एक सोशल नेटवर्क एक विषम और मल्टी-रिलेशनल सूचना समूह है जिसे एक ग्राफ द्वारा वर्णित किया जाता है। ग्राफ आमतौर पर बहुत बड़ा होता है, जिसमें नोड्स वस्तुओं से मेल खाते हैं और एजेस वस्तुओं के बीच संबंधों या कनेक्शन का वर्णन करने वाले कनेक्शन से मेल खाते हैं। नोड्स और कनेक्शन दोनों के गुण होते हैं। वस्तु

लिंक माइनिंग के कई कार्य हैं जो निम्नलिखित हैं - लिंक-आधारित ऑब्जेक्ट वर्गीकरण - पारंपरिक वर्गीकरण दृष्टिकोणों में, वस्तुओं को उन गुणों के आधार पर वर्गीकृत किया जाता है जो उन्हें परिभाषित करते हैं। लिंक-आधारित वर्गीकरण किसी वस्तु की श्रेणी की भविष्यवाणी न केवल उसके गुणों पर बल्कि उसके लिंक्स और ल

लिंक माइनिंग की कई चुनौतियाँ हैं जो निम्नलिखित हैं - तार्किक बनाम सांख्यिकीय निर्भरताएं - ग्राफ लिंक संरचनाओं में दो प्रकार की निर्भरताएं रहती हैं (वस्तुओं के बीच तार्किक संबंध का प्रतिनिधित्व करती हैं) और संभाव्य निर्भरताएं (सांख्यिकीय संबंधों का प्रतिनिधित्व करती हैं, जैसे वस्तुओं के गुणों के ब

मल्टी-रिलेशनल डेटा माइनिंग (MRDM) विधियां एक रिलेशनल डेटाबेस से कई टेबल्स (संबंधों) वाले पैटर्न की खोज करती हैं। प्रत्येक टेबल या संबंध एक इकाई या एक संबंध का प्रतिनिधित्व करता है, जिसे गुणों के एक सेट द्वारा वर्णित किया जाता है। संबंधों के बीच लिंक उनके बीच संबंध दिखाते हैं। प्रोपोजिशनलाइज़ेशन दृ

मल्टी-रिलेशनल क्लस्टरिंग कई संबंधों में जानकारी का उपयोग करके, उनकी समानता के आधार पर डेटा वस्तुओं को क्लस्टर्स के एक सेट में विभाजित करने की प्रक्रिया है। इस खंड में, यह क्रॉसक्लस (CrossClus) पेश कर सकता है, जो मल्टी-रिलेशनल क्लस्टरिंग के लिए एक एल्गोरिदम है जो यह पता लगाता है कि क्लस्टरिंग में उप

एक ऑब्जेक्ट पहचानकर्ता को निम्नानुसार सामान्यीकृत किया जा सकता है। सबसे पहले, ऑब्जेक्ट पहचानकर्ता को उस सबसे निचले उपवर्ग के पहचानकर्ता में सामान्यीकृत किया जाता है जिससे ऑब्जेक्ट संबंधित है। इस उपवर्ग का पहचानकर्ता बदले में, क्लास/उपवर्ग पदानुक्रम में ऊपर चढ़कर एक उच्च स्तरीय क्लास/उपवर्ग पहचानकर्

एक स्थानिक डेटाबेस भारी मात्रा में स्थान-संबंधी डेटा संग्रहीत करता है, जिसमें मानचित्र, पूर्व-प्रसंस्कृत रिमोट सेंसिंग या मेडिकल इमेजिंग रिकॉर्ड, और VLSI चिप डिज़ाइन डेटा शामिल हैं। स्थानिक डेटाबेस की कई विशेषताएं हैं जो उन्हें रिलेशनल डेटाबेस से अलग करती हैं। वे टोपोलॉजिकल और/या दूरी की जानकारी रख

स्थानिक डेटा वेयरहाउस के निर्माण और उपयोग के संबंध में कई चुनौतीपूर्ण मुद्दे हैं। पहली चुनौती विषम स्रोतों और प्रणालियों से स्थानिक जानकारी का एकीकरण है। स्थानिक डेटा आमतौर पर विभिन्न उद्योग फर्मों और सरकारी एजेंसियों में विभिन्न डेटा प्रारूपों का उपयोग करके संग्रहीत किए जाते हैं। डेटा प्रारूप न क

वेवक्लस्टर (WaveCluster) एक मल्टी-रिज़ॉल्यूशन क्लस्टरिंग एल्गोरिदम है जो पहले डेटा स्पेस पर एक बहुआयामी ग्रिड आर्किटेक्चर लागू करके रिकॉर्ड्स को सारांशित करता है। यह मूल फीचर स्पेस को बदलने के लिए वेवलेट ट्रांसफॉर्मेशन का उपयोग कर सकता है, जिससे ट्रांसफॉर्म्ड स्पेस में घने डोमेन (dense domains) का

EM (एक्सपेक्टेशन-मैक्सिमाइज़ेशन) एल्गोरिदम एक प्रसिद्ध पुनरावृत्त शोधन एल्गोरिदम है जिसका उपयोग पैरामीटर अनुमानों की खोज के लिए किया जा सकता है। इसे k-मीन्स प्रतिमान के विस्तार के रूप में माना जा सकता है, जो एक ऑब्जेक्ट को उस क्लस्टर को असाइन करता है जिसके साथ यह क्लस्टर माध्य के आधार पर सबसे समान ह

कॉन्सेप्चुअल क्लस्टरिंग मशीन लर्निंग में क्लस्टरिंग का एक रूप है जो, अनलेबल्ड ऑब्जेक्ट्स के एक सेट को दिए जाने पर, ऑब्जेक्ट्स पर एक वर्गीकरण डिज़ाइन बनाता है। पारंपरिक क्लस्टरिंग के विपरीत, जो आमतौर पर समान ऑब्जेक्ट्स के समूहों की पहचान करता है, कॉन्सेप्चुअल क्लस्टरिंग प्रत्येक समूह के लिए विशेषता प

बाधा-आधारित क्लस्टरिंग उन क्लस्टर्स को ढूंढती है जो उपयोगकर्ता-कथित प्राथमिकताओं या बाधाओं को पूरा करते हैं। यह बाधाओं की प्रकृति पर आधारित है, बाधा-आधारित क्लस्टरिंग विभिन्न दृष्टिकोण अपना सकती है। बाधाओं की कई श्रेणियां हैं जो निम्नलिखित हैं:व्यक्तिगत ऑब्जेक्ट्स पर बाधाएं - यह क्लस्टर किए जाने वाल

सेमी-सुपरवाइज्ड क्लस्टरिंग एक विधि है जो डोमेन ज्ञान का उपयोग करके अनलेबल्ड डेटा को पार्टीशन करती है। इसे आमतौर पर इंस्टेंसेस के बीच जोड़ीदार बाधाओं के रूप में या केवल लेबल्ड इंस्टेंसेस के एक अतिरिक्त सेट के रूप में व्यक्त किया जाता है।अनसुपरवाइज्ड क्लस्टरिंग की गुणवत्ता को सुपरविजन के कुछ कमजोर रूप

एक डेटा सेट S में एक ऑब्जेक्ट o पैरामीटर्स p और d के साथ दूरी-आधारित (DB) आउटलेयर है, यानी DB(p, d), यदि S में ऑब्जेक्ट्स का न्यूनतम अंश p, o से d से अधिक दूरी पर स्थित है। दूसरे शब्दों में, सांख्यिकीय परीक्षणों पर निर्भर रहने के बजाय, दूरी-आधारित आउटलेयर्स को उन ऑब्जेक्ट्स के रूप में सोचा जा सकता ह

BIRCH का अर्थ बैलेंस्ड इटरेटिव रिड्यूसिंग एंड क्लस्टरिंग यूजिंग हायरार्कीज है। इसे हायरार्किकल क्लस्टरिंग और अन्य क्लस्टरिंग विधियों के एकीकरण द्वारा संख्यात्मक रिकॉर्ड की बड़ी मात्रा को क्लस्टर करने के लिए डिज़ाइन किया गया है जिसमें इटरेटिव पार्टीशनिंग शामिल है। BIRCH दो अवधारणाएं प्रदान करता है,

होफडिंग ट्री एल्गोरिदम स्ट्रीम डेटा वर्गीकरण के लिए एक निर्णय ट्री सीखने की विधि है। इसका उपयोग शुरू में वेब क्लिकस्ट्रीम को ट्रैक करने और यह अनुमान लगाने के लिए मॉडल बनाने के लिए किया गया था कि उपयोगकर्ता किन वेब होस्ट और वेब साइटों तक पहुंचने की संभावना रखता है। यह आमतौर पर सबलाइनियर समय में चलता

CluStream उपयोगकर्ता-निर्दिष्ट, ऑनलाइन क्लस्टरिंग क्वेरी के आधार पर विकसित डेटा स्ट्रीम के क्लस्टरिंग के लिए एक एल्गोरिदम है। यह क्लस्टरिंग प्रक्रिया को ऑनलाइन और ऑफलाइन घटकों में विभाजित करता है। ऑनलाइन घटक माइक्रो-क्लस्टर का उपयोग करके डेटा स्ट्रीम के बारे में सारांश सांख्यिकी की गणना और संग्रह क

एक टाइम-सीरीज डेटाबेस में समय के बार-बार मूल्यांकन पर एक्सेस किए गए मूल्यों या घटनाओं के अनुक्रम शामिल होते हैं। मूल्यों की गणना आमतौर पर समान समय अंतराल पर की जाती है (जैसे, प्रति घंटा, दैनिक, साप्ताहिक)। टाइम-सीरीज डेटाबेस कई अनुप्रयोगों में लोकप्रिय हैं, जैसे स्टॉक मार्केट विश्लेषण, आर्थिक और बिक

एक सांख्यिकीय डिस्कॉर्डेंसी टेस्ट दो परिकल्पनाओं का विश्लेषण करती है; एक कार्यशील परिकल्पना और एक वैकल्पिक परिकल्पना। एक कार्यशील परिकल्पना, H, एक कथन है कि n ऑब्जेक्ट का पूरा डेटा सेट एक प्रारंभिक वितरण मॉडल, F, से आता है, यानी, H: oᵢ ∈ F, जहां i = 1, 2, n। परिकल्पना को बनाए रखा जाता है यदि इसके अ

एक हायरार्किकल क्लस्टरिंग तकनीक डेटा ऑब्जेक्ट को क्लस्टर के ट्री में संयोजित करके काम करती है। हायरार्किकल क्लस्टरिंग एल्गोरिदम या तो टॉप-डाउन या बॉटम-अप होते हैं। एक प्रामाणिक हायरार्किकल क्लस्टरिंग विधि की गुणवत्ता एक बार मर्ज या स्प्लिट निर्णय पूरा हो जाने पर समायोजन लागू करने में असमर्थता से खरा