Classification เป็น Data Mining Approach ใช้ทำนาย Team Membership (Class Membership) สำหรับ Data Instances เป็นกระบวนการ 2 ขั้นตอน (Two-step Process) ขั้นตอนแรก สร้าง Model กำหนดชุด Data Classes หรือ Approaches ล่วงหน้า Model พัฒนาจากการพิจารณา Database Tuples ที่กำหนดโดย Attributes แต่ละ Tuple ถือ

Classification (การจัดประเภท) Classification เป็น Data Mining Method ใช้ทำนาย Team Membership (Class Membership) สำหรับ Data Instances ใน Classification มี Target Categorical Variable เช่น Income Bracket (ช่วงรายได้) ตัวอย่าง: อาจแบ่งเป็น 3 Classes/Categories: High Income, Middle Income, Low Income

มี Pre-processing Steps ต่อไปนี้ที่可用于 Data เพื่อช่วยเพิ่ม Accuracy, Effectiveness, และ Scalability ของ Classification หรือ Prediction Phase: 1. Data Cleaning (การทำความสะอาดข้อมูล) Pre-processing ของ Data เพื่อกำจัดหรือลด Noise ด้วย Smoothing Methods และการจัดการ Missing Values (เช่น แทนที่ Missin

มี 2 ประเภทของ Statistical-based Algorithms: 1. Regression (การถดถอย/ทวิภาค) Regression Problems จัดการกับการประเมิน Output Value จาก Input Values เมื่อใช้สำหรับ Classification Input Values คือค่าจาก Database และ Output Values กำหนด Classes Regression 可用于 Clarify Classification Problems แต่ใช้สำหรั

Decision Tree (ต้นไม้ตัดสินใจ) เป็นโครงสร้างแบบไหลงาน (flow-chart-like tree structure) ที่แต่ละโหนดภายใน (internal node) แสดงการทดสอบบนแอตทริบิวต์ (attribute) แต่ละกิ่ง (branch) แสดงผลลัพธ์ของการทดสอบ และโหนดใบ (leaf nodes) แสดงคลาสหรือการกระจายของคลาส โหนดสูงสุดในต้นไม้คือโหนดราก (root node) อัลก

Pruning (การตัดแต่ง) เป็นกระบวนการลดขนาด Decision Trees สามารถลดความเสี่ยงของ Overfitting โดยกำหนดขนาด Tree หรือกำจัดพื้นที่ของ Tree ที่ให้ Power น้อย Pruning ช่วยโดยการ Trim กิ่งที่ตาม Anomalies ใน Training Data เนื่องจาก Noise หรือ Outliers และช่วย Original Tree ด้วยวิธีที่เพิ่ม Generalization Eff

Classification (การจัดประเภท) เป็น Data Mining Approach ใช้ทำนาย Team Membership (Class Membership) สำหรับ Data Instances เป็นกระบวนการ 2 ขั้นตอน (Two-step Process) ขั้นตอนแรก สร้าง Model กำหนดชุด Data Classes หรือ Approaches ล่วงหน้า Model พัฒนาจากการพิจารณา Database Tuples ที่กำหนดโดย Attributes

Artificial Neural Network (ANN) เป็นระบบที่อาศัยบริการของ Biological Neural Networks เป็นการจำลอง (Simulation) ของระบบประสาทชีวภาพ ลักษณะของ ANN คือมี Multiple Architectures ซึ่งต้องการหลาย Methods ของ Algorithms แต่แม้เป็นระบบซับซ้อน ANN ใกล้เคียงกับ Simple Networks เหล่านี้อยู่ระหว่าง Unique Sign

OLAP ย่อมาจาก On-Line Analytical Processing เป็นการจัดหมวดหมู่เทคโนโลยีซอฟต์แวร์ ที่ให้ Analysts, Managers, Executives ได้รับ Insight เข้าสู่ข้อมูลผ่านการเข้าถึงที่ Quick, Consistent, Interactive ในมุมมองที่เป็นไปได้หลากหลาย (Possible Views) ของข้อมูลที่แปลงจาก Raw Data เพื่อสะท้อน Dimensionality จร

Data Warehouses มีปริมาณข้อมูลมหาศาล OLAP Servers ต้องการให้ Decision Support Queries ตอบสนองภายในวินาที จึงจำเป็นต้องมี Cube Computation Techniques, Access Techniques, และ Query Processing Techniques ที่มีประสิทธิภาพสูง การคำนวณ Data Cubes อย่างมีประสิทธิภาพ (Efficient Computation of Data Cubes) ห

Data Warehouses และ Data Marts ใช้ในพื้นที่แอปพลิเคชันกว้าง ผู้บริหารธุรกิจใช้ข้อมูลใน DW/Data Marts เพื่อ Data Analysis และตัดสินใจเชิงกลยุทธ์ (Strategic Decisions) ในบางบริษัท DW ใช้เป็นส่วนสำคัญของระบบ Feedback Closed-loop Plan-Execute-Assess สำหรับ Enterprise Administration DWs ใช้กว้างในธนาคาร

OLAM ย่อมาจาก Online Analytical Mining เรียกอีกอย่างว่า OLAP Mining บูรณาการ Online Analytical Processing กับ Data Mining และการทำเหมืองความรู้ในฐานข้อมูลหลายมิติ (Multi-dimensional Databases) มีหลาย Paradigms และโครงสร้างของระบบ Data Mining เครื่องมือ Data Mining หลายอย่าง ต้องทำงานบนข้อมูลที่ Int

Relational OLAP (ROLAP) Servers เป็นเซิร์ฟเวอร์ระหว่างกลาง (Intermediate Servers) ที่อยู่ระหว่าง Relational Back-end Server และ Client Front-end Tools พวกเขาfacilitate Relational หรือ Extended-Relational DBMS เพื่อเก็บและจัดการข้อมูล Warehouse และ OLAP Middleware เพื่อเติมส่วนที่ขาดหายไป ROLAP Serv

เซิร์ฟเวอร์ OLAM ดำเนินการ Analytical Mining ใน Data Cubes อย่างไร้รูปแบบเดียวกับ OLAP Server ที่ทำ Online Analytical Processing กลไก OLAM และ OLAP ที่บูรณาการ (Integrated) โดยที่ OLAM และ OLAP Servers ทั้งคู่รับคำขอ/คำสั่งออนไลน์ของผู้ใช้ (User Online Queries/Commands) ผ่าน Graphical User Interface

Data Mining เป็นกระบวนการค้นพบความสัมพันธ์ (Correlations), รูปแบบ (Patterns), และแนวโน้ม (Trends) ที่มีความหมายและใหม่ โดยการคัดลอกผ่านปริมาณข้อมูลมหาศาลที่เก็บในที่เก็บข้อมูล (Repositories) ใช้เทคโนโลยี Pattern Recognition รวมถึงเทคนิคทางสถิติและคณิตศาสตร์ เป็นการวิเคราะห์ชุดข้อมูลสังเกตการณ์ (Obse

ข้อดีของ Data Mining (Advantages) การตลาด/ขายปลีก (Marketing/Retailing) Data Mining ช่วยนักการตลาดโดยตรง (Direct Marketers) ด้วยแนวโน้มที่มีประโยชน์และแม่นยำเกี่ยวกับพฤติกรรมการซื้อของลูกค้า จากแนวโน้มเหล่านี้ นักการตลาดสามารถมุ่งเป้าการตลาดไปที่ลูกค้าได้แม่นยำขึ้น ตัวอย่าง: นักการตลาดบริษัทซอฟต์แว

Similarity Measures (การวัดความคล้ายคลึง) ให้กรอบงานที่ตัดสินใจ Data Mining บางอย่างพัฒนาขึ้น งานเช่น Classification และ Clustering โดยทั่วไปพิจารณาความมีอยู่ของ Similarity Measure ส่วนสาขาที่มีเทคนิควัดความคล้ายคลึงแย่ มักพบว่าการค้นหาข้อมูลเป็นงานที่面倒 (Cumbersome) การประยุกต์ใช้หลัก 1. Informat

Neural Network (เครือข่ายประสาท) เป็นชุดของอัลกอริทึมที่พยายามจดจำความสัมพันธ์พื้นฐานในชุดบันทึกข้อมูล ผ่านกระบวนการที่เลียนแบบวิธีที่สมองมนุษย์ทำงาน ในความหมายนี้ Neural Networks หมายถึงระบบของเซลล์ประสาท (Neurons) ไม่ว่าจะเป็นอินทรีย์หรือเทียม Neural Networks เป็นเทคนิควิเคราะห์ที่สร้างแบบจำลองตา

ข้อมูลหมวดหมู่ (Categorical Data) เป็นข้อมูลแบบไม่ต่อเนื่อง (Discrete Data) แอตทริบิวต์หมวดหมู่มีจำนวนค่าที่แตกต่างกัน (Distinct Values) จำนวนคงที่ โดยไม่มีลำดับ (Sequencing) ระหว่างค่า เช่น ภูมิภาค (Geographic Area), หมวดหมู่อาชีพ (Job Category), ประเภทสินค้า (Item Type) มีหลายวิธีสำหรับการสร้างลำด

การบูรณาการข้อมูล (Data Integration) เป็นกระบวนการรวมข้อมูลจากหลายแหล่งที่แตกต่างกัน ในการทำ Data Integration ต้องจัดการ Data Redundancy, Inconsistency, Duplicity เป็นต้น ใน Data Mining Data Integration เป็น Pre-processing Method ที่รวมข้อมูลจากแหล่งข้อมูล Heterogeneous หลายแห่งให้เป็นข้อมูล Coheren