ตัวบ่งชี้ข้อยกเว้น (Exception Indicators) มีสามขนาด (measures) ที่ใช้เป็นตัวบ่งชี้ข้อยกเว้น (exception indicators) เพื่อช่วยระบุความผิดปกติของข้อมูล (data anomalies) ขนาดเหล่านี้แสดงระดับความประหลาด (degree of surprise) ที่ปริมาณในเซลล์มีต่อค่าที่คาดหวัง (expected value) ของมัน ขนาดเหล่านี้คำนวณแล

ข้อจำกัดในการวิเคราะห์เงร디엔ต์มิติหลาย ภัยของมิติ (curse of dimensionality) และความต้องการผลลัพธ์ที่เข้าใจง่าย สร้างความท้าทายร้ายแรงในการหาคำตอบที่มีประสิทธิภาพและขยายได้ (scalable) สำหรับปัญหา cubegrade สามารถจำกัดแต่เป็นรุ่นที่น่าสนใจของปัญหา cubegrade เรียกว่า การวิเคราะห์เงร디엔ต์มิติหลายแบบมีข้อ

การทำให้ข้อมูลทั่วไป (Data Generalization) การทำให้ข้อมูลทั่วไปสรุปข้อมูลโดยการแทนที่ค่าระดับต่ำ (low-level values) เช่น ค่าตัวเลขสำหรับแอตทริบิวต์อายุ (age) ด้วยแนวคิดระดับสูง (higher-level concepts) เช่น วัยเยาว์ (young), วัยกลางคน (middle-aged), และผู้สูงอายุ (senior) กับปริมาณข้อมูลมากที่จัดเก็

ความหมายของ AOI AOI ย่อมาจาก Attribute-Oriented Induction (การนำคืนเชิงแอตทริบิวต์) วิธีการนำคืนเชิงแอตทริบิวต์สำหรับคำอธิบายแนวคิด (concept description) ถูกเสนอครั้งแรกในปี 1989 ไปไม่กี่ปีก่อนการนำเสนอวิธีการข้อมูลลูกบาศก์ (data cube approach) วิธีการข้อมูลลูกบาศก์พื้นฐานอยู่บนมุมมองที่ถูกพัฒนาล่ว

กฎพื้นฐานของการทำให้แอตทริบิวต์ทั่วไป การทำให้แอตทริบิวต์ทั่วไป (Attribute generalization) ขึ้นอยู่กับกฎต่อไปนี้: หากมีชุดค่าที่แตกต่างกันจำนวนมาก (huge collection of distinct values) สำหรับแอตทริบิวต์ในความสัมพันธ์ทำงานต้นฉบับ (original working relation) และมีกลุ่มอ็อปเกอเรเตอร์การทำให้ทั่วไป (gen

การเลือกปฏิบัติหรือการเปรียบเทียบคลาส การเลือกปฏิบัติหรือการเปรียบเทียบคลาส (Class discrimination or comparison) คือการทำเหมืองข้อมูลเพื่อหาลักษณะเฉพาะที่จัดประเภทคลาสเป้าหมาย (target class) ให้แยกจากคลาสที่ตรงข้าม (contrasting classes) ได้ คลาสเป้าหมายและคลาสที่ตรงข้ามควรจะเปรียบเทียบได้ ซึ่งต้องม

มีเกณฑ์หลายอย่างของ Frequent Pattern Mining ดังนี้: 1. ตาม Completeness ของ Patterns ที่จะขุด (Based on Completeness of Patterns to be Mined) สามารถขุด Whole Set ของ Frequent Itemsets, Closed Frequent Itemsets, และ Maximal Frequent Itemsets ได้ โดยมี Minimum Support Threshold ยังสามารถแยก Constrai

Apriori เป็น Seminal Algorithm ที่พัฒนาโดย R. Agrawal และ R. Srikant ในปี 1994 สำหรับ Mining Frequent Itemsets สำหรับ Boolean Association Rules อัลกอริทึมขึ้นอยู่กับกรณีที่อัลกอริทึมต้องการ Previous Knowledge ของ Frequent Itemset Properties Apriori ใช้ Iterative Method เรียกว่า Level-wise Search โ

Web Mining นิยามกระบวนการใช้เทคนิค Data Mining เพื่อแยกรูปแบบ แนวโน้ม และข้อมูลที่เป็นประโยชน์ โดยทั่วไปด้วยความช่วยเหลือของเว็บ โดยจัดการจากบันทึกและบริการบนเว็บ Server Logs และ Hyperlinks Web Mining มุ่งค้นหา Designs ใน Web Information โดยการจัดกลุ่มและวิเคราะห์ข้อมูลเพื่อรับ Insights ที่สำคัญ W

Spatial Data Mining เป็นการประยุกต์ใช้ Data Mining กับ Spatial Models ใน Spatial Data Mining นักวิเคราะห์ใช้ Geographical หรือ Spatial Data เพื่อทำ Business Intelligence หรือผลลัพธ์ต่างๆ นี่ต้องการ Methods และ Resources เฉพาะเพื่อได้ Geographical Data เข้าสู่รูปแบบที่เกี่ยวข้องและมีประโยชน์ มี Cha

Cluster Analysis เป็นสาขาของสถิติที่ศึกษามาหลายปี ความได้เปรียบของเทคนิคนี้คือโครงสร้างหรือ Clusters ที่น่าสนใจสามารถค้นพบได้โดยตรงจากข้อมูลโดยไม่ใช้ Background Knowledge ใดๆ เช่น Concept Hierarchy Clustering Algorithms ที่ใช้ในสถิติ เช่น PAM หรือ CLARA รายงานว่าไม่มีประสิทธิภาพจากมุมมอง Computati

Temporal Data Mining (การขุดข้อมูลเชิงเวลา) นิยามกระบวนการแยกข้อมูล Non-trivial, Implicit และ Potentially Essential จากชุดข้อมูล Temporal ขนาดใหญ่ Temporal Data เป็น Series ของ Primary Data Types โดยทั่วไปเป็น Numerical Values และจัดการกับการรวบรวม Beneficial Knowledge จาก Temporal Data วัตถุประสง

Trend Analysis (การวิเคราะห์แนวโน้ม) นิยามเทคนิคสำหรับแยก Model ของพฤติกรรมใน Time Series ที่อาจซ่อนอยู่บางส่วนหรือทั้งหมดโดย Noise (สัญญาณรบกวน) วิธีการ Trend Analysis ถูกใช้อย่างแพร่หลายในการตรวจจับการระบาดและการเพิ่มขึ้น/ลดลงที่ไม่คาดคิดของ Disease Appearances การติดตามแนวโน้มโรค การประเมินความม

Attribute Subset Selection (การเลือกชุดย่อยแอตทริบิวต์) ลดขนาดชุดข้อมูลโดยการกำจัด Attributes (หรือ Dimensions) ที่ไม่เกี่ยวข้องหรือซ้ำซ้อน (Redundant) วัตถุประสงค์คือค้นพบ Minimum Set ของ Attributes ที่ทำให้ Probability Distribution ต่อไปของ Data Classes ใกล้เคียงกับ Original Distribution ที่ได้จา

ประโยชน์อยู่ที่ข้อเท็จจริงที่ว่า Wavelet Transformed Data สามารถจำกัด (Compressed) ได้ สามารถรักษา Approximation (การประมาณค่า) ที่บีบอัดของข้อมูลได้ โดยการจัดเก็บเพียงสัดส่วนเล็กน้อยของ Principal Wavelet Coefficients ตัวอย่าง Wavelet Coefficients ทั้งหมดที่สูงกว่า User-defined Threshold บางอย่าง จ

Entropy-based Discretization (การแบ่งช่วงแบบเอนโทรปี) เป็นแนวทาง Supervised Top-down Splitting สำรวจ Class Distribution Data ในการคำนวณและการรักษา Split-points (ค่าข้อมูลสำหรับแยก Attribute Range) สามารถ Discretize Statistical Attribute A ได้ โดยวิธีเลือกค่าของ A ที่มี Entropy ต่ำสุด (Minimum Entro

Measures (ขนาด/การวัด) สามารถจัดระเบียบเป็น 3 ประเภท ได้แก่ Distributive, Algebraic และ Holistic ขึ้นอยู่กับประเภทของ Aggregate Functions ที่ใช้ 1. Distributive (การแจกแจง) Aggregate Function เป็น Distributive หากคำนวณได้ในลักษณะ Distributed ดังนี้ พิจารณาข้อมูลแบ่งเป็น n Sets สามารถใช้ Function ไ

Data Warehousing เป็นแนวทางรวบรวมและจัดการข้อมูลจากหลายแหล่ง เพื่อให้ธุรกิจได้ Business Insight ที่มีนัยสำคัญ Data Warehouse สร้างขึ้นเฉพาะเพื่อสนับสนุนการตัดสินใจของผู้จัดการ อย่างง่าย Data Warehouse นิยามฐานข้อมูลที่ดูแลแยกต่างหากจาก Operational Databases ขององค์กร ระบบ Data Warehouse ช่วย Integ

Data Warehousing เป็นแนวทางรวบรวมและจัดการข้อมูลจากหลายแหล่ง เพื่อให้ธุรกิจได้ Business Insight ที่มีความหมาย Data Warehouse ออกแบบมาเฉพาะสำหรับสนับสนุนการตัดสินใจผู้จัดการ อย่างง่าย Data Warehouse นิยามฐานข้อมูลที่ดูแลแยกต่างหากจาก Operational Databases ขององค์กร ระบบ Data Warehouse ช่วย Integrat

Backup and Recovery นิยามกระบวนการสำรองบันทึกในวิธีของความสูญเสีย และตั้งค่าระบบที่ทำให้การกู้คืนข้อมูลได้เนื่องจากความสูญเสียข้อมูล การสำรองข้อมูลต้องการการคัดลอกและจัดเก็บข้อมูลคอมพิวเตอร์ (Archiving) เพื่อให้ใช้ได้ในกรณีลบหรือเสียหายของข้อมูล เป้าหมายของ Backup คือสร้างสำเนาของข้อมูลที่สามารถ R