Dördüncü sanayi devriminin temeli büyük ölçüde Veri^(Data) ve Bağlantıya^{(Connectivity)} bağlı olacaktır . Veri madenciliği çözümleri geliştirebilen veya oluşturabilen Analiz Servisleri bu konuda kilit rol oynayacaktır. ^{(Analysis Services)}Potansiyel alıcıları hedeflemek için müşteri satın alma davranışının^{(customer purchasing behavior)} sonuçlarını analiz etmeye ve tahmin etmeye yardımcı olabilir . Veriler^(Data) yeni bir doğal kaynak haline gelecek ve bu sıralanmamış verilerden ilgili bilgilerin çıkarılması süreci büyük önem kazanacaktır. Bu nedenle, Veri Madenciliği ^{(Data Mining)}teriminin^{(term –)} doğru anlaşılması, süreçleri ve uygulaması, bu moda kelimeye bütünsel bir yaklaşım geliştirmemize yardımcı olabilir.

Veri Madenciliği Temelleri^{(Data Mining Basics)} ve Teknikleri

Verilerde Bilgi Keşfi^{(Knowledge Discovery in Data)} ( KDD ) olarak da bilinen veri madenciliği, basit analizin ötesine geçen kalıpları ve eğilimleri ortaya çıkarmak için büyük veri depolarını aramakla ilgilidir. Ancak bu, tek aşamalı bir çözüm değil, çok aşamalı bir süreçtir ve çeşitli aşamalarda tamamlanır. Bunlar şunları içerir:

1] Veri Toplama ve Hazırlama

Veri toplama ve uygun organizasyonu ile başlar. Bu, veri madenciliği yoluyla keşfedilebilecek bilgileri bulma şansını önemli ölçüde artırmaya yardımcı olur.

2] Model Oluşturma ve Değerlendirme

Veri madenciliği sürecindeki^{(mining process)} ikinci adım , çeşitli modelleme tekniklerinin uygulanmasıdır. Bunlar parametreleri optimum değerlere kalibre etmek için kullanılır. Kullanılan teknikler, büyük ölçüde, bir dizi kurumsal ihtiyacı ele almak ve bir karara varmak için gereken analitik yeteneklere bağlıdır.

Bazı veri madenciliği tekniklerini kısaca inceleyelim. Çoğu kuruluşun, iş gereksinimlerini karşılayan uygun bir süreç oluşturmak için iki veya daha fazla veri madenciliği tekniğini birleştirdiği bulunmuştur.

Okuyun^(Read) : Büyük Veri Nedir?

Veri Madenciliği Teknikleri

1. İlişkilendirme –  ^{(Association – )}İlişkilendirme^{(Association)} , yaygın olarak bilinen veri madenciliği tekniklerinden biridir. Bunun altında, aynı işlemdeki öğeler arasındaki ilişkiye dayalı olarak bir modelin şifresi çözülür. Bu nedenle ^(Hence)ilişki tekniği^{(relation technique)} olarak da bilinir . Büyük marka perakendeciler, müşterilerin satın alma alışkanlıklarını/tercihlerini araştırmak için bu tekniğe güvenirler. Örneğin, perakendeciler insanların satın alma alışkanlıklarını takip ederken, bir müşterinin çikolata aldığında her zaman krema aldığını belirleyebilir ve bu nedenle bir sonraki çikolata satın aldıklarında krema da almak isteyebileceklerini önerebilirler.
2. Sınıflandırma^{(Classification)} - Bu veri madenciliği tekniği , ^{(data mining technique)}makine öğrenimine dayanması ve ^{(machine learning)}Doğrusal programlama^{(Linear programming)} , Karar^(Decision) ağaçları, Sinir ağı^{(Neural network)} gibi matematiksel teknikleri kullanması bakımından yukarıdakilerden farklıdır . Sınıflandırmada şirketler, veri öğelerini gruplara ayırmayı öğrenebilen yazılımlar oluşturmaya çalışırlar. Örneğin, bir şirket, uygulamada “işten ayrılmayı teklif eden çalışanların tüm kayıtları göz önüne alındığında, gelecekte şirketten ayrılma olasılığı olan kişi sayısını tahmin eden” bir sınıflandırma tanımlayabilir. Böyle bir senaryoda şirket, çalışanların kayıtlarını “git” ve “kal” olmak üzere iki gruba ayırabilir. Daha sonra verilerini kullanabilir^{(mining software)}çalışanları daha önce oluşturulmuş ayrı gruplara ayırmak için madencilik yazılımı .
3. Kümeleme^(Clustering) – Benzer özelliklere sahip farklı^(Different) nesneler otomasyon yoluyla tek bir kümede gruplandırılır. Bu tür birçok küme, sınıflar olarak oluşturulur ve nesneler (benzer özelliklere sahip) buna göre yerleştirilir. Bunu daha iyi anlamak için kütüphanede kitap yönetimi^{(book management)} örneğini ele alalım . Bir kütüphanede, geniş kitap koleksiyonu tamamen kataloglanmıştır. Aynı türden öğeler birlikte listelenir. Bu, ilgilendiğimiz bir kitabı bulmamızı kolaylaştırır. Benzer şekilde, kümeleme tekniğini^{(clustering technique)} kullanarak, bazı benzerlikleri olan kitapları bir kümede tutabilir ve buna uygun bir isim verebiliriz. Bu nedenle, bir okuyucu ilgili bir kitap almak istiyorsa^{(book relevant)}kendi yararına, tüm kütüphaneyi aramak yerine sadece o rafa gitmesi gerekiyor. Böylece, kümeleme tekniği^{(clustering technique)} sınıfları tanımlar ve nesneleri her sınıfa koyarken, sınıflandırma tekniklerinde nesneler önceden tanımlanmış sınıflara atanır.
4. Tahmin^(Prediction) – Tahmin, genellikle diğer veri madenciliği teknikleri^{(data mining technique)} ile birlikte kullanılan bir veri^{(data mining technique)} madenciliği tekniğidir . Eğilimleri, sınıflandırmayı, örüntü eşleştirmeyi^{(pattern matching)} ve ilişkiyi analiz etmeyi içerir. Geçmiş olayları veya örnekleri uygun bir sırayla^{(sequence one)} analiz ederek , gelecekteki bir olayı güvenle tahmin edebilirsiniz. Örneğin, satış bağımsız bir değişken olarak ve kâr^{(variable and profit)} , satışa bağlı bir değişken olarak seçilirse, satışta gelecekteki karı tahmin etmek için tahmin analizi tekniği kullanılabilir. ^{(prediction analysis technique)}Daha sonra, tarihsel satış ve kar verilerine^{(sale and profit data)} dayanarak , şu amaçlar için kullanılan uygun bir regresyon eğrisi çizilebilir .^{(regression curve)}kâr tahmini^{(profit prediction)} .
5. Karar ağaçları^{(Decision trees)} – Karar ağacında^{(decision tree)} , birden çok yanıtı olan basit bir soruyla başlıyoruz. Her cevap, kategorize edilebilmesi veya her bir cevaba dayalı olarak bir tahminin yapılabilmesi için verileri sınıflandırmaya veya tanımlamaya yardımcı olacak başka bir soruya götürür. Örneğin, kriket ODI oynayıp oynamayacağımızı belirlemek için aşağıdaki karar ağacını^{(decision tree)} kullanırız : Veri Madenciliği Karar Ağacı : ^{(Data Mining Decision Tree)}Kök düğümden^{(root node)} başlayarak , eğer hava durumu^{(weather forecast)} yağmuru o zaman tahmin ederse, o gün için maçtan kaçınmalıyız. Alternatif olarak, hava tahmini^{(weather forecast)} açıksa , maçı oynamalıyız.

Veri Madenciliği , iletişim, ^{(Data Mining)}Sigorta^(Insurance) , Eğitim^(Education) , İmalat^{(Manufacturing)} , Bankacılık ve Perakende^{(Banking and Retail)} gibi çeşitli endüstri ve disiplinlerdeki analitik çabalarının merkezinde yer alır . Bu nedenle, farklı teknikleri uygulamadan önce bu konuda doğru bilgilere sahip olmak önemlidir.

What is Data Mining? Basics and its Techniques.

The foundation оf the fourth industrial revolution will largely depend upon Data and Connectivity. Analysis Services capable of developing or creating data mining solutions will play a key role in this regard. It could assist in analyzing and predicting outcomes of customer purchasing behavior for targeting potential buyers. Data will become a new natural resource and the process of extracting relevant information from this unsorted data will assume immense importance. As such, a proper understanding of the term – Data Mining, its processes, and application could help us in developing a holistic approach to this buzzword.

Data Mining Basics and its Techniques

Data mining, also known as Knowledge Discovery in Data (KDD) is about searching large stores of data to uncover patterns and trends that go beyond simple analysis. This, however, is not a single-step solution but a multi-step process and is completed in various stages. These include:

1] Data gathering and Preparation

It starts with data collection and its proper organization. This helps in significantly improving the chances of finding the information that can be discovered through data mining

2] Model Building and Evaluation

The second step in data mining process is the application of various modeling techniques. These are used to calibrate the parameters to optimal values. Techniques employed largely depend on analytic capabilities required to address a gamut of organizational needs and to arrive at a decision.

Let us examine some data mining techniques in brief. It is found that most organizations combine two or more data mining techniques together to form an appropriate process that meets their business requirements.

Read: What is Big Data?

Data Mining Techniques

1. Association – Association is one of the widely-known data mining techniques. Under this, a pattern is deciphered based on a relationship between items in the same transaction. Hence, it is also known as the relation technique. Big brand retailers rely on this technique to research customer’s buying habits/preferences. For example, when tracking people’s buying habits, retailers might identify that a customer always buys cream when they buy chocolates, and therefore suggest that the next time that they buy chocolates they might also want to buy cream.
2. Classification – This data mining technique differs from the above in the way that it is based on machine learning and uses mathematical techniques such as Linear programming, Decision trees, Neural network. In classification, companies try to build software that can learn how to classify the data items into groups. For instance, a company can define a classification in the application that “given all records of employees who offered to resign from the company, predict the number of individuals who are likely to resign from the company in future.” Under such a scenario, the company can classify the records of employees into two groups that namely “leave” and “stay”. It can then use its data mining software to classify the employees into separate groups created earlier.
3. Clustering – Different objects exhibiting similar characteristics are grouped together in a single cluster via automation. Many such clusters are created as classes and objects (with similar characteristics) are placed in it accordingly. To understand this better, let us consider an example of book management in the library. In a library, the vast collection of books is fully cataloged. Items of the same type are listed together. This makes it easier for us to find a book of our interest. Similarly, by using the clustering technique, we can keep books that have some kinds of similarities in one cluster and assign it a suitable name. So, if a reader is looking to grab a book relevant to his interest, he only has to go to that shelf instead of searching the entire library. Thus, the clustering technique defines the classes and puts objects in each class, while in the classification techniques, objects are assigned into predefined classes.
4. Prediction – The prediction is a data mining technique that is often used in combination with the other data mining techniques. It involves analyzing trends, classification, pattern matching, and relation. By analyzing past events or instances in a proper sequence one can safely predict a future event. For instance, the prediction analysis technique can be used in the sale to predict future profit if the sale is chosen as an independent variable and profit as a variable dependent on sale. Then, based on the historical sale and profit data, one can draw a fitted regression curve that is used for profit prediction.
5. Decision trees – Within the decision tree, we start with a simple question that has multiple answers. Each answer leads to a further question to help classify or identify the data so that it can be categorized, or so that a prediction can be made based on each answer. For example, We use the following decision tree to determine whether or not to play cricket ODI: Data Mining Decision Tree: Starting at the root node, if the weather forecast predicts rain then, we should avoid the match for the day. Alternatively, if the weather forecast is clear, we should play the match.

Data Mining is at the heart of analytics efforts across a variety of industries and disciplines like communications, Insurance, Education, Manufacturing, Banking and Retail and more. Therefore, having correct information about it is essential before apply the different techniques.

Related posts

• 26 En İyi Veri Madenciliği Yazılımı

• Automatic Data Type feature Excel'te Nasıl Kullanılır?

• BitLocker Setup BCD (Boot Configuration Data) mağazasını ihraç edilemedi

• Windows 10 üzerinde Data Usage Limit nasıl yönetilir?

• Registry File'u alınamaz. Tüm Data, kayıt defterine yazılmış değil

• Samsung Data Migration% 0,% 99 veya% 100 sıkışmış

• Data Analytics nedir ve ne için kullanılır?

• Microsoft Personal Data Dashboard, verilerinizin nasıl kullanıldığına karar vermenize izin verir

• CD/DVD Data Recovery software CD DVD dan Data kurtarmak için

• Windows 10 için en iyi 10 meslek Backup and Data recovery software

• Microarchitectural Data Sampling (MDS) güvenlik açığı açıklandı

• PCmover Express - Migrate Data Windows 7'den Windows 10'e ücretsiz

• Best Free Online Data Visualization Tools

• Fix Unallocated Hard Drive Windows 10 yılında Data kaybetmeden

• Windows PC için Renee Becca Data Backup Software

• Reliability Monitor Windows 10 için Reliability Monitor için Disable Data Collection Enable

• Burn, Windows 10'da grileşmiş diske; DVD'i yakamıyorum

• Big Data Consumption. Big Data'un kullanımları nelerdir?

• Data and Information arasındaki fark nedir

• Site Data için Chrome or Edge'de bulunan Site Data'ü temizleyin. Developer Tools'ü kullanma