مراحل کلی در انجام عملیات داده کاوی

مراحل کلی در انجام عملیات داده کاوی

می‌توان گفت داده کاوی هدف اصلی و نهایی سازمان ها در بکارگیری از هوش تجاری BI است. انجام عمل داده کاوی علاوه بر تخصص و توانایی فنی بالا و تسلط به کسب و کار مربوطه نیازمند مقدمات دیگری نیز هست و تا فراهم نشدن تمامی این مقدمات امکان پذیر نمی باشد. در ادامه هر یک از این پیش نیازها را بررسی می‌کنیم.

طراحی و پیاده سازی انبار داده:

بدون وجود انبار داده‌ای جامع و دقیق نمی‌توان به سوی داده کاوی قدم برداشت. پیش از انجام هر نوع عمل کاوش در داده‌ها ابتدا باید از یکپارچگی، صحت و تجمیع اطلاعات اطمینان حاصل شود. اطلاعات باید واقعی و دارای توالی به روز رسانی مشخص باشند. مراحل پیاده سازی انبار داده در اینجا شرح داده شده است.

بررسی و انتخاب داده ها بر اساس نوع الگوریتم مورد استفاده:

فارغ از اینکه از چه ابزاری برای عملیات داده کاوی استفاده می‌کنیم، تعداد الگوریتم‌ها، تنوع و مقاصد آنها متفاوت است. از این رو باید بر اساس نوع الگوریتمی که قصد استفاده از آن را داریم اطلاعات را انتخاب نماییم. الگوریتم های داده کاوی در اینجا شرح داده شده است.

 

تبدیل داده ها به فرمت و ساختار مورد نیاز الگوریتم:

هر الگوریتم داده کاوی بر اساس نوع خروجی و هدفی که دنبال می‌کند به فرمت خاص خود نیاز دارد. در این مرحله باید داده های مورد نیاز الگوریتم را به شکل و قالب قابل قبول برای الگوریتم تبدیل کنیم. انواع داده ای مورد استفاده در Microsoft Data Mining را اینجا مطالعه کنید.

 

کاوش در داده با استفاده از الگوریتم های داده کاوی:

در این مرحله کار را به الگوریتم انتخاب شده می سپاریم. الگوریتم بر اساس پارامترها و ورودی های مشخص شده شروع به کاوش در داده ها می‌کند و روابط و اطلاعات مورد نیاز جهت رسیدن به دانش را در اختیار ما قرار می دهد.
در این رابطه می توانید الگوریتم کلاسترینگ و سری زمانی را مطالعه نمایید.

 

تحلیل و تفسیر نتیجه :

بدیهی است که کسب دانش از داده ها نیازمند تجزیه و تحلیل و تفسیر خروجی مرحله قبل است. رسیدن به نتیجه مطلوب در کنار تلاش تیمی متشکل از افراد فنی و غیر فنی که تسلط کامل برروی اطلاعات و کسب و کار دارند میسر است.

 

 

دیدگاه خود را بنویسید: