द FASMI टेस्ट यह किसी OLAP एप्लिकेशन की विशेषताओं को एक विशिष्ट विधि में प्रस्तुत कर सकता है, बिना यह बताए कि इसे कैसे निष्पादित किया जाना चाहिए। तेज़ - यह परिभाषित करता है कि सिस्टम को लगभग पांच सेकंड के भीतर उपयोगकर्ताओं को सबसे अधिक प्रतिक्रियाएं देने के लिए लक्षित किया जाता है, समझने योग्य विश

विभिन्न वेब-आधारित उपकरण हैं जो इस प्रकार हैं - आर्बर एस्बेस वेब - यह टूल ड्रिलिंग अप, डाउन, आर-पार जैसी सुविधाएं प्रदान करता है; स्लाइस और पासा, और शक्तिशाली रिपोर्टिंग, सभी OLAP के लिए। यह डेटा प्रविष्टि भी प्रदान करता है, जैसे पूर्ण बहु-उपयोगकर्ता समवर्ती लेखन क्षमताएं। आर्बर एस्बेस केवल एक सर्व

डेटा क्यूब्स की कुशल गणना के लिए निम्नलिखित सामान्य अनुकूलन तकनीकें हैं जो इस प्रकार हैं - क्रमबद्ध करना, हैश करना और समूह बनाना - सॉर्टिंग, हैशिंग और ग्रुपिंग ऑपरेशंस का उपयोग आयाम विशेषताओं को पुन:व्यवस्थित करने और क्लस्टर से जुड़े टुपल्स के लिए किया जाना चाहिए। घन गणना में, ट्यूपल्स (या कोशिका

एप्रीओरी एल्गोरिथम के कुछ रूपांतर हैं जिनका अनुमान लगाया गया है कि मूल एल्गोरिथम की दक्षता को विकसित करने वाले लक्ष्य इस प्रकार हैं - हैश-आधारित तकनीक (आइटमसेट को संबंधित बकेट में रखना) - हैश-आधारित तकनीक का उपयोग उम्मीदवार के-आइटमसेट के आकार को कम करने के लिए किया जा सकता है, Ck 1 के लिए। उदाहरण के

डेटा माइनिंग में क्लस्टरिंग की निम्नलिखित आवश्यकताएं हैं जो इस प्रकार हैं - मापनीयता -कुछ क्लस्टरिंग एल्गोरिदम कुछ सौ से कम डेटा ऑब्जेक्ट सहित छोटे डेटा सेट पर अच्छी तरह से काम करते हैं। एक विशाल डेटाबेस में लाखों ऑब्जेक्ट शामिल हो सकते हैं। किसी दिए गए विशाल डेटा सेट के नमूने पर क्लस्टरिंग से आंशि

PAM की तरह एक क्लासिक k-medoids विभाजन एल्गोरिथ्म छोटे डेटा सेट के लिए कुशलता से काम करता है लेकिन विशाल डेटा सेट के लिए अच्छी तरह से स्केल नहीं करता है। यह उच्च डेटा सेट से निपट सकता है, एक नमूना-आधारित विधि, जिसे क्लारा (क्लस्टरिंग लार्ज एप्लिकेशन) के रूप में जाना जाता है, का उपयोग किया जा सकता है

गिरगिट एक पदानुक्रमित क्लस्टरिंग एल्गोरिथ्म है जो समूहों के जोड़े के बीच समानता तय करने के लिए गतिशील मॉडलिंग का उपयोग करता है। ROCK और CURE जैसे दो पदानुक्रमित क्लस्टरिंग एल्गोरिदम की देखी गई कमजोरियों के आधार पर इसे बदल दिया गया था। ROCK और संबंधित डिजाइन क्लस्टर निकटता के संबंध में डेटा की उपेक्ष

ग्रिड-आधारित क्लस्टरिंग विधियाँ बहु-रिज़ॉल्यूशन ग्रिड डेटा संरचना का उपयोग करती हैं। यह ऑब्जेक्ट क्षेत्रों को कोशिकाओं की एक सीमित संख्या में परिमाणित करता है जो एक ग्रिड संरचना बनाते हैं जिस पर क्लस्टरिंग के लिए सभी संचालन कार्यान्वित किए जाते हैं। विधि का लाभ इसका त्वरित प्रसंस्करण समय है, जो आम त

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

KDD डेटाबेस में नॉलेज डिस्कवरी का प्रतिनिधित्व करता है। यह डेटा में ज्ञान की खोज की व्यापक प्रक्रिया को परिभाषित करता है और निश्चित डेटा माइनिंग तकनीकों के उच्च-स्तरीय अनुप्रयोगों पर जोर देता है। यह आर्टिफिशियल इंटेलिजेंस, मशीन लर्निंग, पैटर्न रिकग्निशन, डेटाबेस, स्टैटिस्टिक्स, प्रोफेशनल सिस्टम के ल

KDD डेटाबेस में नॉलेज डिस्कवरी का प्रतिनिधित्व करता है। यह डेटा में ज्ञान की खोज की व्यापक प्रक्रिया को परिभाषित करता है और निश्चित डेटा माइनिंग तकनीकों के उच्च-स्तरीय अनुप्रयोगों पर जोर देता है। यह आर्टिफिशियल इंटेलिजेंस, मशीन लर्निंग, पैटर्न रिकग्निशन, डेटाबेस, स्टैटिस्टिक्स, प्रोफेशनल सिस्टम के ल

डेटा माइनिंग पद्धति से संबंधित विभिन्न उपयोगकर्ता इंटरैक्शन मुद्दे हैं जो इस प्रकार हैं - डेटाबेस में विभिन्न प्रकार के ज्ञान का खनन -विभिन्न उपयोगकर्ताओं की विभिन्न प्रकार के ज्ञान में रुचि हो सकती है। इस प्रकार, डेटा माइनिंग में डेटा विश्लेषण और ज्ञान खोज कार्यों का एक व्यापक स्पेक्ट्रम शामिल होन

डेटा माइनिंग कृत्रिम बुद्धिमत्ता के रूपों में से एक है जो मानव मस्तिष्क की तकनीकों का अनुकरण करने के लिए धारणा मॉडल, विश्लेषणात्मक मॉडल और कई एल्गोरिदम का उपयोग करता है। डेटा माइनिंग मानवीय निर्णय लेने और मानवीय विकल्प बनाने के लिए मशीनों का समर्थन करता है। डेटा माइनिंग टूल के उपयोगकर्ता को मशीन के

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

डेटा माइनिंग की विभिन्न चुनौतियाँ हैं जो इस प्रकार हैं - डेटा माइनिंग एल्गोरिदम की दक्षता और मापनीयता - यह डेटाबेस में बड़ी मात्रा में डेटा से प्रभावी ढंग से डेटा निकाल सकता है, ज्ञान खोज एल्गोरिदम कुशल और विशाल डेटाबेस के लिए स्केलेबल होना चाहिए। विशेष रूप से, डेटा माइनिंग एल्गोरिथम का चलने का समय

भौतिक या अमूर्त वस्तुओं के समूह को समान वस्तुओं के वर्गों में संयोजित करने की प्रक्रिया को क्लस्टरिंग के रूप में जाना जाता है। क्लस्टर डेटा ऑब्जेक्ट्स का एक सेट है जो एक ही क्लस्टर के भीतर एक दूसरे के समान होते हैं और अन्य क्लस्टर में ऑब्जेक्ट्स से अलग होते हैं। डेटा ऑब्जेक्ट्स के समूह को सामूहिक रू

क्लस्टरिंग के विभिन्न अनुप्रयोग हैं जो इस प्रकार हैं - मापनीयता - कुछ क्लस्टरिंग एल्गोरिदम 200 से कम डेटा ऑब्जेक्ट सहित छोटे डेटा सेट में अच्छी तरह से काम करते हैं; हालाँकि, एक विशाल डेटाबेस में लाखों ऑब्जेक्ट शामिल हो सकते हैं। किसी दिए गए विशाल डेटा सेट के नमूने पर क्लस्टरिंग से पक्षपाती परिणाम

क्लस्टरिंग के विभिन्न तरीके हैं जो इस प्रकार हैं - विभाजन के तरीके -एन ऑब्जेक्ट्स या डेटा टुपल्स के डेटाबेस को देखते हुए, एक विभाजन विधि जानकारी के k विभाजन को इकट्ठा करती है, जहां प्रत्येक विभाजन एक क्लस्टर को परिभाषित करता है, और k

HOLAP हाइब्रिड OLAP का प्रतिनिधित्व करता है। यह ROLAP की मापनीयता और MOLAP के क्वेरी कार्यान्वयन के बीच एक ट्रेडऑफ़ का प्रबंधन कर सकता है, कुछ वाणिज्यिक OLAP सर्वर HOLAP पद्धति पर निर्भर हैं। इस मामले में, उपयोगकर्ता यह निर्धारित करता है कि डेटा के किस हिस्से को MOLAP में और कौन सा ROLAP में सहेजना

एक बिटमैप फ़िल्टर तभी फायदेमंद होता है जब वह चयनात्मक हो। क्वेरी ऑप्टिमाइज़र यह तय करता है कि जब एक अनुकूलित बिटमैप फ़िल्टर मददगार होने के लिए पर्याप्त रूप से चयनात्मक होता है और फ़िल्टर का उपयोग किन ऑपरेटरों के लिए किया जाता है। अनुकूलक एक स्टार के सभी विभागों पर अनुकूलित बिटमैप फ़िल्टर फ़ील्ड करता