Data mining is one of the stages in

Data mining is one of the stages in the overall process of
Knowledge Discovery in large databases (KDD). With the
emergence of data mining software, data mining is gaining
popularity among banks, telecommunication companies,
insurance companies, educational institutions and business
organizations to gain valuable information from the data
which can aid in decision-making. Such organizations can use
data mining for finding undiscovered patterns and/or
relationships in large databases [1-5]. The goal of data mining
is to find patterns in historical data that shed light on customer
purchase behaviour, needs and preferences. Such valuable
information can help organizations improve their business
performance and practices such as improving target marketing,
sales, and customer management. The different stages in the
data mining process have been described in [2] , [3] and [5].
The kinds of information that can be discovered depend upon
the data mining objectives and techniques employed. Data
mining techniques can be categorized into three categories:
classification and prediction, cluster analysis and association
analysis. Classification and prediction techniques fall under
predictive modeling. Predictive modeling is also known as

ผลลัพธ์ (ไทย) 1:

การทำเหมืองข้อมูลเป็นหนึ่งของขั้นตอนในกระบวนการโดยรวมของ
ค้นพบความรู้ในฐานข้อมูลขนาดใหญ่ (KDD) ด้วยการ
เกิดขึ้นของซอฟต์แวร์การทำเหมืองข้อมูล การทำเหมืองข้อมูลจะดึงดูด
ความนิยมจากธนาคาร บริษัทโทรคมนาคม,
บริษัทประกันภัย สถาบันการศึกษา และธุรกิจ
องค์กรเพื่อรับข้อมูลจากข้อมูล
ซึ่งสามารถช่วยในการตัดสินใจได้ องค์กรดังกล่าวสามารถใช้
เหมืองข้อมูลหารูปแบบที่ไม่เคยค้นพบ และ/หรือ
ความสัมพันธ์ในฐานข้อมูลขนาดใหญ่ [1-5] เป้าหมายของการทำเหมืองข้อมูล
คือการ หารูปแบบในอดีตข้อมูลที่หลั่งน้ำตาแสงในลูกค้า
ซื้อพฤติกรรม ความต้องการ และลักษณะการ ค่ะเช่น
ข้อมูลสามารถช่วยให้องค์กรปรับปรุงธุรกิจ
ประสิทธิภาพและการปฏิบัติเช่นการปรับปรุงการตลาดเป้าหมาย,
ขาย และการจัดการลูกค้า ขั้นตอนต่าง ๆ ในการ
กระบวนการทำเหมืองข้อมูลได้ถูกอธิบายไว้ใน [2], [3] และ [5]
ชนิดของข้อมูลที่สามารถค้นพบขึ้น
วัตถุประสงค์ของการทำเหมืองข้อมูลและเทคนิคการทำงาน ข้อมูล
เทคนิคการทำเหมืองแร่แบ่งออกได้สามประเภท:
จัดประเภทและการทำนาย คลัสเตอร์วิเคราะห์และเชื่อมโยง
วิเคราะห์ได้ เทคนิคการจัดประเภทและการคาดเดาอยู่
สร้างโมเดลการคาดการณ์ สร้างโมเดลทำนายเรียกว่า

ผลลัพธ์ (ไทย) 3:

การทำเหมืองข้อมูลเป็นหนึ่งของขั้นตอนในกระบวนการโดยรวมของ
การค้นพบความรู้ในฐานข้อมูลขนาดใหญ่ ( KDD ) กับ
วิวัฒนาการของซอฟต์แวร์เหมือง , เหมืองข้อมูลข้อมูลที่ดึงดูดความนิยมในหมู่ธนาคาร บริษัท โทรคมนาคม

, , บริษัท ประกันภัย สถาบันการศึกษา และองค์กรธุรกิจ
เพื่อให้ได้ข้อมูลที่มีคุณค่าจากข้อมูล
ซึ่งสามารถช่วยในการตัดสินใจองค์กรดังกล่าวสามารถใช้การทำเหมืองข้อมูลสำหรับการหารูปแบบ

ยังไม่ได้เปิดและ / หรือความสัมพันธ์ในฐานข้อมูลขนาดใหญ่ [ 1-5 ] เป้าหมายของการทำเหมืองข้อมูล
เพื่อหารูปแบบในข้อมูลทางประวัติศาสตร์ที่หลั่งแสงในพฤติกรรมการซื้อของลูกค้า
, ความต้องการและความชอบ ข้อมูลที่มีค่าดังกล่าวสามารถช่วยให้องค์กรปรับปรุง

งานทางธุรกิจและการปฏิบัติ เช่น การปรับปรุง
เป้าหมายการตลาดการขายและบริหารลูกค้า ขั้นตอนที่แตกต่างกันใน
Data Mining กระบวนการได้รับการอธิบายไว้ใน [ 2 ] , [ 3 ] และ [ 5 ]
ชนิดของข้อมูลที่สามารถพบได้ขึ้นอยู่กับ
Data Mining วัตถุประสงค์ และเทคนิคที่ใช้ เทคนิคการทำเหมืองข้อมูล
สามารถแบ่งออกเป็นสามประเภท :
การจำแนกและการทำนายและการวิเคราะห์สมาคม
คลัสเตอร์เทคนิคการจำแนกและการทำนายตกอยู่ภายใต้
การสร้างแบบจำลองการคาดการณ์ . การสร้างแบบจำลองพยากรณ์ คือ เรียกว่า