डेटा वेयरहाउसिंग एक ऐसी तकनीक है जिसका उपयोग मुख्य रूप से व्यवसाय को एक सार्थक व्यावसायिक अंतर्दृष्टि देने के लिए विभिन्न स्रोतों से डेटा एकत्र करने और प्रबंधित करने के लिए किया जाता है। डेटा वेयरहाउस विशेष रूप से प्रबंधन निर्णयों का समर्थन करने के लिए डिज़ाइन किया गया है। सरल शब्दों में, डेटा वेयर

ऑपरेशनल डेटाबेस ऑपरेशनल डेटाबेस डेटा वेयरहाउस के लिए डेटा का स्रोत है। इसमें व्यवसाय के सामान्य संचालन को चलाने के लिए उपयोग किया जाने वाला विस्तृत डेटा होता है। डेटा आम तौर पर बदल जाता है क्योंकि अपडेट बनाए जाते हैं और अंतिम लेनदेन के नवीनतम मूल्य को दर्शाते हैं। इसे OLTP (ऑनलाइन ट्रांजेक्शन प्रोस

डेटा वेयरहाउसिंग एक ऐसी तकनीक है जिसका उपयोग मुख्य रूप से व्यवसाय को एक सार्थक व्यावसायिक अंतर्दृष्टि देने के लिए विभिन्न स्रोतों से डेटा एकत्र करने और प्रबंधित करने के लिए किया जाता है। डेटा वेयरहाउस विशेष रूप से प्रबंधन निर्णयों का समर्थन करने के लिए डिज़ाइन किया गया है। सरल शब्दों में, डेटा वेयर

डेटा वेयरहाउस के प्रमुख घटक इस प्रकार हैं - डेटा स्रोत - डेटा स्रोत रिकॉर्ड के इलेक्ट्रॉनिक भंडार को परिभाषित करते हैं जिसमें प्रशासन के उपयोग या विश्लेषण के लिए रुचि का डेटा शामिल होता है। डेटाबेस का मेनफ्रेम (जैसे IBM DB2, ISAM, Adabas, Teradata, आदि), क्लाइंट-सर्वर डेटाबेस (जैसे Teradata, IBM DB

डेटा वेयरहाउसिंग एक ऐसी तकनीक है जिसका उपयोग मुख्य रूप से व्यवसाय को एक सार्थक व्यावसायिक अंतर्दृष्टि देने के लिए विभिन्न स्रोतों से डेटा एकत्र करने और प्रबंधित करने के लिए किया जाता है। डेटा वेयरहाउस विशेष रूप से प्रबंधन निर्णयों का समर्थन करने के लिए डिज़ाइन किया गया है। सरल शब्दों में, डेटा वेयर

तीन दृष्टिकोणों का उपयोग करके एक डेटा वेयरहाउस बनाया जा सकता है - एक टॉप-डाउन दृष्टिकोण एक बॉटम-अप अप्रोच दोनों दृष्टिकोणों का संयोजन टॉप-डाउन दृष्टिकोण पूर्ण डिजाइन और योजना के साथ शुरू होता है। यह उन मामलों में सहायक होता है जहां तकनीक परिष्कृत और परिचित है, और जहां व्यावसायिक मुद्दों

डेटा वेयरहाउस में आमतौर पर तीन-स्तरीय (स्तरीय) आर्किटेक्चर होता है जिसमें शामिल होता है - निचला स्तर एक वेयरहाउस डेटाबेस सर्वर है जो अपेक्षाकृत हमेशा एक रिलेशनल डेटाबेस सिस्टम होता है। बैक-एंड टूल और उपयोगिताओं का उपयोग परिचालन डेटाबेस या अन्य बाहरी स्रोतों (बाहरी सलाहकारों द्वारा समर्थित उपयोगकर

डेटा वेयरहाउसिंग एक ऐसी तकनीक है जिसका उपयोग मुख्य रूप से व्यवसाय को एक सार्थक व्यावसायिक अंतर्दृष्टि देने के लिए विभिन्न स्रोतों से डेटा एकत्र करने और प्रबंधित करने के लिए किया जाता है। डेटा वेयरहाउस विशेष रूप से प्रबंधन निर्णयों का समर्थन करने के लिए डिज़ाइन किया गया है। सरल शब्दों में, डेटा वेयर

डेटा एकीकरण कई अलग-अलग स्रोतों से डेटा के संयोजन का चरण है। डेटा एकीकरण को लागू करते समय, इसे डेटा अतिरेक, असंगति, दोहराव, आदि पर काम करना चाहिए। डेटा माइनिंग में, डेटा एकीकरण एक डेटा प्री-प्रोसेसिंग तकनीक है जिसमें समेकित परिप्रेक्ष्य को बनाए रखने और समर्थन करने के लिए कई विषम डेटा स्रोतों से डेटा

डेटा परिवर्तन में, डेटा को खनन के लिए उपयुक्त रूपों में रूपांतरित या संयोजित किया जाता है। डेटा परिवर्तन में निम्नलिखित शामिल हो सकते हैं - चिकनाई - यह डेटा से शोर को दूर करने का काम कर सकता है। इस तरह के तरीकों में बिनिंग, रिग्रेशन और क्लस्टरिंग शामिल हैं। एकत्रीकरण - एकत्रीकरण में, जहां डेटा पर

डेटा माइनिंग को बड़ी मात्रा में डेटाबेस में चयनित डेटा पर लागू किया जाता है। जब डेटा विश्लेषण और खनन बड़ी मात्रा में डेटा पर किया जाता है तो इसे संसाधित करने में बहुत लंबा समय लगता है, जो इसे अव्यवहारिक और अक्षम बनाता है। यह डेटा विश्लेषण के लिए प्रसंस्करण समय को कम कर सकता है, डेटा कमी तकनीकों का उ

विशेषता उपसमुच्चय का चयन अप्रासंगिक या अनावश्यक विशेषताओं (या आयामों) को समाप्त करके डेटा सेट आकार को कम करता है। विशेषता उपसमुच्चय चयन का उद्देश्य विशेषताओं के न्यूनतम सेट की खोज करना है जैसे कि डेटा वर्गों का परिणामी संभाव्यता वितरण सभी विशेषताओं का उपयोग करके मूल वितरण तक पहुँचने के लिए लागू होता

आयामीता में कमी में, मूल डेटा का कम या संपीड़ित प्रतिनिधित्व प्राप्त करने के लिए डेटा एन्कोडिंग या परिवर्तन लागू होते हैं। यदि मूल डेटा को बिना किसी सूचना की विफलता के संपीड़ित डेटा से पुनर्निर्मित किया जा सकता है, तो डेटा में कमी को दोषरहित के रूप में जाना जाता है। यदि पुनर्निर्मित डेटा केवल मूल डे

संख्यात्मकता में कमी में, डेटा प्रतिनिधित्व का एक वैकल्पिक, छोटा रूप चुनकर डेटा वॉल्यूम कम किया जाता है। ये तकनीकें पैरामीट्रिक या गैर-पैरामीट्रिक हो सकती हैं। पैरामीट्रिक विधियों के लिए, डेटा का अनुमान लगाने के लिए एक मॉडल का उपयोग किया जाता है, ताकि वास्तविक डेटा के बजाय केवल डेटा पैरामीटर को संग्

प्रिंसिपल कंपोनेंट एनालिसिस एक अनसुनी लर्निंग एल्गोरिथम है जिसका इस्तेमाल मशीन लर्निंग में डायमेंशन कम करने के लिए किया जाता है। यह एक सांख्यिकीय प्रक्रिया है जो सहसंबद्ध विशेषताओं के अवलोकन को ओर्थोगोनल डेटा के समर्थन से रैखिक रूप से असंबद्ध विशेषताओं के संग्रह में बदल देती है। इन नई रूपांतरित विशे

आयाम में कमी आयामीता में कमी में, मूल डेटा के कम या संपीड़ित चित्रण तक पहुंचने के लिए डेटा एन्कोडिंग या ट्रांसफॉर्मेशन का उपयोग किया जाता है। यदि मूल डेटा को बिना किसी डेटा हानि के संपीड़ित डेटा से पुन:उत्पन्न किया जा सकता है, तो डेटा में कमी को दोषरहित के रूप में जाना जाता है। यदि पुनर्निर्मित डेट

डेटा विवेकीकरण तकनीकों का उपयोग विशेषता की सीमा को अंतराल में विभाजित करके किसी दिए गए निरंतर विशेषता के लिए मानों की संख्या को कम करने के लिए किया जा सकता है। वास्तविक डेटा मानों को पुनर्स्थापित करने के लिए अंतराल लेबल का उपयोग किया जा सकता है। यह कम संख्या में अंतराल लेबल के साथ एक सतत विशेषता के

लागू डेटा श्रेणियों की व्यापक विविधता और डेटा मानों के लगातार अपडेट के कारण संख्यात्मक विशेषताओं के लिए अवधारणा पदानुक्रमों को परिभाषित करना जटिल और श्रमसाध्य है। संख्यात्मक डेटा के लिए अवधारणा पदानुक्रम पीढ़ी के विभिन्न तरीके इस प्रकार हैं - बिनिंग - बिनिंग एक निश्चित संख्या में डिब्बे के आधार पर

इस पोस्ट में हम AI में फॉरवर्ड रीजनिंग और बैकवर्ड रीजनिंग के बीच के अंतर को समझेंगे - फॉरवर्ड रीजनिंग यह एक डेटा-संचालित कार्य है। यह नए डेटा के साथ शुरू होता है। उद्देश्य एक निष्कर्ष निकालना है जो अनुसरण करेगा। यह अवसरवादी दृष्टिकोण का उपयोग करता है। यह आरंभिक से परिणाम की ओर बहती है

डेटा माइनिंग सांख्यिकीय और गणितीय तकनीकों सहित पैटर्न पहचान तकनीकों का उपयोग करके, रिपॉजिटरी में सहेजे गए डेटा की एक उच्च मात्रा के माध्यम से उपयोगी नए सहसंबंध, पैटर्न और प्रवृत्तियों को खोजने की प्रक्रिया है। यह अनपेक्षित संबंधों की खोज करने के लिए तथ्यात्मक डेटासेट का विश्लेषण है और डेटा स्वामी के