एसोसिएशन रूल लर्निंग एक प्रकार की अप्रशिक्षित शिक्षण तकनीक है जो एक डेटा तत्व के दूसरे डेटा तत्व पर निर्भरता के लिए परीक्षण करती है और उचित रूप से डिज़ाइन करती है ताकि यह अधिक लागत प्रभावी हो सके। यह डेटासेट के चरों के बीच कुछ दिलचस्प संबंधों या संघों की खोज करने का प्रयास करता है। डेटाबेस में वेरिए

डेटा माइनिंग सांख्यिकीय और संख्यात्मक तकनीकों सहित पैटर्न पहचान तकनीकों का उपयोग करके, रिपॉजिटरी में सहेजे गए उच्च मात्रा में रिकॉर्ड के माध्यम से उपयोगी नए सहसंबंधों, पैटर्न और रुझानों की खोज का चरण है। यह अनपेक्षित संबंधों की खोज करने के लिए तथ्यात्मक डेटासेट का विश्लेषण है और डेटा स्वामी के लिए त

ETL का मतलब एक्सट्रैक्ट, ट्रांसफॉर्म और लोड है। यह वह प्रक्रिया है जो डेटा-संचालित संगठन कई स्रोतों से डेटा एकत्र करने के लिए उपयोग करते हैं और फिर इसे खोज, रिपोर्टिंग, विश्लेषण और निर्णय लेने में सहायता के लिए एक साथ लाते हैं। डेटा स्रोत प्रकार, प्रारूप, मात्रा और विश्वसनीयता में भिन्न हो सकते हैं

ELT का मतलब एक्सट्रेक्ट, लोड और ट्रांसफॉर्म है। यह एक स्रोत सर्वर से कच्चे डेटा को लक्ष्य सर्वर पर डेटा सिस्टम (जैसे डेटा वेयरहाउस या डेटा लेक) में स्थानांतरित करने और फिर डाउनस्ट्रीम उपयोगों के लिए डेटा को फ़िट करने के लिए एक डेटा एकीकरण प्रक्रिया है। निकालने और लोड प्रक्रिया को परिवर्तन चरण से अल

ETL ETL का मतलब एक्सट्रैक्ट, ट्रांसफॉर्म और लोड है। यह वह प्रक्रिया है जो डेटा-संचालित संगठन कई स्रोतों से डेटा एकत्र करने के लिए उपयोग करते हैं और फिर इसे खोज, रिपोर्टिंग, विश्लेषण और निर्णय लेने में सहायता के लिए एक साथ लाते हैं। यह सोचना आकर्षक है कि डेटा वेयरहाउस बनाना केवल कई स्रोतों से डेटा

बिजनेस इंटेलिजेंस प्रक्रियाओं, तंत्रों और प्रौद्योगिकियों का एक संग्रह है जो कच्चे डेटा को महत्वपूर्ण जानकारी में संशोधित करता है जो लागत प्रभावी व्यावसायिक सेवाओं को संचालित करता है। यह डेटा को कार्रवाई योग्य खुफिया और मान्यता में संशोधित करने के लिए सॉफ्टवेयर और सेवाओं का एक संग्रह है। किसी संगठन

विवरणात्मक डेटा माइनिंग वर्णनात्मक खनन का उपयोग आम तौर पर सहसंबंध, क्रॉस-सारणी, आवृत्ति आदि प्रदान करने के लिए किया जाता है। इन विधियों का उपयोग डेटा की नियमितता तय करने और पैटर्न को प्रकट करने के लिए किया जाता है। यह रिपोर्टिंग और निगरानी के लिए महत्वपूर्ण डेटा में रिकॉर्ड के सारांश और रूपांतरण पर

स्थानिक डेटा माइनिंग स्थानिक डेटा माइनिंग स्थानिक मॉडल के लिए डेटा माइनिंग का अनुप्रयोग है। स्थानिक डेटा माइनिंग में, विश्लेषक व्यावसायिक खुफिया या कई परिणाम बनाने के लिए भौगोलिक या स्थानिक रिकॉर्ड का उपयोग करते हैं। भौगोलिक जानकारी को प्रासंगिक और उपयोगी स्वरूपों में प्राप्त करने के लिए इसके लिए व

अवधारणा विवरण संकल्पना विवरण एक निश्चित प्रकार का डेटा माइनिंग है। यह लगातार खरीदारों, स्नातक उम्मीदवारों, आदि सहित डेटा के एक सेट को परिभाषित करता है। यह डेटा के लक्षण वर्णन और तुलना का वर्णन करता है। इसे एक वर्ग विवरण के रूप में भी जाना जाता है जब वर्णित की जाने वाली अवधारणा को वस्तुओं के एक वर्ग

एसोसिएशन रूल लर्निंग एक प्रकार की अप्रशिक्षित शिक्षण विधि है जो एक डेटा तत्व की दूसरे डेटा तत्व पर निर्भरता के लिए परीक्षण करती है और उचित रूप से बनाती है ताकि यह अधिक प्रभावी हो सके। यह डेटासेट के चरों के बीच कुछ दिलचस्प संबंधों या संबंधों की खोज करने का प्रयास करता है। डेटाबेस में वेरिएबल के बीच द

एग्लोमेरेटिव क्लस्टरिंग एक बॉटम-अप क्लस्टरिंग विधि है जहां क्लस्टर्स में सबक्लस्टर होते हैं, जो बदले में सब-क्लस्टर्स आदि होते हैं। यह प्रत्येक ऑब्जेक्ट को अपने क्लस्टर में रखकर शुरू कर सकता है और फिर इन एटॉमिक क्लस्टर्स को उच्च और उच्च क्लस्टर्स में तब तक मिला सकता है जब तक कि सभी ऑब्जेक्ट न हो जाए

डेटा सामान्यीकरण उच्च-स्तरीय अवधारणाओं (युवा, मध्यम आयु वर्ग और वरिष्ठ सहित) के साथ अपेक्षाकृत निम्न-स्तरीय मानों (विशेषता आयु के लिए संख्यात्मक मान सहित) को प्रतिस्थापित करके डेटा को सारांशित करता है। इसलिए, यह एक ऐसी प्रक्रिया है जो एक डेटाबेस में अपेक्षाकृत कम वैचारिक स्तर से उच्च वैचारिक स्तर तक

वर्ग भेदभाव को वर्गवाद के रूप में परिभाषित किया गया है। यह सामाजिक वर्ग पर आधारित पूर्वाग्रह या भेदभाव है। इसमें व्यक्तिगत दृष्टिकोण, व्यवहार, नीतियों की प्रणाली और प्रथाएं शामिल हैं जो निम्न वर्ग के रूप में उच्च वर्ग को लाभ पहुंचाने के लिए स्थापित की जाती हैं। वर्गवाद निम्न वर्गों और संस्थागत वर्ग

यह अप्रासंगिक विशेषताओं को फ़िल्टर करने या प्रासंगिक विशेषता को रैंक करने के लिए डेटा को पूर्व-संसाधित करने के लिए एक सांख्यिकीय दृष्टिकोण है। विशेषता प्रासंगिकता विश्लेषण के उपायों का उपयोग अप्रासंगिक विशेषताओं को पहचानने के लिए किया जा सकता है जिन्हें अवधारणा विवरण प्रक्रिया से अनधिकृत किया जा सकत

रिलेशनल डेटाबेस सिस्टम काउंट (), सम (), औसत (), मैक्स () और मिन () जैसे पांच बिल्ट-इन एग्रीगेट फ़ंक्शंस का समर्थन करता है। इन समग्र कार्यों का उपयोग बहुआयामी जानकारी के वर्णनात्मक खनन में बुनियादी उपायों के रूप में किया जा सकता है। दो वर्णनात्मक सांख्यिकीय उपाय हैं जैसे केंद्रीय प्रवृत्ति के उपाय और

दो प्रकार के विभाजन एल्गोरिदम हैं जो इस प्रकार हैं - K-मतलब क्लस्टरिंग - K-मतलब क्लस्टरिंग सबसे आम विभाजन एल्गोरिथम है। K- साधन डेटासेट में प्रत्येक डेटा को बनाए गए नए समूहों में से केवल एक को पुन:असाइन करता है। दूरी या समानता के माप का उपयोग करके निकटतम क्लस्टर को एक रिकॉर्ड या डेटा बिंदु सौंपा गय

अनुपयोगी शिक्षण तब होता है जब यह बिना लेबल वाले डेटा का एक सेट प्रदान कर सकता है, जिसे विश्लेषण करने और अंदर के पैटर्न खोजने की आवश्यकता होती है। उदाहरण आयाम में कमी और क्लस्टरिंग हैं। मशीन को डेटा के समूह के साथ प्रशिक्षण का समर्थन किया जाता है जिसे लेबल, वर्गीकृत या वर्गीकृत नहीं किया गया है, और क

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 लागू होते हैं। विधि का लाभ इसका त्वरित प्रसंस्करण समय है, जो आम तौर पर डेटा

एक विकासवादी एल्गोरिथ्म विकासवादी एआई-आधारित कंप्यूटर सॉफ्टवेयर है जो जीवित चीजों के व्यवहार की नकल करने वाली प्रक्रियाओं को नियोजित करके मुद्दों को हल करता है। जैसे, इसे ऐसे तंत्रों की आवश्यकता होती है जो आम तौर पर जैविक विकास से संबंधित होते हैं, जिसमें प्रजनन, उत्परिवर्तन और पुनर्संयोजन शामिल हैं

एमबीआर के विभिन्न तत्व हैं जो इस प्रकार हैं - प्रशिक्षण सेट चुनना - प्रशिक्षण सेट में 49,652 समाचार शामिल थे, जो इस लक्ष्य के लिए समाचार पुनर्प्राप्ति सेवा द्वारा समर्थित थे। ये कहानियाँ लगभग तीन महीने के समाचारों और लगभग 100 एकाधिक स्रोतों से प्रकट होती हैं। प्रत्येक कहानी में औसतन 2,700 शब्द शामिल