데이터 웨어하우징은 비즈니스에 의미 있는 비즈니스 통찰력을 제공하기 위해 다양한 소스에서 데이터를 수집하고 관리하는 데 주로 사용되는 기술입니다. 데이터 웨어하우스는 관리 결정을 지원하도록 특별히 설계되었습니다. 간단히 말해서 데이터 웨어하우스는 조직의 운영 데이터베이스와 독립적으로 유지 관리되는 데이터베이스를 정의합니다. 데이터 웨어하우스 시스템은 여러 애플리케이션 시스템의 통합을 가능하게 합니다. 분석을 위한 통합된 과거 정보의 견고한 플랫폼을 제공하여 데이터 처리를 제공합니다. 데이터 웨어하우스는 다차원 공간에서 데이터를

운영 데이터베이스 운영 데이터베이스는 데이터 웨어하우스의 데이터 소스입니다. 여기에는 비즈니스의 정상적인 운영을 실행하는 데 사용되는 자세한 데이터가 포함되어 있습니다. 데이터는 일반적으로 업데이트가 생성되고 최종 거래의 최신 값을 반영할 때 변경됩니다. 동적 데이터를 실시간으로 관리하는 데 사용되는 OLTP(Online Transactions Processing Databases)라고도 합니다. 운영 데이터베이스의 요구 사항은 데이터 조작 및 보기 메커니즘에 대한 효율적인 액세스를 통해 정보의 삽입 및 업데이트를 단순히 제어하

데이터 웨어하우징은 비즈니스에 의미 있는 비즈니스 통찰력을 제공하기 위해 다양한 소스에서 데이터를 수집하고 관리하는 데 주로 사용되는 기술입니다. 데이터 웨어하우스는 관리 결정을 지원하도록 특별히 설계되었습니다. 간단히 말해서 데이터 웨어하우스는 조직의 운영 데이터베이스와 별도로 유지 관리되는 데이터베이스를 의미합니다. 데이터 웨어하우스 시스템은 여러 애플리케이션 시스템의 통합을 가능하게 합니다. 분석을 위해 통합된 과거 정보의 견고한 플랫폼을 지원하여 데이터 처리를 제공합니다. 데이터 웨어하우스 쿼리는 요약된 수준에서 방대한

데이터 웨어하우스의 주요 구성 요소는 다음과 같습니다. - 데이터 소스 − 데이터 소스는 관리 사용 또는 분석을 위한 관심 데이터를 포함하는 기록의 전자 리포지토리를 정의합니다. 데이터베이스의 메인프레임(예:IBM DB2, ISAM, Adabas, Teradata 등), 클라이언트-서버 데이터베이스(예:Teradata, IBM DB2, Oracle 데이터베이스, Informix, Microsoft SQL Server 등), PC 데이터베이스(예:Microsoft Access, Alpha Five), 스프레드시트(예:Microsof

데이터 웨어하우징은 비즈니스에 의미 있는 비즈니스 통찰력을 제공하기 위해 다양한 소스에서 데이터를 수집하고 관리하는 데 주로 사용되는 기술입니다. 데이터 웨어하우스는 관리 결정을 지원하도록 특별히 설계되었습니다. 간단히 말해서 데이터 웨어하우스는 조직의 운영 데이터베이스와 독립적으로 유지 관리되는 데이터베이스를 정의합니다. 데이터 웨어하우스 시스템은 여러 애플리케이션 시스템의 통합을 가능하게 합니다. 분석을 위해 통합된 과거 정보의 견고한 플랫폼을 지원하여 데이터 처리를 제공합니다. 데이터 웨어하우스의 기술에는 데이터 정리, 데

세 가지 접근 방식을 사용하여 데이터 웨어하우스를 구축할 수 있습니다. 하향식 접근 방식 상향식 접근 두 접근 방식의 조합 하향식 접근 방식은 완전한 설계 및 계획으로 시작됩니다. 기술이 정교하고 친숙하며 해결해야 할 비즈니스 문제가 명확하고 잘 이해되는 경우에 유용합니다. 상향식 접근 방식은 실험과 프로토타입으로 시작합니다. 이는 비즈니스 모델링 및 기술 개발의 초기 단계에서 유용합니다. 이를 통해 조직은 상당한 노력을 기울이기 전에 훨씬 적은 비용으로 기술의 이점을 계산하고 앞으로 나아갈 수 있습니다.

데이터 웨어하우스에는 일반적으로 다음을 포함하는 3단계(계층) 아키텍처가 있습니다. 하위 계층 상대적으로 항상 관계형 데이터베이스 시스템인 웨어하우스 데이터베이스 서버입니다. 백엔드 도구 및 유틸리티는 운영 데이터베이스 또는 기타 외부 소스(외부 컨설턴트가 지원하는 사용자 프로필 데이터 포함)에서 최하위 계층으로 기록을 제공하는 데 사용됩니다. 이러한 도구와 유틸리티는 데이터 추출, 정리 및 변환(예:여러 소스의 동일한 데이터를 통합 형식으로 병합)과 로드 및 새로 고침 기능을 구현하여 데이터 웨어하우스를 업데이트합니다.

데이터 웨어하우징은 비즈니스에 의미 있는 비즈니스 통찰력을 제공하기 위해 다양한 소스에서 데이터를 수집하고 관리하는 데 주로 사용되는 기술입니다. 데이터 웨어하우스는 관리 결정을 지원하도록 특별히 설계되었습니다. 간단히 말해서 데이터 웨어하우스는 조직의 운영 데이터베이스와 별도로 유지 관리되는 데이터베이스를 의미합니다. 데이터 웨어하우스 시스템은 여러 애플리케이션 시스템의 통합을 가능하게 합니다. 분석을 위해 통합된 과거 정보의 견고한 플랫폼을 지원하여 데이터 처리를 제공합니다. 데이터 웨어하우스는 다차원 영역의 정보를 일반화하

데이터 통합은 서로 다른 여러 소스의 데이터를 결합하는 단계입니다. 데이터 통합을 구현하는 동안 데이터 중복성, 불일치, 중복성 등에 대해 작동해야 합니다. 데이터 마이닝에서 데이터 통합은 통합된 관점을 유지하고 지원하기 위해 수많은 이기종 데이터 소스의 데이터를 일관된 데이터로 병합하는 데이터 전처리 기술입니다. 정보입니다. 다양한 소스의 데이터를 데이터 웨어하우징을 포함하여 일관된 데이터 저장소로 결합합니다. 이러한 소스에는 여러 데이터베이스, 데이터 큐브 또는 플랫 파일 등이 포함될 수 있습니다. 데이터 통합 ​​중에 고려해

데이터 변환에서 데이터는 마이닝에 적합한 형태로 변환되거나 결합됩니다. 데이터 변환에는 다음이 포함될 수 있습니다. - 스무딩 − 데이터에서 노이즈를 제거하는 역할을 할 수 있습니다. 이러한 방법에는 비닝(binning), 회귀 및 클러스터링이 포함됩니다. 집계 − 집계에서 요약 또는 집계 작업이 데이터에 적용됩니다. 예를 들어, 일일 판매 데이터를 집계하여 월간 및 연간 총 금액을 계산할 수 있습니다. 이 단계는 일반적으로 여러 세분성에서 데이터 분석을 위한 데이터 큐브를 만드는 데 사용됩니다. 일반화 − 일반화에서는 개념

데이터 마이닝은 대용량 데이터베이스에서 선택된 데이터에 적용됩니다. 방대한 양의 데이터에 대해 데이터 분석 및 마이닝을 수행하면 처리하는 데 매우 오랜 시간이 걸리므로 비실용적이고 실행 불가능합니다. 데이터 분석을 위한 처리 시간을 단축할 수 있으며, 데이터 축소 기술은 원본 데이터의 무결성을 유지함으로써 볼륨이 훨씬 작은 데이터 세트의 축소된 표현을 얻는 데 사용됩니다. 데이터를 줄임으로써 동일한 분석 결과를 생성하는 데이터 마이닝 프로세스의 효율성이 향상됩니다. 데이터 축소는 더 간결하게 정의하는 것을 목표로 합니다. 데이터

속성 하위 집합 선택은 관련이 없거나 중복되는 속성(또는 차원)을 제거하여 데이터 세트 크기를 줄입니다. 속성 하위 집합 선택은 데이터 클래스의 결과 확률 분포가 모든 속성을 사용하여 액세스하는 원래 분포에 적용 가능한 만큼 가깝도록 속성의 최소 집합을 발견하는 것을 목표로 합니다. 감소된 속성 집합에 대한 데이터 마이닝은 추가 이점이 있습니다. 발견된 패턴에서 발생하는 여러 속성을 줄이고 이해하기 쉬운 패턴을 생성하도록 제공합니다. n 속성의 경우 2n이 있습니다. 가능한 하위 집합. 속성의 최적 하위 집합에 대한 철저한 검색은

차원 축소에서 데이터 인코딩 또는 변환은 원본 데이터의 축소 또는 압축 표현을 얻기 위해 적용됩니다. 압축된 데이터에서 정보의 오류 없이 원본 데이터를 재구성할 수 있는 경우 데이터 축소를 무손실이라고 합니다. 재구성된 데이터가 원본 데이터의 근사치인 경우 데이터 축소를 손실이라고 합니다. 손실 감소에는 다음과 같은 두 가지 방법이 있습니다. - 웨이블릿 변환 − 이산 웨이블릿 변환(DWT)은 데이터 벡터 X에 적용될 때 웨이블릿 계수의 수치적으로 다른 벡터 X로 변환하는 선형 신호 처리 기술입니다. 두 벡터의 길이는 비슷합

Numerosity 감소에서는 더 작은 형태의 데이터 표현을 선택하여 데이터 볼륨을 줄입니다. 이러한 기술은 매개변수적이거나 비모수적일 수 있습니다. 매개변수 방법의 경우 모델을 사용하여 데이터를 추정하므로 로그 선형 모델과 같이 실제 데이터 대신 데이터 매개변수만 저장하면 됩니다. 비모수적 방법은 히스토그램, 클러스터링 및 샘플링을 포함하는 축소된 데이터 표현을 저장하는 데 사용됩니다. 다음과 같은 숫자 감소의 다음 기술이 있습니다 - 회귀 및 로그 선형 모델 − 이 모델은 주어진 데이터를 근사화하는 데 사용할 수 있습니다.

주성분 분석은 기계 학습에서 차원 축소에 사용되는 비지도 학습 알고리즘입니다. 상관된 기능의 관찰을 직교 데이터의 지원으로 선형적으로 상관되지 않은 기능의 모음으로 변환하는 통계 프로세스입니다. 이렇게 새롭게 변형된 기능을 주요 구성요소라고 합니다. 탐색적 데이터 분석 및 예측 모델링에 사용되는 유명한 도구입니다. 분산을 줄여서 주어진 데이터셋에서 강력한 디자인을 도출하는 접근 방식입니다. PCA는 높은 속성이 클래스 간의 구분을 보여주기 때문에 각 속성의 분산을 처리하여 작동하므로 차원이 줄어듭니다. PCA의 일부 실제 응용

차원 축소 차원 축소에서 데이터 인코딩 또는 변환은 원본 데이터의 축소 또는 압축 묘사에 액세스하는 데 사용됩니다. 데이터 손실 없이 압축된 데이터에서 원본 데이터를 다시 생성할 수 있는 경우 데이터 축소를 무손실이라고 합니다. 재구성된 데이터가 원본 데이터의 근사치일 경우 데이터 축소를 손실이라고 합니다. DWT는 사인과 코사인을 포함하는 신호 처리 기술인 이산 푸리에 변환(DFT)과 거의 관련이 있습니다. 일반적으로 DWT는 더 나은 손실 압축을 달성합니다. 즉, 주어진 데이터 벡터의 DWT 및 DFT에 대해 유사한 수의 계

데이터 이산화 기술은 속성의 범위를 간격으로 나누어 주어진 연속 속성에 대한 값의 수를 줄이는 데 사용할 수 있습니다. 간격 레이블을 사용하여 실제 데이터 값을 복원할 수 있습니다. 적은 수의 간격 레이블로 연속 속성의 여러 값을 복원할 수 있으므로 원본 정보를 줄이고 단순화합니다. 이것은 마이닝 결과의 간결하고 사용하기 쉬운 지식 수준 표현으로 이어집니다. 이산화 기술은 클래스 데이터를 사용하는지 여부 또는 진행 방향(즉, 하향식 대 상향식)과 같이 이산화가 구현되는 방식에 따라 분류될 수 있습니다. 이산화 프로세스가 클래스 데

적용 가능한 데이터 범위가 광범위하고 데이터 값이 자주 업데이트되기 때문에 수치 속성에 대한 개념 계층을 정의하는 것은 복잡하고 힘든 일입니다. 숫자 데이터에 대한 개념 계층 생성의 다양한 방법은 다음과 같습니다 - 비닝 − Binning은 정의된 수의 Bin을 기반으로 하는 하향식 분할 기술입니다. 이러한 방법은 숫자 감소 및 개념 계층 생성을 위한 이산화 방법으로도 사용됩니다. 이러한 기술은 결과 파티션에 재귀적으로 사용되어 개념 계층을 만들 수 있습니다. Binning은 클래스 데이터를 사용하지 않으므로 감독되지 않은 이산화

이 포스트에서 우리는 AI에서 순방향 추론과 역방향 추론의 차이점을 이해할 것입니다 - 전향적 추론 데이터 기반 작업입니다. 새로운 데이터로 시작됩니다. 목적은 다음과 같은 결론을 찾는 것입니다. 기회주의적 접근 방식을 사용합니다. 시작에서 결과로 흐릅니다. 추론 엔진은 제약 조건에 따라 주어진 정보로 지식 기반을 검색합니다. 이러한 제약 조건의 우선 순위는 현재 상태와 일치해야 합니다. 첫 번째 단계는 시스템에 하나 이상의 제약 조건이 부여되는 것입니다. 모든 제약 조건에 대해 지식

데이터 마이닝은 통계적, 수학적 기법을 포함한 패턴 인식 기술을 사용하여 저장소에 저장된 많은 양의 데이터를 전송하여 유용한 새로운 상관 관계, 패턴 및 추세를 찾는 프로세스입니다. 의심하지 않은 관계를 발견하고 데이터 소유자에게 논리적이고 도움이 되는 새로운 방법으로 기록을 요약하기 위한 사실 데이터 세트의 분석입니다. 데이터베이스 소유자에게 명확하고 유익한 결과를 얻기 위해 처음에는 알려지지 않은 규칙성 또는 관계를 찾기 위해 다량의 정보를 선택, 탐색 및 모델링하는 절차입니다. 데이터 마이닝은 데이터 과학과 유사합니다. 특