دانلود پاورپوینت مروری بر روش های یکپارچه سازی داده ها در زمینه داده کاوی

داده کاوی، به عنوان کشف دانش در داده ها (KDD) نیز شناخته می شود و فرآیند کشف الگوها و سایر اطلاعات ارزشمند از مجموعه کلان داده ها محسوب می شود. پذیرش تکنیک های داده کاوی با توجه به تکامل فناوری مخزن دیتا و رشد کلان داده ها، به سرعت در طی چند دهه اخیر شتاب یافته است و به شرکت ها کمک می کند تا دیتاهای خام خود را به دانش مفید تبدیل کنند. با این حال، علیرغم این واقعیت که فناوری به طور مداوم به منظور مدیریت اطلاعات در مقیاس بزرگ تکامل می ‌یابد، رهبران همچنان با چالش ‌هایی در مورد قابلیت توسعه و اتوماسیون مواجه هستند.

این تکنیک، تصمیم گیری سازمانی را از طریق تجزیه و تحلیل داده های بصیرت مندانه، بهبود داده است. این روش ها که زیربنای این تحلیل ها هستند را می توان به دو هدف اصلی تقسیم کرد؛ آنها می توانند مجموعه داده هدف را توصیف کنند یا نتایج را از طریق استفاده از الگوریتم های یادگیری ماشین، پیش بینی نمایند. این روش ‌ها به منظور سازمان‌ دهی و فیلتر کردن دیتاها، به نمایش گذاشتن جالب ترین اطلاعات، از کشف تقلب گرفته تا رفتارهای کاربر، محدودیت ها و حتی نقض‌ های امنیتی مورد استفاده قرار گرفته اند.

فرآیند داده کاوی شامل چندین مرحله می باشد، از جمع آوری دیتا گرفته تا تصویری سازی که به منظور استخراج اطلاعات ارزشمند از مجموعه کلان داده ها استفاده می شود. همانطور که در بالا اشاره شد، از این تکنیک ها برای ارائه توضیحات و پیش بینی مجموعه داده های هدف استفاده می شود. دانشمندان داده، اطلاعات و دیتاها را از طریق مشاهدات خود از الگوها، تداعی ها و همبستگی ها، توصیف می کنند. همچنین آنها، دیتاها را از طریق روش ‌های طبقه ‌بندی و رگرسیون، رده ‌بندی و خوشه ‌بندی می‌کنند و دیتاهای پرت را به منظور استفاده در مواردی از قبیل تشخیص هرزنامه شناسایی می‌ کنند.

داده کاوی معمولاً از چهار مرحله اصلی تشکیل شده است: تعیین اهداف، جمع آوری و آماده سازی دیتاها، اعمال الگوریتم ها و ارزیابی نتایج. این روش ها به طور گسترده ای در میان تیم های هوش تجاری و تجزیه و تحلیل دیتا، پذیرفته شده اند و به این تیم ها کمک می کنند تا دانش سازمان و صنعت خود را استخراج کنند.

این پاورپوینت در 25 اسلاید آماده شده و در ادامه نیز، اسلاید شماره 3 آن قرار داده شده است:

یکپارچه سازی داده در داده کاوی، روشی برای پیش پردازش سوابق است که شامل ترکیب مستقیم حقایق بواسطه شماری دارایی اطلاعاتی ناهمگن در اطلاعات منسجم و حفظ و ارائه دیدگاهی واحد در مورد حقایق است. همچنین ممکن است این دارایی ها شامل بیش از یک مکعب سوابق، دیتابیس یا اسناد ثابت باشد. رویکرد یکپارچه سازی آمار به طور رسمی با حروف سه گانه <G, S, M> توصیف می شود که در آن G مخفف طرح جهانی، S مخفف منبع ناهمگن طرح و M مخفف نگاشت بین پرس و جوهای منبع و طرح جهانی است.

در ادامه، اسلاید شماره 21 این پاورپوینت قرار داده شده است:

برای درک اینکه یکپارچه سازی داده ها در داده کاوی چیست، ابتدا باید معنای یکپارچه سازی داده را درک کنیم. این فرآیند، یک اصطلاح رایج در صنعت است که درباره الزامات ترکیب اطلاعات از چند ساختار سازمانی مجزا در یک دیدگاه واحد یکپارچه می باشد و معمولاً به عنوان یک دیدگاه واحد از واقعیت، مورد اشاره قرار می گیرد. این دیدگاه یکپارچه معمولاً در مخزن حقایق مرتبطی به نام انبار اطلاعات ذخیره می شود.

به عنوان مثال، یکپارچه‌ سازی سوابق مشتری شامل استخراج آمار مربوط به شخصیت هر مشتری از سیستم‌ های تجاری متفاوت همراه با فروش، صورت ‌حساب و تبلیغات و بازاریابی است که سپس مستقیماً در یک دیدگاه واحد از مشتری ترکیب می‌ شود تا برای خدمات مشتری، گزارش ‌دهی و تحلیل استفاده شود.

این فرآیند در حالی صورت می‌گیرد که مجموعه ‌ای از منابع سوابق در یک دیتابیس واحد ترکیب می ‌شوند و به مشتریان آن دیتابیس اجازه می ‌دهد تا سوابقی که می‌خواهند را تائید کنند. ممکن است جمع‌ آوری حجم عظیمی از داده‌ ها در دنیای پیشرفته، کار زیادی نباشد، اما ادغام صحیح آن سوابق در چند مثال، دشوار است.

تعریف دیگری که برای درک این موضوع در این حوزه وجود دارد، این است: «ادغام داده ها به معنای تکنیک ترکیب سوابق از منابع خاص برای کمک به مدیران در درک حقایق می باشد و مدیران آن را بررسی می کنند و انتخاب های هوشمندانه تری در کسب و کار خود می کنند. این فرآیند شامل یافتن، بازیابی، پاکسازی و ارائه سوابق توسط شخص یا ماشین است».