഘടനയുടെ അനുരൂപമാണ് ഈ തരത്തിലുള്ള ഡാറ്റാബേസിന്റെ സവിശേഷത, അതിന്റെ ആപ്ലിക്കേഷനുകൾ: സിസ്റ്റങ്ങൾ തീരുമാന പിന്തുണയും ഡാറ്റ മൈനിംഗും.

നിരവധി ഇൻ‌പുട്ട്, അപ്‌ഡേറ്റ് പ്രവർ‌ത്തനങ്ങൾ‌ നടക്കുന്ന ആപ്ലിക്കേഷനുകളിൽ‌ ഉപയോഗിക്കുന്ന സാധാരണ ഡാറ്റാബേസുകളിൽ‌ നിന്നും ഡേറ്റയിൽ‌ നിന്നും വേർ‌തിരിച്ചെടുത്ത ഡാറ്റ ഡാറ്റ വെയർ‌ഹ ouses സുകളിൽ‌ സാധാരണയായി അടങ്ങിയിരിക്കുന്നു, കൂടാതെ ഡാറ്റ വെയർ‌ഹ ouses സുകളിലും അടങ്ങിയിരിക്കാം ടെക്സ്റ്റ് ഫയലുകൾ, മറ്റ് പ്രമാണങ്ങൾ എന്നിവ പോലുള്ള മറ്റ് ഉറവിടങ്ങളിൽ നിന്നുള്ള ഡാറ്റ.


എന്താണ് "ഡാറ്റ മൈനിംഗ്"? :

ഈ അറിവ് എന്തായിരിക്കുമെന്നതിനെക്കുറിച്ചുള്ള പ്രാഥമിക സിദ്ധാന്തങ്ങളില്ലാതെ ഡാറ്റയെക്കുറിച്ചുള്ള അറിവിനായുള്ള കമ്പ്യൂട്ടർവത്കൃതവും സ്വമേധയാലുള്ളതുമായ തിരയലാണിത്. ഡാറ്റാ മൈനിംഗ് ഒരു ഡേറ്റാ വിശകലനം ചെയ്യുന്ന പ്രക്രിയ എന്നും നിർവചിക്കപ്പെടുന്നു (സാധാരണയായി ഒരു വലിയ തുക), ഡാറ്റാ ഉടമയ്ക്ക് മനസ്സിലാക്കാവുന്നതും ഉപയോഗപ്രദവുമായ ഒരു പുതിയ രീതിയിൽ ഡാറ്റയെ സംഗ്രഹിക്കുന്ന ഒരു ലോജിക്കൽ ബന്ധം കണ്ടെത്തുന്നതിന്. . “മോഡലുകളെ” ബന്ധങ്ങൾ എന്നും ഡാറ്റാ മൈനിംഗിൽ നിന്ന് ലഭിച്ച സംഗ്രഹ ഡാറ്റ എന്നും വിളിക്കുന്നു. ഡാറ്റാ മൈനിംഗ് സാധാരണയായി ഡേറ്റാ മൈനിംഗ് ഒഴികെയുള്ള ഒരു ഉദ്ദേശ്യത്തിനായി ലഭിച്ച ഡാറ്റയുമായി ബന്ധപ്പെട്ടതാണ് (ഉദാഹരണത്തിന്, ഒരു ബാങ്കിലെ ഇടപാടുകളുടെ ഒരു ഡാറ്റാബേസ്), അതായത് ഖനന രീതി ഡാറ്റ ശേഖരിക്കുന്ന രീതിയെ ഡാറ്റ ബാധിക്കില്ല. ഡാറ്റാ മൈനിംഗ് സ്ഥിതിവിവരക്കണക്കുകളിൽ നിന്ന് വ്യത്യസ്തമായ മേഖലകളിലൊന്നാണിത്, ഇക്കാരണത്താൽ ഡാറ്റ മൈനിംഗ് പ്രക്രിയയെ ദ്വിതീയ സ്ഥിതിവിവരക്കണക്ക് പ്രക്രിയ എന്ന് വിളിക്കുന്നു. ഡാറ്റയുടെ അളവ് പൊതുവെ വലുതാണെന്നും നിർവചനം സൂചിപ്പിക്കുന്നു, പക്ഷേ ഡാറ്റയുടെ അളവ് ചെറുതാണെങ്കിൽ, അത് വിശകലനം ചെയ്യുന്നതിന് പതിവ് സ്റ്റാറ്റിസ്റ്റിക്കൽ രീതികൾ ഉപയോഗിക്കുന്നതാണ് നല്ലത്.

ഒരു വലിയ അളവിലുള്ള ഡാറ്റയുമായി ഇടപെടുമ്പോൾ, ഡാറ്റയിലെ വ്യത്യസ്ത പോയിന്റുകൾ എങ്ങനെ തിരിച്ചറിയാം, ന്യായമായ സമയത്ത് ഡാറ്റ എങ്ങനെ വിശകലനം ചെയ്യാം, ഒരു വ്യക്തമായ ബന്ധം ഡാറ്റയുടെ സ്വഭാവത്തിൽ ഒരു വസ്തുതയെ പ്രതിഫലിപ്പിക്കുന്നുണ്ടോ എന്ന് എങ്ങനെ തീരുമാനിക്കാം എന്നിങ്ങനെയുള്ള പുതിയ പ്രശ്നങ്ങൾ ഉണ്ടാകുന്നു. . സാധാരണയായി, ഡാറ്റ എക്‌സ്‌ട്രാക്റ്റുചെയ്യുന്നത് ഡാറ്റാ സെറ്റിന്റെ ഭാഗമാണ്, ഇവിടെ സാധാരണയായി എല്ലാ ഡാറ്റയിലേക്കും ഫലങ്ങൾ സാമാന്യവൽക്കരിക്കുക എന്നതാണ് ലക്ഷ്യം (ഉദാഹരണത്തിന്, ഭാവിയിലെ ആവശ്യങ്ങൾ മുൻകൂട്ടി അറിയുന്നതിനായി ഒരു ഉൽപ്പന്നത്തിന്റെ ഉപഭോക്താക്കളുടെ നിലവിലെ ഡാറ്റ വിശകലനം ചെയ്യുക ഉപയോക്താക്കൾ). സാമാന്യവൽക്കരണമില്ലാതെ ലളിതമായ ഡാറ്റ പ്രകടിപ്പിക്കുന്നതിനായി വലിയ അളവിലുള്ള ഡാറ്റ കുറയ്ക്കുകയോ ചുരുക്കുകയോ ചെയ്യുക എന്നതാണ് ഡാറ്റ മൈനിംഗിന്റെ ലക്ഷ്യങ്ങളിലൊന്ന്.