Khai Phá Dữ Liệu Là Gì - Khai Thác Dữ Liệu Là Gì

khai quật dữ liệu là gì? Thuật ngữ khai quật dữ liệu nghĩa là gì? nguyên nhân khai thác dữ liệu lại quan trọng? khai quật dữ liệu chuyển động như vậy nào? Quy trình khai thác dữ liệu có sáu tiến trình nào? khai quật dữ liệu bao hàm kỹ thuật nào? khai thác dữ liệu bao hàm loại nào? AWS rất có thể trợ giúp như vậy nào đối với việc khai thác dữ liệu?

Khai thác dữ liệu là kỹ thuật tất cả sự hỗ trợ của sản phẩm tính được áp dụng trong chuyển động phân tích để xử trí và khám phá các tập tài liệu lớn. Nhờ bao gồm công nỗ lực và cách thức khai thác dữ liệu, những tổ chức hoàn toàn có thể khám phá phần nhiều mẫu hình và quan hệ ẩn trong dữ liệu của họ. Quá trình khai thác dữ liệu biến đổi dữ liệu thô thành kiến thức thực tế. Các công ty áp dụng kiến thức này để giải quyết vấn đề, phân tích tác động ảnh hưởng trong tương lai từ bỏ quyết định kinh doanh và tăng biên lợi nhuận của họ.

Bạn đang xem: Khai phá dữ liệu là gì

“Khai thác dữ liệu” là một thuật ngữ cần sử dụng sai do phương châm của quy trình khai quật dữ liệu không hẳn là trích xuất hoặc khai thác chính dữ liệu đó. Cố vào đó, một lượng lớn tài liệu đã gồm sẵn và quy trình khai thác dữ liệu đang trích xuất ý nghĩa sâu sắc hoặc kỹ năng và kiến thức có quý hiếm từ tài liệu đó. Bên dưới là câu chữ phác thảo quá trình thu thập, giữ trữ, phân tích và khai quật dữ liệu điển hình.

thu thập dữ liệu là vượt trình lưu lại dữ liệu từ rất nhiều nguồn không giống nhau như bình luận của khách hàng hàng, giao dịch và đối kháng đặt hàng. Phân tích tài liệu sẽ xử lý, tàng trữ và phân tích tài liệu sâu hơn bởi các ứng dụng và thuật toán phức tạp. Khai thác dữ liệu là 1 nhánh của phân tích tài liệu hoặc chiến lược phân tích được áp dụng để tìm những kiểu mẫu ẩn hoặc chưa biết trước kia trong dữ liệu.

Tại sao khai quật dữ liệu lại quan tiền trọng?

Khai thác dữ liệu là một phần quan trọng so với sự thành công xuất sắc của bất kỳ sáng kiến phân tích nào. Các doanh nghiệp hoàn toàn có thể sử dụng các bước khai phá kiến thức để tăng ý thức của khách hàng hàng, tra cứu kiếm nguồn lệch giá mới với thu hút quý khách hàng quay lại. Quy trình khai quật dữ liệu hiệu quả hỗ trợ trong không ít khía cạnh khác nhau của câu hỏi lập kế hoạch marketing và cai quản hoạt động. Dưới đây là một số ví dụ về phong thái các ngành khác biệt sử dụng quy trình khai thác dữ liệu.

Viễn thông, truyền thông và công nghệ

Các ngành dọc bao gồm tính đối đầu và cạnh tranh cao như viễn thông, truyền thông media và công nghệ sử dụng quy trình khai quật dữ liệu để cải thiện dịch vụ khách hàng bằng phương pháp tìm ra kiểu chủng loại trong hành động của khách hàng. Ví dụ: một công ty có thể phân tích những kiểu mẫu sử dụng băng thông và đưa ra đề xuất hoặc tăng cấp dịch vụ tùy chỉnh.

Ngân hàng và bảo hiểm

Các dịch vụ thương mại tài chính hoàn toàn có thể sử dụng ứng dụng khai quật dữ liệu để giải quyết và xử lý những vấn đề phức tạp liên quan cho gian lận, tuân thủ, thống trị rủi ro với tỷ lệ quý khách rời vứt dịch vụ. Ví dụ: các công ty bảo hiểm hoàn toàn có thể phát hiện tại mức định giá sản phẩm tối ưu bằng phương pháp so sánh năng suất của sản phẩm trong vượt khứ với mức định giá của kẻ địch cạnh tranh.

Giáo dục

Các nhà cung cấp dịch vụ giáo dục có thể sử dụng thuật toán khai quật dữ liệu nhằm kiểm tra tín đồ học, tùy chỉnh thiết lập bài học với biến quy trình học tập thành một trò chơi. Nhờ bao gồm nhiều cơ chế xem thống nhất, kim chỉ nan theo tài liệu về tiến độ của tín đồ học, những nhà giáo dục hoàn toàn có thể nhận biết nhu cầu của tín đồ học và cung ứng họ xuất sắc hơn.

Sản xuất

Các thương mại dịch vụ sản xuất có thể sử dụng kỹ thuật khai quật dữ liệu để cung ứng phân tích mang tính dự đoán cùng theo thời gian thực về năng suất thiết bị tổng thể, cường độ dịch vụ, unique sản phẩm và tác dụng của chuỗi cung ứng. Ví dụ: các nhà sản xuất hoàn toàn có thể sử dụng dữ liệu trước đây để dự đoán sự hao mòn của sản phẩm móc phân phối và dự liệu công tác làm việc bảo trì. Nhờ đó, họ rất có thể tối ưu hóa kế hoạch trình chế tạo và bớt thời gian chấm dứt hoạt động.

Bán lẻ

Các công ty bán lẻ có đại lý dữ liệu khách hàng lớn với tài liệu thô về hành vi mua sắm và chọn lựa của khách hàng hàng. Quy trình khai quật dữ liệu hoàn toàn có thể xử lý dữ liệu này để tiếp thu thông tin sâu sát liên quan cho các chiến dịch tiếp thị cùng dự báo doanh thu bán hàng. Thông qua các quy mô dữ liệu chính xác hơn, công ty kinh doanh nhỏ có thể tối ưu hóa hoạt động bán sản phẩm và kho vận để ngày càng tăng sự bằng lòng của khách hàng hàng. Ví dụ: quy trình khai quật dữ liệu có thể cho thấy thêm các sản phẩm theo mùa phổ cập mà nhà nhỏ lẻ có thể dự trữ trước để tránh tình trạng thiếu vắng hàng vào phút cuối.

Quy trình tiêu chuẩn chỉnh liên ngành đối với khai thác tài liệu (Cross-Industry Standard Process for Data Mining, CRISP-DM) là một trong hướng dẫn tuyệt vời và hoàn hảo nhất để bắt đầu quy trình khai thác dữ liệu. CRISP-DM vừa là phương pháp luận, vừa là quy mô quy trình trung lập cùng với ngành, hình thức và ứng dụng.

cùng với vai trò cách thức luận, CRISP-DM mô tả các giai đoạn điển hình nổi bật trong một dự án khai quật dữ liệu, demo những trọng trách liên quan trong những giai đoạn và giải thích mối quan hệ trong những nhiệm vụ này. Cùng với vai trò mô hình quy trình, CRISP-DM cung ứng một cái nhìn tổng quan lại về vòng đời khai thác dữ liệu.

Thông qua các giai đoạn CRISP-DM linh hoạt, lực lượng dữ liệu rất có thể di chuyển hẳn qua lại giữa những giai đoạn trường hợp cần. Bên cạnh ra, công nghệ phần mềm hoàn toàn có thể thực hiện nay hoặc hỗ trợ một số nhiệm vụ này.

1. đọc biết về doanh nghiệp

Nhà khoa học dữ liệu hoặc người khai quật dữ liệu bước đầu bằng cách xác minh các kim chỉ nam và phạm vi dự án. Họ hợp tác ký kết với các bên liên quan của người sử dụng để xác định một số thông tin nhất định.

vụ việc cần giải quyết và xử lý Ràng buộc hoặc giới hạn của dự án công trình Tác động sale của các chiến thuật tiềm năng

Sau đó, chúng ta sử dụng thông tin này để khẳng định mục tiêu khai quật dữ liệu cũng như nhận định tài nguyên cần có để khai thác kiến thức.

2. Hiểu biết về dữ liệu

Khi đã cầm được sự việc kinh doanh, các nhà kỹ thuật dữ liệu ban đầu phân tích sơ cỗ dữ liệu. Họ tích lũy các tập dữ liệu từ khá nhiều nguồn không giống nhau, đem được quyền truy vấn và chuẩn bị báo cáo mô tả dữ liệu. Báo cáo này bao gồm các loại dữ liệu, số lượng cũng như yêu ước về phần cứng và ứng dụng để cách xử lý dữ liệu. Sau khi được công ty phê lưu ý kế hoạch, những nhà kỹ thuật dữ liệu ban đầu khám phá với xác minh dữ liệu. Họ làm việc dữ liệu bằng các kỹ thuật những thống kê cơ bản, tấn công giá quality dữ liệu và lựa chọn tập dữ liệu sau cùng cho quá trình tiếp theo.

3. Chuẩn bị dữ liệu

Người khai thác dữ liệu dành riêng nhiều thời gian nhất cho quy trình tiến độ này do ứng dụng khai thác tài liệu yêu ước dữ liệu chất lượng cao. Những quy trình kinh doanh thu thập và lưu trữ dữ liệu vì nhiều vì sao khác không tính việc khai quật và người khai thác dữ liệu phải điều khiển dữ liệu trước khi sử dụng để lập tế bào hình. Chuẩn bị dữ liệu bao hàm các tiến trình sau đây.

Làm sạch mát dữ liệu

Ví dụ: xử lý tài liệu bị thiếu, lỗi dữ liệu, giá trị mặc định với hiệu chỉnh dữ liệu.

Tích vừa lòng dữ liệu

Ví dụ: phối kết hợp hai tập dữ liệu đơn lẻ để đã đạt được tập dữ liệu đích cuối cùng.

Định dạng dữ liệu

Ví dụ: biến hóa loại dữ liệu hoặc thông số kỹ thuật dữ liệu cho công nghệ khai thác cụ thể đang được sử dụng.

4. Lập quy mô dữ liệu

Người khai thác dữ liệu nhập tài liệu đã chuẩn bị vào ứng dụng khai thác tài liệu và nghiên cứu kết quả. Để làm điều này, họ rất có thể chọn trong các nhiều kỹ thuật với công cụ khai quật dữ liệu. Họ cũng phải viết các bài kiểm test để tiến công giá unique của công dụng khai thác dữ liệu. Để lập mô hình dữ liệu, những nhà khoa học dữ liệu có thể:

Đào tạo quy mô máy học tập (ML) trên các tập dữ liệu bé dại hơn bằng công dụng đã biết Sử dụng mô hình để phân tích thêm các tập dữ liệu chưa chắc chắn Điều chỉnh và cấu hình lại phần mềm khai thác dữ liệu cho đến khi công dụng thỏa mãn yêu cầu

5. Đánh giá

Sau khi chế tạo mô hình, người khai thác dữ liệu ban đầu đo lường mô hình so với kim chỉ nam kinh doanh ban đầu. Sau đó, họ share kết trái với các chuyên viên phân tích nhiệm vụ và thu thập phản hồi. Quy mô này hoàn toàn có thể giải đáp cặn kẽ câu hỏi ban sơ hoặc hiển thị những kiểu chủng loại mới chưa biết trước đây. Người khai thác dữ liệu có thể chuyển đổi mô hình, điều chỉnh phương châm kinh doanh hoặc chú ý sửa đổi dữ liệu tùy thuộc vào đánh giá của doanh nghiệp. Đánh giá, phản hồi và sửa đổi tiếp tục là một trong những phần của các bước khai phá con kiến thức.

6. Triển khai

Trong quá trình triển khai, mọi bên liên quan khác thực hiện mô hình thao tác làm việc để tạo ra nghiệp vụ thông minh. Nhà khoa học tài liệu lên kế hoạch cho các bước triển khai, bao hàm việc truyền đạt đến những cá nhân khác về chức năng của tế bào hình, liên tục thống kê giám sát và gia hạn ứng dụng khai quật dữ liệu. Các chuyên viên phân tích nghiệp vụ sử dụng vận dụng này để tạo báo cáo quản lý, chia sẻ kết quả với người tiêu dùng và cách tân quy trình ghê doanh.

Các kỹ thuật khai quật dữ liệu được đúc kết từ nhiều nghành nghề học hỏi trùng lặp nhau, bao hàm phân tích thống kê, lắp thêm học (ML) cùng toán học. Dưới đây là một số ví dụ.

Khai thác quy tắc liên kết

Khai thác quy tắc links là tiến trình tìm kiếm quan hệ giữa nhị tập tài liệu khác nhau, trong khi không tương quan đến nhau. Câu lệnh if-then sẽ cho thấy thêm xác suất của quan hệ giữa nhị điểm dữ liệu. Nhà khoa học dữ liệu giám sát và đo lường độ đúng mực của tác dụng bằng những tiêu chí cung ứng và độ tin cậy. Các tiêu chí cung cấp đo lường tần suất xuất hiện thêm của những thành phần liên quan liêu trong tập dữ liệu, trong những lúc đó các tiêu chuẩn độ tin cậy cho biết số lần câu lệnh if-then được tiến hành chính xác.

Ví dụ: khi người sử dụng mua một khía cạnh hàng, bọn họ cũng thường mua sản phẩm thứ hai có liên quan. Những nhà kinh doanh nhỏ có thể thực hiện quy trình khai thác liên kết cho dữ liệu mua sắm chọn lựa trước phía trên để khẳng định mối quan tiền tâm của khách hàng mới. Bọn họ sử dụng công dụng khai thác tài liệu để điền dữ liệu vào mục khuyến nghị của các shop trực tuyến.

Phân loại

Phân loại là 1 kỹ thuật khai quật dữ liệu phức hợp đào sinh sản thuật toán ML để sắp xếp dữ liệu thành các danh mục riêng biệt biệt. Chuyên môn này sử dụng các phương pháp thống kê như cây quyết định và thuật toán bóng giềng sớm nhất để khẳng định danh mục. Trong toàn bộ những phương pháp này, thuật toán được lập trình trước bằng những mục phân loại dữ liệu đã biết để đoán loại thành phần dữ liệu mới.

Ví dụ: những nhà phân tích có thể đào tạo phần mềm khai thác tài liệu bằng hình ảnh quả táo bị cắn dở và quả xoài được đính nhãn. Sau đó, phần mềm rất có thể dự đoán hình hình ảnh mới là quả táo, xoài hay các loại trái cây khác với độ chính xác nhất định.

Phân cụm

Phân cụm là quy trình nhóm các điểm dữ liệu lại với nhau dựa trên những điểm tương đồng của chúng. Phân các khác cùng với phân loại vày không thể phân biệt dữ liệu theo danh mục cụ thể nhưng rất có thể tìm thấy loại mẫu trong số điểm tương đương của chúng. Khai quật dữ liệu tạo nên một tập vừa lòng cụm, trong đó mỗi tập hợp sẽ khác biệt với các nhóm không giống nhưng đối tượng người tiêu dùng trong mỗi nhiều sẽ phần như thế nào đó gồm điểm tương đồng.

Ví dụ: phân tích cụm có thể giúp phân tích thị trường khi thao tác làm việc với tài liệu đa đổi thay từ những cuộc khảo sát. Những nhà nghiên cứu thị trường áp dụng phân tích nhiều để chia người sử dụng thành nhiều phân khúc thị phần và nắm rõ hơn về quan hệ giữa những nhóm không giống nhau.

Phân tích trình trường đoản cú và mặt đường xu hướng

Phần mềm khai thác dữ liệu cũng hoàn toàn có thể tìm kiếm các kiểu mẫu mã mà trong số đó một cộng sự kiện hoặc giá chỉ trị cụ thể sẽ tạo nên nhiều sự khiếu nại hoặc quý giá sau này. ứng dụng này rất có thể nhận ra một số biến đổi trong dữ liệu, xẩy ra theo khoảng thời gian đều đặn hoặc tiếp tục dao đụng theo thời hạn của những điểm dữ liệu.

Ví dụ: một doanh nghiệp có thể sử dụng so sánh đường xu hướng để phát hiện tại doanh số bán hàng của một số sản phẩm tốt nhất định tăng cao ngay trước kỳ nghỉ lễ hoặc xem xét thấy tiết trời càng ấm, số người truy cập trang web của mình càng tăng.

Xem thêm: 3d vision photo viewer là gì ? nvidia 3d vision là gì

Tùy nằm trong vào dữ liệu và mục đích khai thác, hoạt động khai thác tài liệu có thể có nhiều nhánh hoặc trình độ chuyên môn khác nhau. Hãy cùng tìm hiểu về một trong những nhánh hoặc trình độ chuyên môn đó dưới đây.

Khai thác quy trình

Khai thác quy trình là 1 nhánh của khai quật dữ liệu, đào bới việc thăm khám phá, giám sát và đo lường và đổi mới các các bước kinh doanh. Khai thác quy trình trích xuất kỹ năng và kiến thức từ các phiên bản ghi sự kiện gồm sẵn trong khối hệ thống thông tin. Nhánh này giúp những tổ chức nhìn nhận và đánh giá và nắm bắt được đều gì đã xảy ra trong các quy trình này sản phẩm ngày.

Ví dụ: những doanh nghiệp thương mại dịch vụ điện tử có tương đối nhiều quy trình, chẳng hạn như thu mua, bán hàng, thanh toán, thu gom và vận chuyển. Bằng cách khai thác phiên bản ghi dữ liệu thu mua, những doanh nghiệp thương mại điện tử này hoàn toàn có thể thấy rằng độ tin cậy ship hàng từ nhà cung cấp của họ là 54% hoặc 12% nhà cung cấp luôn ship hàng sớm. Họ rất có thể sử dụng thông tin này để về tối ưu hóa quan hệ với nhà cung ứng của mình.

Khai thác văn bản

Khai thác văn phiên bản hoặc khai quật dữ liệu văn bản là quá trình sử dụng ứng dụng khai thác tài liệu để đọc cùng hiểu văn bản. Công ty khoa học tài liệu sử dụng quy trình khai quật văn bản để tự động hóa khai phá kiến thức trong khoáng sản dạng văn bạn dạng như các trang web, sách, email, bài nhận xét và bài bác viết.

Ví dụ: một công ty media kỹ thuật số hoàn toàn có thể sử dụng quy trình khai thác văn bản để tự động hóa đọc comment trên các đoạn phim trực tuyến của mình và phân loại đánh giá của người xem là tích cực hay tiêu cực.

Khai thác dự đoán

Khai thác dữ liệu dự đoán sử dụng nghiệp vụ thông minh để tham gia đoán xu hướng. Khai thác dự đoán giúp các nhà chỉ huy doanh nghiệp nghiên cứu và phân tích tác rượu cồn từ quyết định của họ so với tương lai của khách hàng và đưa ra tuyển lựa hiệu quả.

Ví dụ: một công ty có thể xem xét tài liệu hoàn trả thành phầm trong quá khứ để kiến tạo chương trình bảo hành không gây thảm bại lỗ. Bằng cách khai thác dự đoán, họ sẽ dự kiến được số lượng sản phẩm có công dụng bị trả trả trong những năm tới và tạo thành chương trình bảo hành một năm có tính đến khoản chiến bại lỗ khi định giá sản phẩm.

Data Science với Data Mining là hai trong các các lĩnh vực đặc biệt nhất trong công nghệ. Cả hai nghành nghề này gần như xoay quanh dữ liệu.

Tuy nhiên, bọn chúng sử dụng dữ liệu theo 2 biện pháp khác nhau. Rộng nữa, kiến thức cần thiết để thao tác trong cả 2 nghành nghề này cũng khác nhau. Bài viết dưới đây cung cấp kiến thức tổng quan liêu về Data Mining.

Data Mining là gì?

Data mining – khai phá dữ liệu là quá trình phân loại, sắp xếp những tập hợp tài liệu lớn để xác định các chủng loại và tùy chỉnh thiết lập các mối tương tác nhằm giải quyết và xử lý các vụ việc nhờ phân tích dữ liệu. Các MCU khai thác dữ liệu chất nhận được các doanh nghiệp hoàn toàn có thể dự đoán được xu hướng tương lai.

Quá trình khai thác dữ liệu là một quá trình phức tạp bao hàm kho tài liệu chuyên sâu cũng tương tự các công nghệ tính toán. Hơn nữa, Data Mining không chỉ giới hạn trong việc trích xuất tài liệu mà còn được thực hiện để chuyển đổi, có tác dụng sạch, tích hợp dữ liệu và phân tích mẫu.

Có các tham số quan trọng đặc biệt khác nhau vào Data Mining, chẳng hạn như quy tắc kết hợp, phân loại, phân cụm và dự báo. Một số tính năng thiết yếu của Data Mining:

Dự đoán các mẫu dựa trên xu hướng trong dữ liệu.Tính toán dự đoán kết quả
Tạo thông tin phản hồi để phân tích
Tập trung vào cơ sở tài liệu lớn hơn.Phân cụm dữ liệu trực quan

Các bước trong Data Mining

Các bước quan trọng đặc biệt khi Data Mining bao gồm:

Bước 1: làm cho sạch dữ liệu – Trong bước này, dữ liệu được thiết kế sạch sao cho không có tạp âm hay không bình thường trong dữ liệu.

Bước 2: Tích hợp dữ liệu – Trong quá trình tích vừa lòng dữ liệu, những nguồn tài liệu sẽ kết hợp lại thành một.

Bước 3: Lựa chọn dữ liệu – Trong cách này, dữ liệu được trích xuất từ cửa hàng dữ liệu.

Bước 4: thay đổi dữ liệu – Trong cách này, dữ liệu sẽ được đổi khác để triển khai phân tích cầm tắt tương tự như các chuyển động tổng hợp.

Bước 5: khai phá dữ liệu – Trong bước này, cửa hàng chúng tôi trích xuất tài liệu hữu ích tự nhóm dữ liệu hiện có.

Bước 6: Đánh giá mẫu – cửa hàng chúng tôi phân tích một vài mẫu gồm trong dữ liệu.

Bước 7: trình diễn thông tin – Trong bước cuối cùng, thông tin sẽ được thể hiện dưới dạng cây, bảng, biểu đồ và ma trận. 

Các bước trong Data Mining

Ứng dụng của Data Mining

Có nhiều vận dụng của Data Mining thường bắt gặp như:

Phân tích thị phần và triệu chứng khoán
Phát hiện tại gian lận
Quản lý khủng hoảng và so với doanh nghiệp
Phân tích giá trị trọn đời của khách hàng hàng
Khám phá thêm 10 ứng dụng khai thác dữ liệu

Các công cụ khai thác dữ liệu

Các công cụ khai phá dữ liệu

Rapid
Miner

Là trong những công cụ thịnh hành nhất để khai thác dữ liệu, Rapid
Miner được viết trên gốc rễ Java nhưng mà không yêu mong mã hóa nhằm vận hành. Rộng nữa, nó hỗ trợ các tác dụng khai thác dữ liệu khác biệt như tiền xử lý dữ liệu, trình diễn dữ liệu, lọc, phân cụm, v.v.

Weka

Weka là một trong những phần mềm khai quật dữ liệu mã mối cung cấp mở được cải tiến và phát triển tại Đại học tập Wichita. Hệt như Rapid
Miner, Weka không có mã hóa và sử dụng GUI đơn giản.

Sử dụng Weka, chúng ta cũng có thể gọi trực tiếp những thuật toán học sản phẩm công nghệ hoặc nhập chúng bởi mã Java. Nó cung ứng một loạt những công nuốm như trực quan hóa, chi phí xử lý, phân loại, phân cụm, v.v.

KNime

KNime là 1 trong bộ khai phá dữ liệu dạn dĩ mẽ, hầu hết được thực hiện cho tiền cách xử lý dữ liệu, đó là, ETL: Trích xuất, biến hóa & Tải. Hơn nữa, nó tích hợp nhiều thành phần khác biệt của kỹ thuật máy và khai thác dữ liệu để hỗ trợ một nền tảng bao hàm cho toàn bộ các chuyển động phù hợp.

Apache Mahout

Apache Mahout là một phần mở rộng lớn của nền tảng Big Data Hadoop. Các nhà cải cách và phát triển tại Apache đã phát triển Mahout để xử lý nhu cầu tăng thêm về khai thác dữ liệu và vận động phân tích trong Hadoop.

Kết quả là, nó chứa các tác dụng học máy khác biệt như phân loại, hồi quy, phân cụm, v.v.

Oracle Data
Mining

Oracle Data
Mining là một trong công cụ hoàn hảo để phân loại, đối chiếu và dự đoán dữ liệu. Nó cho phép người dùng triển khai khai phá tài liệu trên cơ sở tài liệu SQL nhằm trích xuất các khung hình và biểu đồ.

Tera
Data

Đối cùng với dữ liệu, nhập kho là 1 yêu cầu phải thiết. Tera
Data, có cách gọi khác là Cơ sở dữ liệu Tera
Data cung cấp dịch vụ kho chứa các công cụ khai thác dữ liệu.

Nó hoàn toàn có thể lưu trữ dữ liệu dựa vào mức độ áp dụng của chúng, nghĩa là, nó lưu trữ dữ liệu ít được áp dụng trong phần ‘slow’ và được cho phép truy cập nhanh vào tài liệu được thực hiện thường xuyên.

Orange

Phần mượt Orange được biết đến bởi vấn đề tích hợp những công cụ khai phá dữ liệu cùng học máy. Nó được viết bằng Python và cung ứng trực quan hệ trọng và thẩm mỹ cho những người dùng.

Cập nhật kiến thức mới

Nhập thư điện tử để update nhanh nhất thông tin, kiến thức và kỹ năng từ Viện vabishonglam.edu.vn