KDD: डेटाबेस में ज्ञान खोज
KDD (Knowledge Discovery in Databases) डेटा में ज्ञान खोजने की व्यापक प्रक्रिया को परिभाषित करता है और विशिष्ट डेटा माइनिंग तकनीकों के उच्च-स्तरीय अनुप्रयोगों पर जोर देता है। यह कृत्रिम बुद्धिमत्ता, मशीन लर्निंग, पैटर्न पहचान, डेटाबेस, सांख्यिकी, विशेषज्ञ प्रणालियों के लिए ज्ञान अधिग्रहण, और डेटा विज़ुअलाइज़ेशन जैसे कई क्षेत्रों के शोधकर्ताओं के लिए रुचि का क्षेत्र है।
KDD प्रक्रिया का मुख्य उद्देश्य विशाल डेटाबेस के संदर्भ में जानकारी से डेटा निकालना है। यह डेटा माइनिंग एल्गोरिदम का उपयोग करके ऐसा करता है ताकि जिसे ज्ञान माना जाता है उसे पहचाना जा सके।
डेटाबेस में ज्ञान खोज को विशाल डेटा भंडारों के प्रोग्रामेटिक, खोजपूर्ण विश्लेषण और मॉडलिंग के रूप में माना जाता है। KDD बड़े और जटिल डेटा सेट्स से वैध, उपयोगी, और समझने योग्य पैटर्न की पहचान करने की संगठित प्रक्रिया है।
डेटा माइनिंग KDD प्रक्रिया का मूल है, जैसे कि उन एल्गोरिदम का अनुमान लगाना जो रिकॉर्ड्स की जांच करते हैं, मॉडल विकसित करते हैं, और पहले से अज्ञात पैटर्न की खोज करते हैं। मॉडल का उपयोग जानकारी से ज्ञान निकालने, जानकारी का विश्लेषण करने, और जानकारी का पूर्वानुमान लगाने के लिए किया जाता है।
डेटा माइनिंग KDD प्रक्रिया में एक चरण है जिसमें स्वीकार्य कम्प्यूटेशनल दक्षता सीमाओं के तहत डेटा विश्लेषण और खोज एल्गोरिदम लागू करना शामिल है जो डेटा पर पैटर्न (या मॉडल) की एक विशिष्ट गणना करते हैं।
KDD प्रक्रिया में डेटाबेस का उपयोग कुछ आवश्यक चयन, प्रीप्रोसेसिंग, सबसैंपलिंग, और इसके परिवर्तनों के साथ करना शामिल है; पैटर्न गणना के लिए डेटा-माइनिंग विधियों (एल्गोरिदम) का उपयोग करना; और डेटा माइनिंग के उत्पादों का मूल्यांकन करके गिने गए पैटर्न के उपसमूह को पहचानना जिन्हें ज्ञान माना जाता है।
ज्ञान खोज प्रक्रिया में शामिल चरण
- चयन (Selection) - डेटा माइनिंग प्रक्रिया के लिए आवश्यक डेटा विभिन्न स्रोतों से एकत्र किया जाता है। इसलिए, पहला कदम डेटासेट चुनना या उन चरों या डेटा नमूनों के उपसमूह पर ध्यान केंद्रित करना है जिन पर खोज लागू की जानी है।
- डेटा सफाई और प्रीप्रोसेसिंग (Data cleaning and preprocessing) - प्रक्रिया द्वारा उपयोग किए जाने वाले डेटा में लापता या गलत मान हो सकते हैं इसलिए मूल ऑपरेशंस में शोर हटाना, शोर के लिए मॉडल या खाते के लिए आवश्यक जानकारी एकत्र करना, लापता डेटा फ़ील्ड को संभालने के लिए तकनीकों पर निर्णय लेना, और समय-अनुक्रम जानकारी के लिए लेखांकन शामिल है, जो KDD प्रक्रिया के दूसरे चरण में पूरा होता है।
- डेटा परिवर्तन (Data transformation) - इस चरण में कार्य के लक्ष्य के आधार पर डेटा को दर्शाने के लिए उपयोगी विशेषताओं को खोजना शामिल है। डायमेंशनलिटी रिडक्शन या परिवर्तन दृष्टिकोण के साथ, विचाराधीन चर की कुशल संख्या को कम किया जा सकता है, या डेटा के लिए अपरिवर्तनीय प्रतिनिधित्व खोजा जा सकता है।
- डेटा माइनिंग (Data mining) - किए जा रहे डेटा माइनिंग कार्य के आधार पर, यह चरण परिवर्तित डेटा पर एक एल्गोरिदम लागू करता है, एक विशेष प्रतिनिधित्व रूप या विशिष्ट प्रतिनिधित्व के सेट में रुचि के पैटर्न की खोज करता है, जिसमें वर्गीकरण नियम या ट्री, रिग्रेशन, और क्लस्टरिंग शामिल हैं।
- खनन पैटर्न की व्याख्या (Interpreting mined patterns) - इस चरण में निकाले गए पैटर्न और मॉडल या निकाले गए मॉडल में दिए गए डेटा का विज़ुअलाइज़ेशन भी शामिल हो सकता है।
