Veri Madenciliği Aptallar için Cheat Sheet - mankenler

Meta S. Brown

tarafından Veri madenciliği sıradan işadamlarının yararlı veri ortaya çıkarmak için bir dizi veri analizi tekniği kullanması biçimidir verilerden bilgi almak ve bu bilgileri pratikte kullanmak. Veri madencileri teori ve varsayımları rahatsız etmez. Bulgularını test ederek doğruluyorlar. Ve şeylerin değiştiğini anlıyorlar, bu yüzden dün cazibesi olan keşif bugün de geçerli değilse, uyum sağlıyorlar.

Öncü veri madencisi Thomas Khabaza, yeni veri madencilerinin işine başlaması için rehberlik etmek için "Dokuz Veri Madenciliği Yasalarını" geliştirdi. Bu başvuru kılavuzu, bu yasaların her birinin günlük işiniz için ne anlam ifade ettiğini gösterir.

1. Veri Madenciliği Yasası veya "İş Hedefleri Yasası":

• İş hedefleri, her veri madenciliği çözümünün temelini oluşturmaktadır.

  Veri madencisi, belirli iş hedeflerini desteklemek için veriden yararlı bilgiler keşfeden bir kişidir. Veri madenciliği, kullandığınız araç tarafından tanımlanmamaktadır.

  2. Veri Madenciliği Yasası veya "İş Dünyası Bilgisi Yasası":

• İş Dünyası Bilgi, veri madenciliği işleminin her aşamasında (999) merkezi konumdadır. Veri madenciliği yapmak için fantezi bir istatistikçi olmanıza gerek yok, ancak verilerin ne anlama geldiğini ve işletmenin nasıl çalıştığını bilmek için bir şeyler bilmelisiniz.

  3. Veri Madenciliği Yasası veya "Veri Hazırlama Yasası":

  Veri hazırlama, her veri madenciliği işleminin

• yarısından fazladır. Hemen hemen her veri madencisi, verilerin hazırlanmasına analize göre daha fazla zaman harcayacaktır. Veri Madenciliği Yasası veya "Veri Madenciliği İçin Ücretsiz Öğle Yemeği":

  Belirli bir uygulama için doğru model ancak deney

• tarafından keşfedilebilir. Veri madenciliğinde modeller deneme yanılma yoluyla seçilir. Veri Madenciliğinin 5. Yasası:

• verilerinde daima kalıplar vardır. Veri madencisi olarak, yararlı kalıpları aramak için verileri keşfedersiniz. Verilerdeki kalıpları anlamak, gelecekte olanları etkilemenizi sağlar. Veri Madenciliğinin 6. Hukuku ya da "Insight Law":

  Veri madenciliği,

• alanındaki algılamayı güçlendirir. Veri madenciliği yöntemleri, işletmenizi kendiniz olmadan yapabildiğinizden daha iyi anlamanıza olanak tanır. 7. Veri Madenciliği Yasası veya "Tahmin Yasası":

  Tahmin, bilgiyi genelleme yoluyla yerel olarak arttırır.

• Veri madenciliği, bilemediğimiz şeyleri, bilmediğimiz şeylerin daha iyi tahminlerini (veya tahminlerini) kullanmamıza yardımcı oluyor. Veri Madenciliği Yasası'nın 8. Hukuku veya "Değer Yasası":

  Veri madenciliği sonuçlarının değeri, tahmini modellerin doğruluğu veya istikrarı ile belirlenmemiştir (

• ). Modelinizin sürekli olarak iyi tahminler üretmesi gerekir. Bu kadar. 9. Veri Madenciliği Yasası veya "Değişiklik Hukuku":

  Tüm kalıplar değiştirilebilir.

• Bugün size harika tahminler sunan herhangi bir model yarın işe yaramayabilir. Veri Madenciliği Süreci Aşamaları

  Veri madenciliği için

çapraz endüstri standardı süreç

( CRISP-DM ) dominant veri madenciliği süreci çerçevesidir. Açık bir standart; Herkes kullanabilir. Aşağıdaki liste, işlemin çeşitli aşamalarını açıklamaktadır. İş anlayışı: Çözmeniz gereken sorunu, kuruluşunuzu nasıl etkilediğini ve hedefinize ulaşma hedeflerinizi net bir şekilde öğrenin. Bu aşamadaki görevler şunlardır:

• İş hedeflerinizi belirleme Durumunuzu değerlendirme

  • Veri madenciliği hedeflerinizi tanımlama

  • Proje planınızı oluşturma

  • Veri anlayışı:

  • Sahip olduğunuz verileri inceleyin, belgelemek, veri yönetimi ve veri kalitesi konularını tanımlamak. Bu aşamadaki görevler şunlardır:

• Verilerin toplanması Tanımlama

  • Keşfetme

  • Kaliteyi doğrulama

  • Veri hazırlama:

  • Verilerinizi modelleme için hazır hale getirin. Bu aşamadaki görevler şunlardır:

• Verileri seçme Temizlik verileri

  • Entegre etme

  • Biçimlendirme

  • Modelleme:

  • Oluşturma Verileriniz içindeki kalıpları tanımlamak için matematiksel teknikler kullanın. Bu aşamadaki görevler şunlardır:

• Teknikleri seçme Testleri tasarlama

  • Model oluşturma

  • Modelleri değerlendirme

  • Değerlendirme:

  • Bulduğunuz modelleri gözden geçirin ve iş kullanma potansiyellerini değerlendirin. Bu aşamadaki görevler şunlardır:

• Sonuçları değerlendirmek Süreci gözden geçirme

  • Sonraki adımları belirleme

  • Dağıtım:

  • Bulgularınızı gündelik işlerde çalışacak şekilde yerleştirin. Bu aşamadaki görevler şunlardır:

• Planlama dağıtımı (veri madenciliği keşiflerini kullanıma sunma yöntemleriniz) Son sonuçların bildirilmesi

  • Son sonuçların gözden geçirilmesi