In our view, KDD refers to the over

In our view, KDD refers to the overall process
of discovering useful knowledge from data,
and data mining refers to a particular step
in this process. Data mining is the application
of specific algorithms for extracting patterns
from data. The distinction between the KDD
process and the data-mining step (within the
process) is a central point of this article. The
additional steps in the KDD process, such as
data preparation, data selection, data cleaning,
incorporation of appropriate prior knowledge,
and proper interpretation of the results of
mining, are essential to ensure that useful
knowledge is derived from the data. Blind application
of data-mining methods (rightly criticized
as data dredging in the statistical literature)
can be a dangerous activity, easily
leading to the discovery of meaningless and
invalid patterns.
associations, changes, anomalies and signi®cant structures
from large amounts of data stored in databases,
data warehouses, or other information repositories. It
can be used to help companies to make better decision
to stay competitive in the marketplace. The major data
mining functions that are developed in commercial
and research communities include summarization,
association, classi®cation, prediction and clustering.
These functions can be implemented using a variety of
technologies,

ผลลัพธ์ (ไทย) 2:

ในมุมมองของเรา KDD หมายถึงกระบวนการโดยรวม
ของการค้นพบความรู้ที่มีประโยชน์จากข้อมูล
และการทำเหมืองข้อมูลหมายถึงขั้นตอนโดยเฉพาะอย่างยิ่ง
ในกระบวนการนี้ การทำเหมืองข้อมูลเป็นโปรแกรม
ของขั้นตอนวิธีที่เฉพาะเจาะจงสำหรับการแยกรูปแบบ
จากข้อมูล ความแตกต่างระหว่าง KDD
กระบวนการและขั้นตอนการทำเหมืองข้อมูล (ภายใน
กระบวนการ) เป็นจุดกลางของบทความนี้
ขั้นตอนเพิ่มเติมในกระบวนการ KDD เช่น
การจัดทำข้อมูลการเลือกข้อมูลการทำความสะอาดข้อมูล
รวมตัวกันของความรู้ก่อนที่เหมาะสม
และการตีความที่ถูกต้องของผลการ
ทำเหมืองแร่ที่มีความจำเป็นเพื่อให้แน่ใจว่ามีประโยชน์
ความรู้ที่ได้มาจากข้อมูล แอพลิเคชันตาบอด
วิธีการทำเหมืองข้อมูล (วิพากษ์วิจารณ์อย่างถูกต้อง
เป็นข้อมูลการขุดลอกในวรรณคดีสถิติ)
อาจจะเป็นกิจกรรมที่อันตรายได้อย่างง่ายดาย
นำไปสู่การค้นพบความหมายและ
รูปแบบที่ไม่ถูกต้อง.
สมาคมการเปลี่ยนแปลงผิดปกติและโครงสร้างsigni®cant
จากข้อมูลจำนวนมาก เก็บไว้ในฐานข้อมูล
คลังข้อมูลหรือเก็บข้อมูลอื่น ๆ มัน
สามารถนำมาใช้เพื่อช่วยให้ บริษัท ที่จะทำให้การตัดสินใจที่ดีกว่า
ที่จะอยู่ในการแข่งขันในตลาด ข้อมูลที่สำคัญ
ฟังก์ชั่นการทำเหมืองแร่ที่มีการพัฒนาในเชิงพาณิชย์
ชุมชนและการวิจัยรวมถึงการสรุป,
สมาคมclassi®cationทำนายและการจัดกลุ่ม.
ฟังก์ชั่นเหล่านี้สามารถดำเนินการโดยใช้ความหลากหลายของ
เทคโนโลยี

ผลลัพธ์ (ไทย) 3:

ในมุมมองของเรา , kdd หมายถึง กระบวนการโดยรวมของการค้นพบความรู้ที่เป็นประโยชน์จากข้อมูล

, การทำเหมืองข้อมูลและอ้างอิงถึง
ขั้นตอนใดในกระบวนการนี้ การทำเหมืองข้อมูลคือ การประยุกต์ขั้นตอนวิธีเฉพาะสำหรับการสกัดรูปแบบ

จากข้อมูล ความแตกต่างระหว่างกระบวนการ KDD
และการทำเหมืองข้อมูลขั้นตอน ( ภายใน
กระบวนการ ) เป็นจุดศูนย์กลางของบทความนี้
เพิ่มเติมขั้นตอนในกระบวนการ KDD เช่น
การเตรียมข้อมูลการทำความสะอาดข้อมูลข้อมูล , ประสานความรู้ก่อน

และการตีความที่เหมาะสมที่เหมาะสมของผล
เหมืองแร่เป็นสำคัญเพื่อให้แน่ใจว่า ความรู้ที่เป็นประโยชน์
ได้มาจากข้อมูล
การตาบอดวิธีการทำเหมืองข้อมูล ( วิพากษ์วิจารณ์อย่างถูกต้อง
เป็นข้อมูลลอกในหนังสือสถิติ )
สามารถเป็นกิจกรรมที่อันตราย ได้นำไปสู่การค้นพบความหมาย

และรูปแบบที่ไม่ถูกต้อง
สมาคม , การเปลี่ยนแปลง , และความผิดปกติ signi ®โครงสร้างลาดเท
จากจำนวนมากของข้อมูลที่เก็บไว้ในฐานข้อมูล
คลังสินค้าข้อมูล หรือข้อมูลอื่น ๆที่เก็บ . ครับผมสามารถใช้เพื่อช่วยให้ บริษัท ที่จะทำให้การตัดสินใจที่ดีกว่า
อยู่ในการแข่งขันในตลาด
ข้อมูลหลักเหมืองแร่ฟังก์ชันที่พัฒนาในเชิงพาณิชย์และการวิจัยชุมชนรวมถึง

สรุป สมาคม classi ®การทำนายและการจัดกลุ่ม .
ฟังก์ชันเหล่านี้สามารถดำเนินการโดยใช้ความหลากหลายของ
เทคโนโลยี