Data mining is the process of extra

Data mining is the process of extracting nontrivial and potentially useful information, or knowlege, from the enormous data sets available in experimental sciences (historical records, reanalysis, GCM simulations, etc.), providing explicit information that has a readable form and can be used to solve diagnosis, classification or forecasting problems. Traditionally, these problems were solved by direct hands-on data analysis using standard statistical methods, but the increasing volume of data has motivated the study of automatic data analysis using more complex and sophisticated tools which can operate directly from data. Thus, data mining identifies trends within data that go beyond simple analysis. Modern data mining techniques (association rules, decision trees, Gaussian mixture models, regression algorithms, neural networks, support vector machines, Bayesian networks, etc.) are used in many domains to solve association, classification, segmentation, diagnosis and prediction problems

ผลลัพธ์ (ไทย) 1:

การทำเหมืองข้อมูลคือ กระบวนการแยกข้อมูล nontrivial และอาจมีประโยชน์ หรือความรู้ จากชุดข้อมูลมหาศาลในการทดลองวิทยาศาสตร์ (ระเบียนประวัติศาสตร์ reanalysis จำลองการบำรุงรักษา ฯลฯ), ให้ข้อมูลที่ชัดเจนที่มีรูปแบบที่อ่าน และสามารถใช้เพื่อแก้ไขปัญหาการวินิจฉัย การจัดประเภท หรือการคาดการณ์ปัญหา ประเพณี ปัญหาเหล่านี้ได้ถูกแก้ไข โดยใช้วิธีมาตรฐานทางสถิติวิเคราะห์ข้อมูลโดยตรงอีก แต่ปริมาณข้อมูลเพิ่มขึ้นมีแรงจูงใจการศึกษาวิเคราะห์ข้อมูลอัตโนมัติใช้มากซับซ้อน และทันสมัยเครื่องมือซึ่งสามารถทำงานได้โดยตรงจากข้อมูล ดังนั้น การทำเหมืองข้อมูลระบุแนวโน้มข้อมูลที่นอกเหนือจากการวิเคราะห์ใน เทคนิคการทำเหมืองข้อมูลทันสมัย (ข้อบังคับสมาคม ต้นไม้ตัดสินใจ รูปแบบ Gaussian ผสม อัลกอริทึมถดถอย เครือข่ายประสาท สนับสนุนเวกเตอร์เครื่อง ทฤษฎีเครือข่าย ฯลฯ) ที่ใช้ในหลายโดเมนเพื่อแก้ปัญหาสมาคม แบ่งประเภท แบ่ง วินิจฉัย และคาดเดา

ผลลัพธ์ (ไทย) 2:

การทำเหมืองข้อมูลเป็นกระบวนการของการสกัดข้อมูลขับเคลื่อนและมีประโยชน์ที่อาจเกิดขึ้นหรือความรู้จากชุดข้อมูลมหาศาลที่มีอยู่ในการทดลองวิทยาศาสตร์ (บันทึกประวัติศาสตร์ reanalysis จำลอง GCM ฯลฯ ) การให้ข้อมูลที่ชัดเจนที่มีรูปแบบที่สามารถอ่านได้และสามารถนำมาใช้ เพื่อแก้ปัญหาการวินิจฉัยการจัดหมวดหมู่หรือปัญหาที่คาดการณ์ ตามเนื้อผ้าปัญหาเหล​​่านี้ได้รับการแก้ไขโดยการโดยตรงมือในการวิเคราะห์ข้อมูลโดยใช้วิธีการทางสถิติมาตรฐาน แต่ปริมาณที่เพิ่มขึ้นของข้อมูลที่ได้แรงบันดาลใจการศึกษาวิเคราะห์ข้อมูลโดยอัตโนมัติโดยใช้เครื่องมือที่ซับซ้อนมากขึ้นและมีความซับซ้อนซึ่งสามารถใช้งานได้โดยตรงจากข้อมูล ดังนั้นการทำเหมืองข้อมูลระบุแนวโน้มภายในข้อมูลที่นอกเหนือไปจากการวิเคราะห์อย่างง่าย เทคนิคการทำเหมืองข้อมูลสมัยใหม่ (กฎสมาคมการตัดสินใจต้นไม้รุ่นส่วนผสมเสียนขั้นตอนวิธีการถดถอยเครือข่ายประสาทการสนับสนุนเครื่องเวกเตอร์เครือข่ายแบบเบย์ ฯลฯ ) ถูกนำมาใช้ในหลายโดเมนที่จะแก้ปัญหาการเชื่อมโยงการจำแนกการแบ่งส่วนการวินิจฉัยและปัญหาการทำนาย

ผลลัพธ์ (ไทย) 3:

การทำเหมืองข้อมูลเป็นกระบวนการของการแยกและนอนทริเวียล อาจเป็นประโยชน์ ข้อมูล หรือความรู้ จากข้อมูลมหาศาลที่มีอยู่ในวิทยาศาสตร์ชุดทดลอง ( ประวัติประวัติ reanalysis GCM , จำลอง , ฯลฯ ) , ให้ข้อมูลที่ชัดเจนว่ามีรูปแบบอ่านได้ และสามารถใช้ในการแก้ปัญหาการวินิจฉัย การจำแนกหรือการพยากรณ์ปัญหา ผ้าปัญหาเหล่านี้แก้ไขได้ โดยตรง ในการวิเคราะห์ข้อมูลใช้วิธีการทางสถิติมาตรฐาน แต่เพิ่มปริมาณของข้อมูลที่ได้มีการศึกษาวิเคราะห์ข้อมูลอัตโนมัติโดยใช้เครื่องมือที่ซับซ้อนมากขึ้นและมีความซับซ้อนซึ่งสามารถใช้งานได้โดยตรงจากข้อมูล ดังนั้น การทําเหมืองข้อมูล ระบุแนวโน้มภายในข้อมูลที่นอกเหนือไปจากการวิเคราะห์ง่าย เทคนิคการทำเหมืองข้อมูลสมัยใหม่ ( กฎสมาคมการตัดสินใจแบบต้นไม้ ) ส่วนผสม การถดถอยของโครงข่ายประสาทเทียม , สนับสนุนเวกเตอร์เครื่องจักร , เครือข่ายคชกรรม ฯลฯ ) จะใช้ในหลายโดเมนเพื่อแก้ปัญหาสมาคม การจัดหมวดหมู่ การแบ่งส่วนตลาด การวินิจฉัยและทำนายปัญหา