Data Mining Extract Knowledge จากข้อมูลมหาศาล ใช้ที่มีข้อมูลเยอะ ประมวลผลตลอดเวลา เช่น ระบบธนาคาร Hidden Patterns → Categorize → Useful Data → Data Warehouses → Algorithms → Effective Decisions (Cut Cost, Increase Revenue) ประเภทข้อมูลที่ Mine ได้ Relational Databases: DBMS = Database + Software

Data Mining Functionalities แสดง Type ของ Patterns ที่จะ Discover ใน Data Mining Tasks แบ่ง 2 ประเภทใหญ่: Descriptive Mining: บอกลักษณะทั่วไปของข้อมูลใน Database Predictive Mining: Inference จากข้อมูลปัจจุบัน → Predictions Functionalities หลัก Data Characterization: สรุปลักษณะทั่วไปของ Object C

Data Mining คืออะไร Extract/Mining Knowledge จากข้อมูลปริมาณมาก ใช้ที่มีข้อมูลมหาศาล Data Mining = Interdisciplinary Field: Database Systems, Statistics, Machine Learning, Visualization, Data Science อาจใช้: Neural Networks, Fuzzy/Rough Sets, Knowledge Representation, Inductive Logic Programming,

Data Mining Task Primitives Data Mining Task กำหนดใน Data Mining Query Input เข้าระบบ Primitives ช่วย User โต้ตอบกับระบบระหว่าง Discovery 5 Primitives หลัก Task-relevant Data: ส่วนของ Database/Dimensions ที่สนใจ (Relevant Attributes/Dimensions) Knowledge Type to be Mined: Data Mining Functions: C

Integration Schemes Data Mining System ต้อง Integrate กับ Database/Data Warehouse เพื่อทำงานได้อย่างมีประสิทธิภาพ มี 4 ระดับ: 1. No Coupling (ไม่ผูกมัด) Data Mining ไม่ใช้ Function ของ DB/DW ดึงข้อมูลจาก File System ประมวลผลด้วย Algorithms บันทึกผลใน File อื่น ข้อจำกัด: ไม่ได้ประโยชน์จาก DB Featur

ปัญหา Data Mining Data Mining = กระบวนการหา Correlations, Patterns, Trends จากข้อมูลมหาศาล ใช้ Pattern Recognition (Statistical/Mathematical) ประเด็นสำคัญ Privacy Issues: ปัญหาสังคม ไม่ใช่เทคนิค Data Mining วิเคราะห์ธุรกรรม Routine → รู้จักซื้อ/ชอบของบุคคล Data Integrity Issues: Merge ข้อมูลขัดแย

Data Mining คืออะไร กระบวนการหา Correlations, Patterns, Trends ใหม่ที่มีประโยชน์ จากข้อมูลจำนวนมากใน Repositories ใช้ Pattern Recognition (Statistical/Mathematical Techniques) วิเคราะห์ Factual Datasets หา Relationships ที่ไม่คาดคิด และ Summarize ข้อมูลแบบ Novel ที่เป็น Logical และ Helpful กระบวนก

นิยาม Data Cleaning Data Cleaning คือการทำความสะอาดข้อมูลโดย: เติม Missing Values, Smoothing Noisy Data, วิเคราะห์และลบ Outliers, ลบ Inconsistencies บางครั้งข้อมูลหลายระดับต่างจากที่ต้องการ เช่น ต้องการช่วงอายุ 20-30, 30-40 แต่ข้อมูลมี Date of Birth → ต้องแปลงข้อมูลให้เหมาะสม ประเภทของ Data Cleani

Generalization (การทั่วไป化) Bottom-up Approach ลดขนาด Schema ใช้กับกลุ่ม Entities ไม่ใช้ Inheritance สร้าง Higher-level Entity จาก Union ของ Lower-level Entities เอาคุณสมบัติร่วมไปอยู่ Higher-level ข้ามความแตกต่าง/ความคล้ายคลึงใน Union ตัวอย่าง Pigeon, Sparrow, Crow, Dove → Generalize เป็น Birds

Data Mining (การขุดข้อมูล) กระบวนการหา Patterns, Correlations, Trends ในข้อมูล Extract ข้อมูลที่มีประโยชน์จากชุดข้อมูล วิเคราะห์ข้อมูลซ้ำๆ (Repeatedly) ทำโดย Business Entrepreneurs และ Engineers ใช้เทคนิค Pattern Recognition ตรวจจับ Errors ที่ไม่พึงประสงค์ Cost-efficient เทียบเท่าสถิติทั่วไป ไม่แม

ในบทความนี้ เราจะทำความเข้าใจความแตกต่างระหว่าง Star Schema และ Snowflake Schema ในการออกแบบฐานข้อมูล Data Warehouse Star Schema (สตาร์สคีมา) ลำดับชั้นของมิติ (dimension hierarchies) ถูกเก็บไว้ในตารางมิติเดียว (dimensional table) ประกอบด้วยตารางข้อเท็จจริง (fact table) อยู่ตรงกลาง ถูกล้อมรอบโดยตา

Triggers Invoke โดย Implicit เมื่อ Event (INSERT, DELETE, UPDATE) เกิดใน Table Nesting ได้ผ่าน Table ไม่สามารถ Call หรือ Define Trigger ภายใน Trigger อื่นได้ Transactional Statements (COMMIT, ROLLBACK, SAVEPOINT) ใช้ไม่ได้ ใช้ Maintain Referential Integrity บันทึกกิจกรรมบน Table ไม่ Return ค่า ไม่

Stack Linear Data Structure Memory จัดสรรแบบ Contiguous (ติดกัน) Allocate/Deallocate อัตโนมัติโดย Compiler ต้นทุนต่ำ ง่ายต่อการ Implement Fixed Size ไม่ยืดหยุ่น ข้อเสีย: ขาด Memory (เพราะ Fixed Size) ถ้าไม่เต็ม Memory ก็ Waste Access เร็ว Locality of Reference ดีเยี่ยม Heap Hierarchical Data St

Multimedia แสดงรูปแบบข้อมูลหลากหลาย (Text, Audio, Video, Image) 2 ประเภท: Linear และ Non-linear รวม Hypertext เข้าด้วยกัน → กลายเป็น Hypermedia พัฒนาจาก Interaction และ Interactivity ต้องการ Delivery System ของตัวเอง (Multimedia Delivery System) รวม Media และ Content จัดเก็บข้อมูลข้ามอุปกรณ์ Hyp

USART (Universal Synchronous/Asynchronous Receiver/Transmitter) ใช้ Half-duplex Mode ความเร็วสูงกว่า UART ใช้ Data Signals และ Clock Signal ส่งข้อมูลแบบ Blocks ทำงานคล้าย UART ได้ ซับซ้อนกว่า UART Receiver ไม่ต้องรู้ Baud Rate ของ Transmitter (ได้จาก Clock) ส่งข้อมูลที่อัตราคงที่ (Definite Rate)

SIMD (Single Instruction Multiple Data) Single Instruction Multiple Data ต้องการ Memory น้อยกว่า ถูกกว่า MIMD มี Decoder เดียว ใช้ Latent/Tacit Synchronization Synchronous Programming Technique เรียบง่ายกว่า MIMD ประสิทธิภาพไม่เท่า MIMD MIMD (Multiple Instruction Multiple Data) Multiple Instruc

PATA (Parallel ATA) Parallel Advanced Technology Attachment Connector 40 Pin ราคาแพง ความเร็วถ่ายโอนข้อมูลต่ำ ใช้พลังงานมาก สายใหญ่ ไม่มี Hot Swapping External Hard Drives ใช้ไม่ได้ SATA (Serial ATA) Serial Advanced Technology Attachment Connector 7 Pin ราคาถูก ความเร็วถ่ายโอนข้อมูลสูง ใช้พลังง

Cardinality (การนับจำนวน) บอกจำนวน Associations สูงสุดระหว่าง Rows ของ Tables ประเภท: One-to-One, One-to-Many, Many-to-Many One-to-One: A เกี่ยวข้องกับ B เพียง 1 ตัว และ B กับ A เพียง 1 ตัว One-to-Many: A เกี่ยวข้องกับ B หลายตัว แต่ B กับ A เพียง 1 ตัว Many-to-Many: A หลายตัวเกี่ยวข้องกับ B หลายตั

ปัญหา ต้องการ Implement Immutable Data Structures ใน Python Immutable vs Mutable Immutable Data Structures ป้องกันการแก้ไขข้อมูลพร้อมกันใน Parallel Programming Mutable (เช่น Array) เปลี่ยนได้ตลอดเวลา Immutable เปลี่ยนไม่ได้ ตัวอย่าง: Mutable Array (List) # STEP 01 - Create a Mutable array atp_pla

Floyd Cycle Detection Algorithm อัลกอริทึมตรวจจับ Cycle ใน Singly Linked List เรียกอีกชื่อว่า Hare and Tortoise Algorithm (กระต่ายและเต่า) หลักการ มี 2 Pointers (Hare และ Tortoise) เริ่มที่ Head: Hare วิ่งเร็วกว่า Tortoise 2 เท่า เมื่อ Hare ถึงปลายทาง Tortoise จะอยู่กลางทาง ขั้นตอนอัลกอริทึม I