บทบาทของการทำเหมืองข้อมูลในวิทยาศาสตร์และวิศวกรรม
มีบทบาทหลายอย่างของการทำเหมืองข้อมูลในวิทยาศาสตร์และวิศวกรรม ดังนี้:
1. คลังข้อมูลและการเตรียมข้อมูลล่วงหน้า (Data Warehouses and Data Preprocessing)
การเตรียมข้อมูลล่วงหน้าและคลังข้อมูล สำคัญสำหรับการแลกเปลี่ยนข้อมูลและการทำเหมืองข้อมูล การสร้างคลังข้อมูลต้องการการค้นหาวิธีแก้ไขข้อมูลที่ไม่สอดคล้องหรือไม่เข้ากันได้ ที่รวบรวมในสภาพแวดล้อมหลายแห่งและหลายช่วงเวลา ต้องการการประสานความหมาย (Reconciling Semantics), ระบบอ้างอิง, คณิตศาสตร์, การวัด, ประสิทธิภาพ, และความแม่นยำ จำเป็นต้องมีวิธีสำหรับบูรณาการข้อมูลจากแหล่งที่หลากหลาย (Heterogeneous Sources) และการระบุเหตุการณ์ (Event Detection)
2. การทำเหมืองข้อมูลประเภทซับซ้อน (Mining Complex Data Types)
ชุดข้อมูลตัวเลข (Numerical Data Sets) มีลักษณะหลากหลาย (Heterogeneous) โดยธรรมชาติ มักประกอบด้วยข้อมูล شبهโครงสร้าง (Semi-structured) และไม่มีโครงสร้าง (Unstructured) รวมถึง ข้อมูลมัลติมีเดีย และข้อมูลสตรีมที่อ้างอิงทางภูมิศาสตร์ (Georeferenced Stream Data) และข้อมูลที่มีความหมายซับซ้อน ซ่อนอยู่ลึก (Deeply Hidden Semantics) (เช่น บันทึกจีโนมิกส์ Genomic และ โปรตีโอมิกส์ Proteomic) วิธีการวิเคราะห์ที่แข็งแกร่งและเฉพาะเจาะจง (Robust and Dedicated) จำเป็นสำหรับจัดการข้อมูลเชิงพื้นที่-เวลา (Spatiotemporal), ข้อมูลชีวภาพ (Biological), ลำดับชั้นแนวคิดที่เกี่ยวข้อง (Associated Concept Hierarchies), และความสัมพันธ์เชิงความหมายที่ยาก (Complex Semantic Relationships)
3. การทำเหมืองแบบอิงกราฟและเครือข่าย (Graph-based and Network-based Mining)
ในการสร้างแบบจำลองกราฟหรือเครือข่าย วัตถุแต่ละชิ้นที่จะทำเหมือง ถูกแทนด้วยจุดยอด (Vertex) ในกราฟ และเส้นขอบระหว่างจุดยอด แสดงความสัมพันธ์ระหว่างวัตถุ ตัวอย่าง: กราฟสามารถใช้สร้างแบบจำลองโครงสร้างเคมี (Chemical Structures), เส้นทางชีวภาพ (Biological Pathways), และข้อมูลที่ผลิตโดยการจำลองจำนวนเต็ม (Integer Simulations) เช่น การจำลองการไหลของของเหลว (Fluid-flow Simulations) ความสำเร็จของการสร้างแบบจำลองกราฟ/เครือข่าย ขึ้นอยู่กับการปรับปรุงด้านความสามารถในการขยายตัว (Scalability) และประสิทธิภาพ (Effectiveness) ของบริการการทำเหมืองข้อมูลแบบอิงกราฟหลายอย่าง รวมถึง การจัดประเภท, การทำเหมืองรูปแบบบ่อย, และการจัดกลุ่ม
4. เครื่องมือการแสดงผลและความรู้เฉพาะโดเมน (Visualization Tools and Domain-specific Knowledge)
อินเทอร์เฟซผู้ใช้ระดับสูง (High-level GUI) และเครื่องมือการแสดงผล (Visualization Tools) จำเป็นสำหรับระบบการทำเหมืองข้อมูลทางคณิตศาสตร์ (Mathematical Data Mining Systems) พวกเขาต้องรวมกับความรู้เฉพาะโดเมนและระบบข้อมูลปัจจุบัน เพื่อสร้างแบบจำลองนักวิจัยและผู้ใช้ทั่วไป ในการค้นหารูปแบบ, การแสดงและการแสดงผลรูปแบบที่พบ, และการใช้ความรู้ที่ค้นพบในการตัดสินใจของพวกเขา
การทำเหมืองข้อมูลในวิศวกรรม
การทำเหมืองข้อมูลในวิศวกรรม แชร์ความคล้ายคลึงหลายอย่างกับการทำเหมืองข้อมูลในวิทยาศาสตร์ ทั้งสองปฏิบัติการรวบรวมข้อมูลปริมาณมาก และต้องการการเตรียมข้อมูลล่วงหน้า, คลังข้อมูล, และการทำเหมืองข้อมูลประเภทที่ยากที่ขยายตัวได้ ทั้งสองโดยทั่วไปใช้การแสดงผล และใช้กราฟและเครือข่ายอย่างดีที่สุด นอกจากนี้ หลายกระบวนการวิศวกรรม ต้องการการตอบสนองแบบเรียลไทม์ (Real-time Responses) และดังนั้น การทำเหมืองข้อมูลสตรีมแบบเรียลไทม์ (Real-time Data Stream Mining) บ่อยครั้งกลายเป็นองค์ประกอบสำคัญ
มีปริมาณข้อมูลการสื่อสารของมนุษย์จำนวนมาก ไหลเข้าสู่ชีวิตประจำวันของเรา การสื่อสารดังกล่าวมีอยู่ในหลายรูปแบบ เช่น ข่าว, บล็อก, บทความ, หน้าเว็บ, การอภิปรายออนไลน์, รีวิวสินค้า, ทวีตเตอร์, ข้อความ, การออกอากาศ, และการสื่อสาร ทั้งบนอินเทอร์เน็ตและหลายประเภทของเครือข่ายสังคม
ดังนั้น การทำเหมืองข้อมูลในวิทยาศาสตร์สังคมและการศึกษาสังคม (Social Science and Social Studies) จึงมีความนิยมเพิ่มขึ้น นอกจากนี้ ความคิดเห็นของลูกค้าหรือผู้อ่าน เกี่ยวกับสินค้า, พิธีพูด, และบทความ สามารถวิเคราะห์ได้ เพื่อสรุปความคิดเห็นและความรู้สึก (Sentiments) ทั่วไปเกี่ยวกับทิศทางของผู้คนในสังคม ผลการวิเคราะห์สามารถใช้เพื่อทำนายแนวโน้ม, ปรับปรุงงาน, และช่วยในการตัดสินใจ
