ข้อจำกัดของ Data Mining
Data mining คือกระบวนการหา useful new correlations, patterns, trends โดย screening through large amount of data ใน repositories ใช้ pattern recognition technologies: statistical และ mathematical techniques เป็นการวิเคราะห์ factual datasets หา unsuspected relationships และ summarize records ใหม่ ที่ logical และ helpful สำหรับ data owner
Data mining เป็น interdisciplinary field รวม: database systems, statistics, machine learning, visualization, data science ขึ้นอยู่กับ data mining approach techniques จาก disciplines อื่นอาจใช้: neural networks, fuzzy/rough set theory, knowledge representation, inductive logic programming, high-performance computing
Data Mining ใกล้เคียง Data Science ทำโดยบุคคล ในสถานการณ์เฉพาะ บน dataset เฉพาะ มีวัตถุประสงค์ ประกอบ services: text mining, web mining, audio/video mining, pictorial data mining, social media mining ผ่าน software simple หรือ highly specialized
Outsourcing data mining: เร็วขึ้น, ต้นทุนต่ำ Firms เฉพาะทางใช้ new technologies เก็บข้อมูลที่หาไม่ได้ manually Data โทนบน platforms หลายแห่ง แต่ limited knowledge accessible ความท้าทายหลัก: analyze data ดึง essential information ใช้แก้ปัญหาหรือพัฒนาบริษัท มี instruments และ techniques เยอะ mine data หา better judgment
ข้อจำกัดของ Data Mining (主要是 data หรือ personnel-related ไม่ใช่ technology-related)
- Tools powerful แต่ไม่ self-sufficient: ต้องการ skilled technical และ analytical specialists ที่ structure analysis และ interpret output
- หา patterns/relationships แต่ไม่บอก value/significance: การตัดสินใจเหล่านี้ต้องทำโดย users
- Validity ของ patterns ขึ้นอยู่กับการ compare กับ real-world: ตัวอย่าง: assess validity ของ data mining app ระบุ potential terrorist suspects ใน large pool ทดสอบ model ด้วยข้อมูล known terrorists
- ระบุ connections ระหว่าง behaviors และ variables แต่ไม่จำเป็นต้องระบุ causal relationship: ตัวอย่าง: app ระบุ pattern การซื้อตั๋วเครื่องบินช่วงท้าย สัมพันธ์กับ income, education, internet use แต่ไม่ได้บอกว่าเป็น cause
