데이터 마이닝으로 실용적인 과학

데이터 마이닝은 다양한 훈련에 위치한 횡단합니다. 그 뿌리를 찾을 수있다는 원래의 데이터 분석 기법 연구의 통계의 주요 개체입니다. 아이디어의 근본은 추정의 기초 이론, 분류, 클러스터링, 샘플링 이론, 맞는지 여전히 중 하나가 데이터 마이닝의 주요 성분입니다. 그러나 다른 방법과 기술을가 추가되었습니다 도구 상자의 데이터 분석, 연장 고전 파라 통계의 한계와 더 복잡한 모델, 그들의 성숙을 달성과 함께 지식의 실제 상태에 대한 결정을 트리, 신경 네트워크, 지원 벡터 기계, 그냥 언급하기 위해 몇가있습니다. 또한, 구성 및 관리할 필요가있다는 데이터가 필요한 대형 시신을 전개의 컴퓨터 과학 기술에 대한 데이터베이스를 관리, 쿼리 최적화, 최적의 코딩 알고리즘, 및 기타 작업을 헌신의 정보를 저장하는 메모리의 컴퓨터와가 효율적인 알고리즘의 실행됩니다.

일반적인 상표의 현대 접근법은 formalization의 추정 및 분류에 문제가 발생하는 데이터 마이닝과 수학적 최적화 문제, 그리고 일관성이 알고리즘 기술을 사용하여 이러한 문제를 결정할 최적의 솔루션을 제공합니다. 그러한 방법론을 강력히 지원하는 프레임 워크되었습니다 응용 수학 및 운영 연구 (나), 과학적인 훈련에 의해 특징에 깊은 통합 수학적 이론 및 실무적인 문제가있습니다. 중요한 증거의 역할을하거나 데이터 마이닝은 비선형 및 정수 최적화 방법에 공헌하는 솔루션을 제공해야하는 기능의 오류를 최소화 최적화될 필요가있다 신경 네트워크를 양성 및 지원을 벡터 머신. analogously, 정수 프로그래밍 및 조합 최적화되었습니다 신분에 크게를 사용하여 발생하는 문제에 대한 해결의 합성 규칙 - 기반 분류 모델과 최적의 선택의 기능에 대한 대규모 데이터 세트의 일부입니다.

강력한 방법론에도 불구하고 특성화, 데이터 마이닝을 성공적으로 적용할 수 없다는 의미 론적 각각의 깊은 이해없이는 특정 문제를 종종 사용자 정의가 필요합니다 임의의 발전은 기존의 방법이나 기법, 부분적으로 이미 기존의 알고리즘을 기반으로합니다. 를 어느 정도, 진짜 도전하는 데이터 마이닝 실천은 얼굴이의 선택, 많은 다른 방법과 접근 방법 중의 하나는 최고의 봉사의 범위를 고려하여 작업을 자주 타협 평가 선택한 모델 사이의 복잡성을 과 그 능력을 일반론입니다.