Data Warehousing เป็นเทคนิคหลักสำหรับรวบรวมและจัดการข้อมูลจากหลายแหล่ง เพื่อให้ข้อมูลเชิงลึกทางธุรกิจ (Business Insight) ที่มีความหมาย Data Warehouse ถูกออกแบบมาโดยเฉพาะเพื่อรองรับการตัดสินใจของผู้บริหาร ง่ายๆ คือ Data Warehouse หมายถึงฐานข้อมูลที่ดูแลแยกจากฐานข้อมูลปฏิบัติการ (Operational Database

ฐานข้อมูลปฏิบัติการ (Operational Database) เป็นแหล่งข้อมูลสำหรับ Data Warehouse มีข้อมูลรายละเอียด (Detailed Data) ใช้รันการดำเนินงานปกติของธุรกิจ ข้อมูลโดยทั่วไปเปลี่ยนแปลงเมื่อมีการอัปเดต และสะท้อนค่าล่าสุดของธุรกรรมสุดท้าย เรียกอีกอย่างว่า OLTP (Online Transaction Processing Databases) ใช้จัดการข

Data Warehousing เป็นเทคนิคหลักสำหรับรวบรวมและจัดการข้อมูลจากหลายแหล่ง เพื่อให้ข้อมูลเชิงลึกทางธุรกิจที่มีความหมาย Data Warehouse ถูกออกแบบมาโดยเฉพาะเพื่อรองรับการตัดสินใจของผู้บริหาร ง่ายๆ คือ Data Warehouse หมายถึงฐานข้อมูลที่ดูแลแยกจากฐานข้อมูลปฏิบัติการ (Operational Databases) ขององค์กร ระบบ Da

ส่วนประกอบหลักของ Data Warehouse มีดังนี้: 1. แหล่งข้อมูล (Data Sources) กำหนดที่เก็บข้อมูลอิเล็กทรอนิกส์ที่มีข้อมูลที่น่าสนใจสำหรับการใช้งานบริหารหรือวิเคราะห์ รวมถึง: Mainframe Databases (IBM DB2, ISAM, Adabas, Teradata), Client-Server Databases (Teradata, IBM DB2, Oracle, Informix, Microsoft SQL

Data Warehousing เป็นเทคนิคหลักสำหรับรวบรวมและจัดการข้อมูลจากหลายแหล่ง เพื่อให้ข้อมูลเชิงลึกทางธุรกิจ (Business Insight) ที่มีความหมาย Data Warehouse ถูกออกแบบมาโดยเฉพาะเพื่อรองรับการตัดสินใจของผู้บริหาร ง่ายๆ คือ Data Warehouse หมายถึงฐานข้อมูลที่ดูแลแยกจากฐานข้อมูลปฏิบัติการ (Operational Database

Data Warehouse สร้างได้ด้วย 3 แนวทาง: แนวทาง Top-down (ลงจากบนลงล่าง) แนวทาง Bottom-up (ขึ้นจากล่างขึ้นบน) การรวมทั้งสองแนวทาง Top-down: เริ่มจากการออกแบบและวางแผนเต็มรูปแบบ เหมาะกับกรณีที่เทคโนโลยีซับซ้อนและคุ้นเคย และปัญหาธุรกิจที่ต้องแก้ไขชัดเจน เข้าใจดี Bottom-up: เริ่มจากทดลองและต้นแบบ (Pro

Data Warehouses ปกติมีสถาปัตยกรรม 3 ระดับ (Tiers) ประกอบด้วย: ชั้นล่าง (Bottom Tier): เซิร์ฟเวอร์ฐานข้อมูล Warehouse ที่มักเป็นระบบฐานข้อมูลเชิงสัมพันธ์ (Relational Database System) เครื่องมือ Back-end ใช้ส่งบันทึกเข้าชั้นล่างจากฐานข้อมูลปฏิบัติการหรือแหล่งภายนอก (เช่น ข้อมูลโปรไฟล์ผู้ใช้จากที่ปรึ

Data Warehousing เป็นเทคนิคหลักสำหรับรวบรวมและจัดการข้อมูลจากหลายแหล่ง เพื่อให้ข้อมูลเชิงลึกทางธุรกิจ (Business Insight) ที่มีความหมาย Data Warehouse ถูกออกแบบมาโดยเฉพาะเพื่อรองรับการตัดสินใจของผู้บริหาร ง่ายๆ คือ Data Warehouse หมายถึงฐานข้อมูลที่ดูแลแยกจากฐานข้อมูลปฏิบัติการ (Operational Database

การบูรณาการข้อมูล (Data Integration) เป็นขั้นตอนการรวมข้อมูลจากแหล่งที่มาหลายแห่งที่แตกต่างกัน (Disparate Sources) ในการดำเนินการบูรณาการข้อมูล ควรจัดการกับความซ้ำซ้อน (Redundancy), ความไม่สอดคล้อง (Inconsistency), ความซ้ำ (Duplicity) เป็นต้น ในการทำเหมืองข้อมูล Data Integration เป็นเทคนิคการประมวลผ

ในการแปลงข้อมูล (Data Transformation) ข้อมูลจะถูกแปลงหรือรวมให้อยู่ในรูปแบบที่เหมาะสมสำหรับการทำเหมืองข้อมูล การแปลงข้อมูลอาจเกี่ยวข้องกับสิ่งต่อไปนี้: เทคนิคการแปลงข้อมูลหลัก 1. การทำให้เรียบ (Smoothing) ทำงานเพื่อกำจัดสัญญาณรบกวน (Noise) จากข้อมูล วิธีการรวมถึง: การจัดกลุ่ม (Binning), การถดถอย (

การทำเหมืองข้อมูล (Data Mining) นำไปใช้กับข้อมูลที่เลือกในฐานข้อมูลขนาดใหญ่ เมื่อวิเคราะห์และทำเหมืองข้อมูลบนปริมาณข้อมูลมหาศาล จะใช้เวลาประมวลผลนานมาก ทำให้ไม่เป็นประโยชน์และไม่เป็นไปได้ จึงใช้เทคนิคการลดข้อมูล (Data Reduction) เพื่อให้ได้การแสดงข้อมูลที่ลดรูป (Reduced Representation) ขนาดเล็กกว่าม

การเลือกชุดย่อยแอตทริบิวต์ (Attribute Subset Selection) ลดขนาดชุดข้อมูลโดยกำจัดแอตทริบิวต์ที่ไม่เกี่ยวข้อง (Irrelevant) หรือซ้ำซ้อน (Redundant) เป้าหมายคือค้นหาชุดแอตทริบิวต์ขั้นต่ำ ที่ทำให้การกระจายความน่าจะเป็นของคลาสข้อมูลใกล้เคียงกับการใช้แอตทริบิวต์ทั้งหมดมากที่สุด การทำเหมืองข้อมูลบนชุดแอตทริบ

ในการลดมิติ (Dimensionality Reduction) ใช้การเข้ารหัสหรือการแปลงข้อมูล (Data Encoding/Transformations) เพื่อให้ได้การแสดงข้อมูลที่ลดรูปหรือ บีบอัด (Compressed Representation) ของข้อมูลต้นฉบับ หากข้อมูลต้นฉบับสามารถสร้างคืนจากข้อมูลที่บีบอัดได้โดยไม่มีการสูญเสียข้อมูล เรียกว่า Lossless (ไม่สูญเสีย) ห

ในการลดจำนวนข้อมูล (Numerosity Reduction) ปริมาตรข้อมูลจะลดลงโดยการเลือกการแสดงข้อมูลในรูปแบบอื่นที่เล็กลง เทคนิคเหล่านี้อาจเป็นแบบพารามิเตอร์ (Parametric) หรือไม่พารามิเตอร์ (Non-parametric) แบบพารามิเตอร์: ใช้โมเดลประมาณค่าข้อมูล จึงต้องเก็บเฉพาะพารามิเตอร์ของโมเดล แทนข้อมูลจริง เช่น โมเดล Log-l

การวิเคราะห์องค์ประกอบหลัก (PCA) เป็นอัลกอริทึมการเรียนรู้แบบไม่มีผู้ดูแล (Unsupervised Learning) ที่ใช้สำหรับการลดมิติ (Dimensionality Reduction) ในเครื่องเรียนรู้ (Machine Learning) เป็นกระบวนการทางสถิติที่แปลงการสังเกตของลักษณะที่สัมพันธ์กัน (Correlated Features) ให้กลายเป็นชุดของลักษณะที่ไม่สัมพ

การลดมิติ (Dimensionality Reduction) ในการลดมิติ ใช้การเข้ารหัสหรือการแปลงข้อมูล (Data Encoding/Transformations) เพื่อให้ได้การแสดงข้อมูลที่ลดรูปหรือ บีบอัด (Compressed Representation) ของข้อมูลต้นฉบับ หากข้อมูลต้นฉบับสามารถสร้างคืนจากข้อมูลที่บีบอัดได้โดยไม่มีการสูญเสียข้อมูล เรียกว่า Lossless (ไม่

เทคนิคการแบ่งช่วงข้อมูล (Data Discretization) ใช้เพื่อลดจำนวนค่าของแอตทริบิวต์ต่อเนื่อง (Continuous Attribute) โดยการแบ่งช่วงค่าของแอตทริบิวต์ออกเป็นช่วงๆ (Intervals) ป้ายกำกับช่วง (Interval Labels) สามารถนำมาใช้เพื่อกู้คืนค่าข้อมูลจริงได้ ซึ่งช่วยลดและทำให้ข้อมูลต้นฉบับเรียบง่ายขึ้น ประโยชน์ของการ

ความท้าทาย การกำหนด Concept Hierarchies สำหรับ Numerical Attributes ยุ่งยาก เนื่องจาก Data Ranges กว้าง และ Data Values อัปเดตบ่อย วิธีการหลัก 1. Binning (การจัดเป็นถัง) Top-down Splitting Technique 基于จำนวน Bins ที่กำหนด ใช้เป็น Discretization Method สำหรับ Numerosity Reduction และ Concept Hierar

Forward Reasoning (การให้เหตุผลไปข้างหน้า) Data-driven Task เริ่มจากข้อมูลใหม่ (New Data) วัตถุประสงค์: หา Conclusion ที่ตามมา ใช้ Opportunistic Approach ไหลจาก Cause → Effect (Incipient → Consequence) Inference Engine Search Knowledge Base จากข้อมูลที่มี ตาม Constraints Constraints ต้อง Match Cur

นิยาม Data Mining กระบวนการหา Correlations, Patterns, Trends ใหม่ที่มีประโยชน์ จากข้อมูลปริมาณมากใน Repositories ใช้ Pattern Recognition (Statistical/Mathematical Techniques) วิเคราะห์ Factual Datasets หา Relationships ที่ไม่คาดคิด Summarize ใหม่แบบ Logical & Helpful กระบวนการ Selection, Explorati