Data Warehouse & Data Mining e
यामध्‍ये जाहिराती आहेत
१००+
डाउनलोड
प्रत्येकजण
info
या अ‍ॅपविषयी
या अनुप्रयोगात आपल्याला अभ्यासक्रम + व्यायाम + डेटा व्हेरहाउस आणि डेटा मायनिंगवरील तपशीलांमध्ये सुधारणा आढळतात
प्रथम "डेटा वेअरहाउस" म्हणजे काय? :
हा डेटाबेसचा एक प्रकार आहे ज्यामध्ये संस्थेमध्ये निर्णय घेण्यास मदत करण्यासाठी मोठ्या प्रमाणात डेटा असतो. या प्रकारचा डेटाबेस त्याच्या अंतर्गत संरचनेच्या अनुरुप वैशिष्ट्यीकृत आहे ज्यास वापरकर्त्याला स्टार-स्टार मॉडेल आणि विश्लेषणाच्या अक्षांद्वारे विश्लेषणाच्या अक्षांपासून आणि त्यातील अनुप्रयोगांद्वारे आवश्यक असलेल्या गोष्टी आहेत: सिस्टम निर्णय समर्थन आणि डेटा खाण.
डेटा गोदामांमध्ये सहसा ऐतिहासिक डेटा असतो जो अनुप्रयोगांमध्ये वापरल्या जाणार्‍या नेहमीच्या डेटाबेसमधील डेटामधून काढला आणि काढला गेला आहे ज्यावर बरेच इनपुट आणि अद्यतनित ऑपरेशन्स होतात आणि डेटा गोदामांमध्ये देखील असू शकतात मजकूर फाइल्स आणि इतर दस्तऐवजांसारख्या अन्य स्रोतांकडील डेटा.
"डेटा मायनिंग" म्हणजे काय? :
हे ज्ञान काय असू शकते यावर प्राथमिक अनुमानांशिवाय डेटाच्या ज्ञानासाठी संगणकीकृत आणि व्यक्तिचलित शोध आहे. डेटा मायनिंगला समजण्यायोग्य आणि उपयुक्त आहे अशा प्रकारे डेटाचा सारांश सांगणार्‍या तार्किक संबंध शोधण्यासाठी डेटा खनन (डेटा सामान्यत: मोठ्या प्रमाणातील) विश्लेषणाची प्रक्रिया म्हणून देखील परिभाषित केले जाते. . "मॉडेल्स" ला डेटा खाणकामातून प्राप्त झालेल्या संबंध आणि सारांश डेटा म्हणतात. डेटा खनन सहसा डेटा खनन (उदाहरणार्थ एखाद्या बँकेच्या व्यवहारांचा डेटाबेस) वगळता इतर हेतूसाठी प्राप्त केलेला डेटाशी संबंधित असतो, ज्याचा अर्थ आहे की खाण पद्धत डेटा स्वतःच संकलित करण्याच्या मार्गावर परिणाम करत नाही. हे अशा क्षेत्रांपैकी एक आहे ज्यात डेटा खनन आकडेवारीपेक्षा भिन्न आहे आणि या कारणासाठी डेटा खनन प्रक्रियेस दुय्यम सांख्यिकीय प्रक्रिया म्हणतात. व्याख्या देखील सूचित करते की डेटाची मात्रा सामान्यत: मोठी असते, परंतु जर डेटाचे प्रमाण कमी असेल तर त्याचे विश्लेषण करण्यासाठी नियमित सांख्यिकीय पद्धती वापरणे चांगले.
मोठ्या प्रमाणात डेटा हाताळताना, नवीन समस्या उद्भवू शकतात जसे डेटामधील विशिष्ट बिंदू कशा ओळखाव्यात, वाजवी वेळेत डेटाचे विश्लेषण कसे करावे आणि एखादे उघड नातेसंबंध डेटाच्या स्वरूपाचे तथ्य प्रतिबिंबित करते की नाही हे कसे ठरवायचे. . सहसा, डेटा काढला जातो जो डेटा सेटचा एक भाग असतो, जिथे सर्व डेटावर सामान्यपणे परिणाम सामान्य केले जाण्याचे उद्दीष्ट ठेवले जाते (उदाहरणार्थ, भविष्यातील मागणीची अपेक्षा करण्यासाठी एखाद्या उत्पादनाच्या ग्राहकांच्या सद्य डेटाचे विश्लेषण करणे. ग्राहक) सामान्यीकरणाशिवाय साध्या डेटाची अभिव्यक्ती करण्यासाठी डेटा खनन करण्याचे एक लक्ष्य म्हणजे मोठ्या प्रमाणात डेटा कमी करणे किंवा संकलित करणे.
प्रथम "डेटा वेअरहाउस" म्हणजे काय? :
हा डेटाबेसचा एक प्रकार आहे ज्यामध्ये संस्थेमध्ये निर्णय घेण्यास मदत करण्यासाठी मोठ्या प्रमाणात डेटा असतो. या प्रकारचा डेटाबेस त्याच्या अंतर्गत संरचनेच्या अनुरुप वैशिष्ट्यीकृत आहे ज्यास वापरकर्त्याला स्टार-स्टार मॉडेल आणि विश्लेषणाच्या अक्षांद्वारे विश्लेषणाच्या अक्षांपासून आणि त्यातील अनुप्रयोगांद्वारे आवश्यक असलेल्या गोष्टी आहेत: सिस्टम निर्णय समर्थन आणि डेटा खाण.
डेटा गोदामांमध्ये सहसा ऐतिहासिक डेटा असतो जो अनुप्रयोगांमध्ये वापरल्या जाणार्‍या नेहमीच्या डेटाबेसमधील डेटामधून काढला आणि काढला गेला आहे ज्यावर बरेच इनपुट आणि अद्यतनित ऑपरेशन्स होतात आणि डेटा गोदामांमध्ये देखील असू शकतात मजकूर फाइल्स आणि इतर दस्तऐवजांसारख्या अन्य स्रोतांकडील डेटा.
"डेटा मायनिंग" म्हणजे काय? :
हे ज्ञान काय असू शकते यावर प्राथमिक अनुमानांशिवाय डेटाच्या ज्ञानासाठी संगणकीकृत आणि व्यक्तिचलित शोध आहे. डेटा मायनिंगला समजण्यायोग्य आणि उपयुक्त आहे अशा प्रकारे डेटाचा सारांश सांगणार्‍या तार्किक संबंध शोधण्यासाठी डेटा खनन (डेटा सामान्यत: मोठ्या प्रमाणातील) विश्लेषणाची प्रक्रिया म्हणून देखील परिभाषित केले जाते. . "मॉडेल्स" ला डेटा खाणकामातून प्राप्त झालेल्या संबंध आणि सारांश डेटा म्हणतात. डेटा खनन सहसा डेटा खनन (उदाहरणार्थ एखाद्या बँकेच्या व्यवहारांचा डेटाबेस) वगळता इतर हेतूसाठी प्राप्त केलेला डेटाशी संबंधित असतो, ज्याचा अर्थ आहे की खाण पद्धत डेटा स्वतःच संकलित करण्याच्या मार्गावर परिणाम करत नाही. हे अशा क्षेत्रांपैकी एक आहे ज्यात डेटा खनन आकडेवारीपेक्षा भिन्न आहे आणि या कारणासाठी डेटा खनन प्रक्रियेस दुय्यम सांख्यिकीय प्रक्रिया म्हणतात. व्याख्या देखील सूचित करते की डेटाची मात्रा सामान्यत: मोठी असते, परंतु जर डेटाचे प्रमाण कमी असेल तर त्याचे विश्लेषण करण्यासाठी नियमित सांख्यिकीय पद्धती वापरणे चांगले.
मोठ्या प्रमाणात डेटा हाताळताना, नवीन समस्या उद्भवू शकतात जसे डेटामधील विशिष्ट बिंदू कशा ओळखाव्यात, वाजवी वेळेत डेटाचे विश्लेषण कसे करावे आणि एखादे उघड नातेसंबंध डेटाच्या स्वरूपाचे तथ्य प्रतिबिंबित करते की नाही हे कसे ठरवायचे. . सहसा, डेटा काढला जातो जो डेटा सेटचा एक भाग असतो, जिथे सर्व डेटावर सामान्यपणे परिणाम सामान्य केले जाण्याचे उद्दीष्ट ठेवले जाते (उदाहरणार्थ, भविष्यातील मागणीची अपेक्षा करण्यासाठी एखाद्या उत्पादनाच्या ग्राहकांच्या सद्य डेटाचे विश्लेषण करणे. ग्राहक) सामान्यीकरणाशिवाय साध्या डेटाची अभिव्यक्ती करण्यासाठी डेटा खनन करण्याचे एक लक्ष्य म्हणजे मोठ्या प्रमाणात डेटा कमी करणे किंवा संकलित करणे.
या रोजी अपडेट केले
डेव्हलपर तुमचा डेटा कसा गोळा करतात आणि शेअर करतात हे समजून घेण्यापासून सुरक्षितता सुरू होते. तुमचा वापर, प्रदेश आणि वय यांच्या आधारे डेटा गोपनीयता व सुरक्षेशी संबंधित पद्धती बदलू शकतात. डेव्हलपरने ही माहिती पुरवली आहे आणि ती कालांतराने अपडेट केली जाऊ शकते.
