The FASMI Test สามารถแสดง Characteristics ของ OLAP Application ใน Specific Method ได้ โดยไม่ Dictate ว่าควร Implement อย่างไร Fast (รวดเร็ว) กำหนดว่า System Targeted ให้ Most Responses ให้ Users ภายใน ~5 วินาที Understandable Analysis ใช้ไม่เกิน 1 วินาที และน้อยมากที่ใช้เกิน 20 วินาที Independent R

มี Web-based Tools ต่างๆ ดังนี้: 1. Arbor Essbase Web Tool นี้ให้ Features: Drilling Up/Down/Across, Slice and Dice, Powerful Reporting สำหรับ OLAP ให้ Data Entry เช่น Full Multi-user Concurrent Write Capabilities Arbor Essbase เป็น Server Product เท่านั้น ไม่มี User Package ดังนั้นจึง assure Deskt

มี General Optimization Techniques ต่อไปนี้สำหรับ Efficient Computation ของ Data Cubes: Sorting, Hashing, และ Grouping - ใช้ Sorting, Hashing, Grouping Operations บน Dimension Attributes เพื่อ Reorder และ Cluster Associated Tuples ใน Cube Computation Aggregation Implement บน Tuples/Cells ที่ Share

มี Variations ของ Apriori Algorithm ที่เสนอมา Target Improving Efficiency ของ Original Algorithm ดังนี้: 1. Hash-based Technique (Hashing Itemsets เข้า Buckets) Hash-based Technique ใช้ลด Size ของ Candidate k-itemsets Ck 1 ตัวอย่าง: เมื่อ Scan แต่ละ Transaction ใน Database สร้าง Frequent 1-itemsets

มีข้อกำหนดของ Clustering ใน Data Mining ดังนี้: 1. Scalability (ความสามารถในการขยาย) บาง Clustering Algorithms ทำงานดีบน Small Data Sets (< สองร้อย Objects) Huge Database อาจมี Millions ของ Objects Clustering บน Sample ของ Large Data Set อาจนำไปสู่ Biased Results ต้องการ Highly Scalable Clustering

Classic K-medoids Partitioning Algorithm เช่น PAM ทำงาน Efficient สำหรับ Small Data Sets แต่ไม่ Scale Well สำหรับ Huge Data Sets เพื่อ Deal กับ Larger Data Sets Sampling-based Method เรียกว่า CLARA (Clustering Large Applications) ใช้ได้ Idea ของ CLARA: ถ้า Sample ถูกเลือกแบบ Fairly Random มันต้อง R

Chameleon เป็น Hierarchical Clustering Algorithm ที่ใช้ Dynamic Modeling เพื่อ Decide Similarity ระหว่าง Pairs ของ Clusters พัฒนาจาก Observed Weaknesses ของ 2 Hierarchical Clustering Algorithms ได้แก่ ROCK และ CURE ROCK และ Designs ที่เกี่ยวข้อง เน้น Cluster Interconnectivity แต่ Neglect Data เกี่ย

Grid-based Clustering Methods ใช้ Multi-resolution Grid Data Structure Quantize Object Areas เป็น Finite Number ของ Cells ที่สร้าง Grid Structure ซึ่ง Operations ทั้งหมดสำหรับ Clustering Implement บน Grid Structure นี้ ข้อดีคือ Quick Processing Time โดยทั่วไป Independent ของจำนวน Data Objects แต่ De

Data Mining เป็นกระบวนการหา Useful New Correlations, Patterns, และ Trends โดย Sifting ผ่าน High Amount of Data ใน Repositories ใช้ Pattern Recognition Technologies รวม Statistical และ Mathematical Techniques เป็นการ Analyze Factual Datasets เพื่อ Discover Unsuspected Relationships และ Summarize Reco

KDD ย่อมาจาก Knowledge Discovery in Databases กำหนด Broad Process ของการค้นพบ Knowledge ใน Data และเน้น High-level Applications ของ Definite Data Mining Techniques เป็น Area of Interest ของ Researchers ในหลายสาขา เช่น AI, Machine Learning, Pattern Recognition, Databases, Statistics, Knowledge Acquis

KDD ย่อมาจาก Knowledge Discovery in Databases กำหนด Broad Process ของการค้นพบ Knowledge ใน Data และเน้น High-level Applications ของ Definite Data Mining Techniques เป็น Area of Interest ของ Researchers ในหลายสาขา เช่น AI, Machine Learning, Pattern Recognition, Databases, Statistics, Knowledge Acquis

มี User Interaction Issues ที่เกี่ยวกับ Data Mining Methodology หลายประการ ดังนี้: Mining Different Kinds of Knowledge in Databases - Users ต่างกันอาจสนใจ Knowledge ประเภทต่างๆ Data Mining ต้องครอบคลุม Broad Spectrum ของ Data Analysis และ Knowledge Discovery Tasks รวมถึง Data Characterization, Dis

Data Mining เป็นหนึ่งรูปแบบของ Artificial Intelligence ที่ใช้ Perception Models, Analytical Models, และ Multiple Algorithms เพื่อ Simulate Techniques ของ Human Brain Data Mining ช่วยให้ Machines ทำ Human Decisions และสร้าง Human Choices User ของ Data Mining Tools ต้อง Direct Machine Rules, Preferen

Data Mining เป็นกระบวนการหา Correlations, Patterns, และ Trends ใหม่ที่มีประโยชน์ โดยการ Sifting ผ่าน Large Amount of Data ใน Repositories ใช้ Pattern Recognition Technologies รวม Statistical และ Mathematical Techniques เป็นการวิเคราะห์ Factual Datasets เพื่อค้นพบ Unsuspected Relationships และ Summar

มีความท้าทายของ Data Mining หลายประการ ดังนี้: 1. Efficiency และ Scalability ของ Data Mining Algorithms เพื่อ Extract Knowledge จาก Large Amount of Data ใน Databases อย่างมีประสิทธิภาพ Knowledge Discovery Algorithms ต้อง Efficient และ Scalable ไปยัง Huge Databases โดยเฉพาะ Running Time ของ Data Min

กระบวนการรวมชุดของ Physical หรือ Abstract Objects เข้าเป็น Classes ของ Objects ที่เหมือนกัน เรียกว่า Clustering Cluster คือชุดของ Data Objects ที่เหมือนกันภายใน Cluster เดียวกัน และแตกต่างจาก Objects ใน Clusters อื่น Cluster ของ Data Objects สามารถมองร่วมกันเป็น Group เดียวได้ในหลาย Applications Cl

มีการประยุกต์ใช้ Clustering หลายอย่าง ดังนี้: Scalability (ความสามารถในการขยาย) - บาง Clustering Algorithms ทำงานดีใน Small Data Sets (< 200 Objects) แต่ Large Database อาจมี Millions ของ Objects Clustering บน Sample ของ Large Data Set อาจนำไปสู่ Biased Results ต้องการ Highly Scalable Clustering Al

มีหลายวิธีการ Clustering ดังนี้: 1. Partitioning Methods (วิธีการแบ่งพาร์ติชัน) กำหนด Database ของ n Objects หรือ Data Tuples Partitioning Method สร้าง k Partitions ของข้อมูล โดยแต่ละ Partition คือ Cluster และ k < n สามารถจัดสรร Data เป็น k Groups ที่ Satisfy ความจำเป็น: แต่ละ Group ต้องมี Object

HOLAP ย่อมาจาก Hybrid OLAP จัดการ Trade-off ระหว่าง Scalability ของ ROLAP และ Query Performance ของ MOLAP บาง Commercial OLAP Servers ขึ้นอยู่กับ HOLAP Approach ในกรณีนี้ User กำหนดว่าส่วนไหนของ Data จะเก็บใน MOLAP และส่วนไหนใน ROLAP ตัวอย่าง: โดยทั่วไป Low-level Data จัดเก็บด้วย Relational Database

Bitmap Filter มีประโยชน์ก็ต่อเมื่อ Selective Query Optimizer ตัดสินใจว่า Optimized Bitmap Filter Selective พอที่จะช่วยได้ และจะใช้กับ Operators ไหน Optimizer วาง Optimized Bitmap Filters บนทุก Department ของ Star Join และใช้ Costing Rules ตัดสินใจว่า Plan ให้ Estimated Execution Cost ต่ำสุด เมื่อ O