डेटा माइनिंग की सीमाएं
डेटा माइनिंग पैटर्न पहचान प्रौद्योगिकियों का उपयोग करके भंडारों में सहेजे गए बड़ी मात्रा में डेटा के माध्यम से स्थानांतरित करके उपयोगी नए सहसंबंध, पैटर्न, और प्रवृत्तियों को खोजने की प्रक्रिया है, जिसमें सांख्यिकीय और गणितीय तकनीकें शामिल हैं। यह तथ्यात्मक डेटासेट्स का विश्लेषण है ताकि अनपेक्षित संबंधों की खोज की जा सके और रिकॉर्ड्स को नए तरीकों से सारांशित किया जा सके जो डेटा मालिक के लिए तार्किक और उपयोगी दोनों हों।
डेटा माइनिंग एक अंतःविषय क्षेत्र है, विषयों के एक समूह का संयोजन, जैसे डेटाबेस सिस्टम, सांख्यिकी, मशीन लर्निंग, विज़ुअलाइज़ेशन, और डेटा साइंस। उपयोग किए गए डेटा माइनिंग दृष्टिकोण के आधार पर, अन्य विषयों की तकनीकों को लागू किया जा सकता है, जैसे न्यूरल नेटवर्क, फजी और/या रफ सेट थ्योरी, ज्ञान प्रतिनिधित्व, इंडक्टिव लॉजिक प्रोग्रामिंग, या हाई-परफॉरमेंस कंप्यूटिंग।
डेटा माइनिंग डेटा साइंस के समान है। इसे एक व्यक्ति द्वारा, एक विशेष स्थिति में, एक विशिष्ट डेटा सेट पर, एक उद्देश्य के साथ किया जाता है। इस चरण में टेक्स्ट माइनिंग, वेब माइनिंग, ऑडियो और वीडियो माइनिंग, चित्रात्मक डेटा माइनिंग, और सोशल मीडिया माइनिंग सहित कई प्रकार की सेवाएं शामिल हैं। यह सरल या अत्यधिक विशिष्ट सॉफ्टवेयर के माध्यम से पूरा किया जाता है।
डेटा माइनिंग को आउटसोर्स करके, सभी काम कम परिचालन लागत के साथ तेजी से किए जा सकते हैं। विशिष्ट फर्म नई तकनीकों का उपयोग करके उस डेटा को सहेज सकती हैं जिसे मैन्युअल रूप से ढूंढना असंभव है। कई प्लेटफॉर्म पर टन डेटा उपलब्ध है, लेकिन बहुत सीमित ज्ञान सुलभ है।
मुख्य चुनौती डेटा का विश्लेषण करके आवश्यक डेटा निकालना है जिसका उपयोग किसी मुद्दे को हल करने या कंपनी के विकास के लिए किया जा सके। डेटा माइन करने और इससे बेहतर निर्णय खोजने के लिए कई शक्तिशाली उपकरण और तकनीकें उपलब्ध हैं।
डेटा माइनिंग की सीमाएं मुख्य रूप से डेटा या कर्मियों से संबंधित हैं, प्रौद्योगिकी से संबंधित नहीं।
डेटा माइनिंग सॉफ्टवेयर बहुत शक्तिशाली उपकरण हैं लेकिन वे स्व-पर्याप्त एप्लिकेशन नहीं हैं। यह सफल हो सकता है, और इसके लिए कुशल तकनीकी और विश्लेषणात्मक विशेषज्ञों की आवश्यकता होती है जो विश्लेषण को संरचित कर सकें और उत्पन्न आउटपुट की व्याख्या कर सकें।
डेटा माइनिंग पैटर्न और संबंध प्राप्त करने के लिए उपयोग किया जाता है, यह उपयोगकर्ता को इन पैटर्न के मूल्य या महत्व को नहीं बताता। इस प्रकार के निर्धारण उपयोगकर्ताओं द्वारा किए जाने चाहिए।
खोजे गए पैटर्न की वैधता इस बात पर निर्भर करती है कि इनकी तुलना वास्तविक दुनिया की परिस्थितियों से कैसे की जाती है। उदाहरण के लिए, एक बड़े व्यक्तियों के पूल में संभावित आतंकवादी संदिग्धों की पहचान करने के लिए डिज़ाइन किए गए डेटा माइनिंग एप्लिकेशन की वैधता का आकलन करने के लिए, उपयोगकर्ता ज्ञात आतंकवादियों के बारे में जानकारी शामिल करने वाले डेटा का उपयोग करके मॉडल का परीक्षण कर सकता है।
डेटा माइनिंग व्यवहार और चरों के बीच संबंधों की पहचान कर सकता है, यह अनिवार्य रूप से कारण संबंध की पहचान नहीं करता। उदाहरण के लिए, एक एप्लिकेशन पहचान सकता है कि व्यवहार का एक पैटर्न, जैसे उड़ान निर्धारित प्रस्थान से ठीक पहले एयरलाइन टिकट खरीदने की प्रवृत्ति, आय, शिक्षा स्तर, और इंटरनेट उपयोग जैसी विशेषताओं से संबंधित है।
