एक सामाजिक नेटवर्क एक ग्राफ द्वारा वर्णित एक विषम और बहु-संबंधपरक जानकारी है। ग्राफ आम तौर पर बहुत बड़ा होता है, जिसमें वस्तुओं के अनुरूप नोड्स और वस्तुओं के बीच संबंधों या कनेक्शन का वर्णन करने वाले कनेक्शन के अनुरूप किनारे होते हैं। नोड्स और कनेक्शन दोनों में गुण होते हैं। ऑब्जेक्ट में क्लास लेबल

लिंक माइनिंग के कई कार्य हैं जो इस प्रकार हैं - लिंक-आधारित ऑब्जेक्ट वर्गीकरण - पारंपरिक वर्गीकरण दृष्टिकोणों में, वस्तुओं को उन विशेषताओं के आधार पर वर्गीकृत किया जाता है जो उन्हें परिभाषित करती हैं। लिंक-आधारित वर्गीकरण भविष्यवाणी करता है कि किसी वस्तु की श्रेणी न केवल उसकी विशेषताओं पर निर्भर

लिंक माइनिंग की कई चुनौतियाँ हैं जो इस प्रकार हैं - तार्किक बनाम सांख्यिकीय निर्भरता - दो प्रकार की निर्भरताएँ ग्राफ़ लिंक संरचनाओं (वस्तुओं के बीच तार्किक संबंध का प्रतिनिधित्व करने वाली) और संभाव्य निर्भरता (सांख्यिकीय संबंधों का प्रतिनिधित्व करती हैं, जैसे वस्तुओं की विशेषताओं के बीच संबंध, जह

मल्टी-रिलेशनल डेटा माइनिंग (MRDM) विधियाँ उन डिज़ाइनों की खोज करती हैं जिनमें रिलेशनल डेटाबेस से कई टेबल (रिलेशन्स) होते हैं। प्रत्येक तालिका या संबंध विशेषताओं के एक समूह द्वारा वर्णित एक इकाई या संबंध का प्रतिनिधित्व करता है। संबंधों के बीच संबंध उनके बीच के संबंध को दर्शाता है। पारंपरिक डेटा माइन

मल्टी-रिलेशनल क्लस्टरिंग डेटा ऑब्जेक्ट्स को उनकी समानता के आधार पर समूहों के एक सेट में विभाजित करने की प्रक्रिया है, जो कई संबंधों में जानकारी का उपयोग करती है। इस खंड में, यह क्रॉसक्लस (उपयोगकर्ता मार्गदर्शन के साथ क्रॉस-रिलेशनल क्लस्टरिंग), मल्टी-रिलेशनल क्लस्टरिंग के लिए एक एल्गोरिदम पेश कर सकता

एक वस्तु पहचानकर्ता को निम्नानुसार सामान्यीकृत किया जा सकता है। सबसे पहले, ऑब्जेक्ट आइडेंटिफ़ायर को सबसे कम उपवर्ग के आइडेंटिफ़ायर के लिए सामान्यीकृत किया जाता है जिससे ऑब्जेक्ट संबंधित होता है। इस उपवर्ग के पहचानकर्ता को, बदले में, वर्ग/उपवर्ग पदानुक्रम पर चढ़कर एक उच्च स्तरीय वर्ग/उपवर्ग पहचानकर्त

एक स्थानिक डेटाबेस मानचित्र, प्रीप्रोसेस्ड रिमोट सेंसिंग या मेडिकल इमेजिंग रिकॉर्ड, और वीएलएसआई चिप डिज़ाइन डेटा सहित अंतरिक्ष से संबंधित डेटा की एक बड़ी मात्रा को बचाता है। स्थानिक डेटाबेस में कई विशेषताएं होती हैं जो उन्हें रिलेशनल डेटाबेस से अलग करती हैं। वे टोपोलॉजिकल और/या दूरी की जानकारी ले जा

स्थानिक डेटा गोदामों 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 डेटा प्रारूपों का उपयोग करके विभिन्न उद्योग फर्मों और सरकारी एजेंसियों में संग्रहीत किया जाता है। डेटा प्रारूप न केवल

वेवक्लस्टर एक बहु-रिज़ॉल्यूशन क्लस्टरिंग एल्गोरिथम है जो पहले डेटा स्पेस पर एक बहुआयामी ग्रिड आर्किटेक्चर लगाकर रिकॉर्ड्स को सारांशित करता है। यह मूल फीचर स्पेस को बदलने के लिए वेवलेट ट्रांसफॉर्मेशन का उपयोग कर सकता है, ट्रांसफॉर्म किए गए स्पेस में डेंसडोमेन ढूंढ सकता है। इस पद्धति में, प्रत्येक ग्

ईएम (उम्मीद-अधिकतमकरण) एल्गोरिथ्म एक प्रसिद्ध पुनरावृत्त शोधन एल्गोरिदम है जिसका उपयोग पैरामीटर अनुमानों की खोज के लिए किया जा सकता है। इसे k- साधन प्रतिमान के विस्तार के रूप में माना जा सकता है, जो क्लस्टर के लिए एक ऑब्जेक्ट बनाता है जिसके साथ यह सबसे समान है, जो क्लस्टर माध्य पर निर्भर करता है। E

अवधारणात्मक क्लस्टरिंग मशीन लर्निंग में क्लस्टरिंग का एक रूप है, जो बिना लेबल वाली वस्तुओं का एक सेट दिया जाता है, वस्तुओं पर एक वर्गीकरण डिजाइन बनाता है। परंपरागत क्लस्टरिंग के विपरीत, जो आम तौर पर समान वस्तुओं के समूहों की पहचान करता है, वैचारिक क्लस्टरिंग प्रत्येक समूह के लिए विशिष्ट परिभाषाओं की

बाधा-आधारित क्लस्टरिंग ऐसे क्लस्टर ढूंढती है जो उपयोगकर्ता द्वारा बताई गई प्राथमिकताओं या बाधाओं को पूरा करते हैं। यह बाधाओं की प्रकृति पर आधारित है, विभिन्न दृष्टिकोणों के बजाय बाधा-आधारित क्लस्टरिंग अपना सकते हैं। बाधाओं की कई श्रेणियां हैं जो इस प्रकार हैं - व्यक्तिगत वस्तुओं पर प्रतिबंध - यह

अर्ध-पर्यवेक्षित क्लस्टरिंग एक ऐसी विधि है जो डोमेन ज्ञान का उपयोग करके बिना लेबल वाले डेटा को विभाजित करती है। इसे आम तौर पर उदाहरणों के बीच जोड़ीदार बाधाओं के रूप में या लेबल किए गए उदाहरणों के अतिरिक्त सेट के रूप में व्यक्त किया जाता है। पर्यवेक्षण के कुछ कमजोर ढांचे का उपयोग करके अप्रशिक्षित क्

डेटा सेट S में एक ऑब्जेक्ट o दूरी-आधारित (DB) पैरामीटर p और d, यानी DB (p, d) के साथ है, यदि S में ऑब्जेक्ट का न्यूनतम अंश p d से अधिक दूरी पर स्थित है। ओ दूसरे शब्दों में, यह सांख्यिकीय परीक्षणों पर निर्भर होने के बजाय, दूरी-आधारित आउटलेर्स को उन वस्तुओं के रूप में सोच सकता है जिनके पास पर्याप्त पड

BIRCH पदानुक्रमों का उपयोग करके संतुलित पुनरावृति कम करने और क्लस्टरिंग का प्रतिनिधित्व करता है। यह पदानुक्रमित क्लस्टरिंग और पुनरावृत्त विभाजन सहित अन्य क्लस्टरिंग विधियों के एकीकरण द्वारा बड़ी मात्रा में संख्यात्मक रिकॉर्ड को क्लस्टर करने के लिए डिज़ाइन किया गया है। BIRCH दो अवधारणाएँ प्रदान करता

Hoeffding ट्री एल्गोरिथ्म स्ट्रीम डेटा वर्गीकरण के लिए एक निर्णय ट्री सीखने की विधि है। इसका उपयोग शुरू में वेब क्लिकस्ट्रीम को ट्रैक करने और मॉडल बनाने के लिए किया गया था ताकि यह अनुमान लगाया जा सके कि उपयोगकर्ता द्वारा किन वेब होस्ट और वेब साइटों तक पहुंचने की संभावना है। यह आम तौर पर सबलाइनियर सम

क्लूस्ट्रीम उपयोगकर्ताओं द्वारा निर्दिष्ट, ऑनलाइन क्लस्टरिंग प्रश्नों 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-क्लस्टर्स का उपयोग करके डेटास्ट्रीम के बारे में सारांश आंकड़ों की गणना

एक समय-श्रृंखला डेटाबेस में समय के बार-बार किए गए आकलन के दौरान मूल्यों या घटनाओं के अनुक्रम शामिल होते हैं। मूल्यों की गणना आम तौर पर समान समय अंतराल (जैसे, प्रति घंटा, दैनिक, साप्ताहिक) पर की जाती है। समय-श्रृंखला डेटाबेस कई अनुप्रयोगों में लोकप्रिय हैं, जैसे स्टॉक मार्केट विश्लेषण, आर्थिक और बिक्

एक सांख्यिकीय विसंगति परीक्षण विश्लेषण दो परिकल्पनाएं; एक कामकाजी परिकल्पना और एक अलग परिकल्पना। एक कामकाजी परिकल्पना, एच, एक बयान है कि एन वस्तुओं का पूरा डेटा सेट प्रारंभिक वितरण मॉडल, एफ, यानी एच:ओ i से आता है। एफ, जहां मैं =1, 2, एन. परिकल्पना को बरकरार रखा जाता है यदि इसकी अस्वीकृति का समर्थन

एक पदानुक्रमित क्लस्टरिंग तकनीक डेटा ऑब्जेक्ट्स को क्लस्टर के पेड़ में जोड़कर काम करती है। पदानुक्रमित क्लस्टरिंग एल्गोरिदम या तो ऊपर-नीचे या नीचे-ऊपर हैं। एक बार मर्ज या विभाजित निर्णय पूरा हो जाने पर समायोजन को लागू करने में असमर्थता के कारण एक प्रामाणिक पदानुक्रमित क्लस्टरिंग पद्धति की गुणवत्ता ब