Data mining, also called KnowledgeD

Data mining, also called KnowledgeDiscovery in Databases (KDD), is the process
of automatically searching large volumes of
data for patterns using specific DM technique.
Goal of the data mining process is to extract
information from a data set and transform it to
an user understandable structure. Data mining
uses the information from the past to analyze
the outcome of a particular problem or
situation that may arise. Data Mining works to
analyze the data stored in data warehouse and
also store the data that is being analyzed. Data
Mining involves six common classes namely:
Anomaly Detection, Association rules
learning, Clustering, Classification and
Regression.
Spatial data miningis the application
of data mining methods to spatial data. Goal
of Spatial data mining is to find patterns in
data with respect to Geography. Data mining
offers great potential benefits for GIS (
Geographic Information System) based
decision making.Spatial databases mainly
store two types of data: raster data
(satellite/aerial digital images) and vector data
(points, lines, polygons). Need of Spatial
database. To store and query data that
represents objects defined in a geometric
space. To handle more complex structures
such as 3D objects, topological coverage’s,
linear networks, etc.
Some of its Issues and Challenges are
described here: 1) The unique characteristic of
spatial datasets requires significant
modification of data mining techniques so that
they can exploit the rich spatial and temporal
relationships and patterns embedded in the
datasets. 2) The attributes of neighboring
patterns may have significant influence on a
pattern and should be considered.
3)Visualization of the spatial patterns,
scalability of data mining methods, data
structures to represent and efficiently index
spatial datasets are also challenging issues. 4)
Spatial and temporal relationships like
distance, topology, direction, before and after
are information bearing. They need to be
considered in spatiotemporal data analysis and
mining.

ผลลัพธ์ (ไทย) 1:

การทำเหมืองข้อมูล หรือที่เรียกว่า KnowledgeDiscovery ในฐานข้อมูล (KDD), เป็นกระบวนการ การค้นหาจำนวนมากโดยอัตโนมัติ ข้อมูลในรูปแบบที่ใช้เทคนิคเฉพาะของ DM เป้าหมายของการทำเหมืองข้อมูลคือการ แยก ข้อมูลจากข้อมูลการตั้งค่า และแปลงให้ มีผู้ใช้เข้าใจโครงสร้าง การทำเหมืองข้อมูล ใช้ข้อมูลมาวิเคราะห์ ผลลัพธ์ของปัญหาเฉพาะ หรือ สถานการณ์ที่อาจเกิดขึ้น การทำเหมืองข้อมูลที่ทำงานเพื่อ วิเคราะห์ข้อมูลที่เก็บในคลังข้อมูล และ ยัง เก็บข้อมูลที่กำลังจะวิเคราะห์ ข้อมูล เหมืองแร่เกี่ยวข้องกับการเรียนหกทั่วไปได้แก่: ตรวจหาความผิดปกติ ข้อบังคับสมาคม เรียนรู้ Clustering ประเภท และ ถดถอย ข้อมูลปริภูมิ miningis แอพลิเคชัน วิธีการทำเหมืองข้อมูลข้อมูลปริภูมิ เป้าหมาย ข้อมูลปริภูมิ เหมืองแร่คือการ หารูปแบบใน ข้อมูลเกี่ยวกับภูมิศาสตร์ การทำเหมืองข้อมูล มีประโยชน์มากเป็นไปได้สำหรับ GIS ( ใช้ระบบสารสนเทศภูมิศาสตร์) ตัดสินใจ ฐานข้อมูลปริภูมิส่วนใหญ่ เก็บข้อมูลสองชนิด: ข้อมูลแบบราสเตอร์ (ดาวเทียม/ชั้นภาพดิจิตอล) และเวกเตอร์ข้อมูล (จุด เส้น รูปหลายเหลี่ยม) ความต้องการของพื้นที่ ฐานข้อมูล การเก็บ และสอบถามข้อมูลที่ แสดงถึงวัตถุที่กำหนดไว้ในแบบเรขาคณิต พื้นที่ การจัดการโครงสร้างที่ซับซ้อนมากขึ้น เช่นวัตถุ 3D, topological ความครอบคลุมของ เครือข่ายเชิงเส้น ฯลฯ ปัญหาและความท้าทายมี ต่อ: 1) ลักษณะเฉพาะของ datasets พื้นที่ต้องสำคัญ ปรับเปลี่ยนเทคนิคการทำเหมืองข้อมูลเพื่อให้ พวกเขาสามารถใช้คนรวยปริภูมิ และขมับ ความสัมพันธ์และรูปแบบที่ฝังอยู่ในตัว datasets 2) แอตทริบิวต์ของเพื่อนบ้าน รูปแบบอาจมีอิทธิพลสำคัญในการ รูปแบบ และควรพิจารณาการ ภาพแสดงรูปแบบพื้นที่ 3) ขนาดของวิธีการทำเหมืองข้อมูล ข้อมูล โครงสร้างถึงและมีประสิทธิภาพดัชนี datasets พื้นที่ยังมีความท้าทายปัญหา 4) ความสัมพันธ์ชั่วคราว และพื้นที่เช่น โทโพโลยี ระยะทาง ทิศ ทาง ก่อน และหลัง ข้อมูลแบริ่งได้ พวกเขาจำเป็นต้อง พิจารณาในการวิเคราะห์ข้อมูล spatiotemporal และ การทำเหมือง

ผลลัพธ์ (ไทย) 2:

การทำเหมืองข้อมูลที่เรียกว่า KnowledgeDiscovery ในฐานข้อมูล (KDD) เป็นกระบวนการ
ของการค้นหาโดยอัตโนมัติปริมาณมาก
ข้อมูลสำหรับรูปแบบการใช้เทคนิคเฉพาะ DM.
เป้าหมายของกระบวนการทำเหมืองข้อมูลคือการดึง
ข้อมูลจากชุดข้อมูลและการเปลี่ยนไป
ใช้เข้าใจ โครงสร้าง การทำเหมืองข้อมูล
ใช้ข้อมูลจากอดีตที่ผ่านมาในการวิเคราะห์
ผลของปัญหาหรือ
สถานการณ์ที่อาจเกิดขึ้น การทำเหมืองข้อมูลทำงานเพื่อ
วิเคราะห์ข้อมูลที่เก็บไว้ในคลังข้อมูลและ
ยังจัดเก็บข้อมูลที่มีการวิเคราะห์ ข้อมูล
ที่เกี่ยวข้องกับการทำเหมืองแร่หกชั้นเรียนที่พบบ่อยคือ
การตรวจสอบความผิดปกติของกฎสมาคม
การเรียนรู้การจัดกลุ่มการจำแนกและ
การถดถอย.
ข้อมูลเชิงพื้นที่ miningis การประยุกต์ใช้
วิธีการใดวิธีการทำเหมืองข้อมูลกับข้อมูลเชิงพื้นที่ เป้าหมาย
ของการทำเหมืองข้อมูลเชิงพื้นที่คือการหารูปแบบใน
ข้อมูลที่เกี่ยวกับภูมิศาสตร์ การทำเหมืองข้อมูล
มีประโยชน์ศักยภาพที่ดีสำหรับระบบสารสนเทศภูมิศาสตร์ (
ระบบสารสนเทศภูมิศาสตร์) ตาม
making.Spatial ตัดสินใจฐานข้อมูลส่วนใหญ่
จัดเก็บทั้งสองประเภทของข้อมูล: ข้อมูลราสเตอร์
(ดาวเทียม / ภาพดิจิตอลเสาอากาศ) และข้อมูลเวกเตอร์
(จุดเส้นรูปหลายเหลี่ยม) ความต้องการของเชิงพื้นที่
ฐานข้อมูล การจัดเก็บข้อมูลและแบบสอบถามที่
แสดงถึงวัตถุที่กำหนดไว้ในเรขาคณิต
พื้นที่ เพื่อจัดการกับโครงสร้างที่ซับซ้อนมากขึ้น
เช่นวัตถุ 3 มิติครอบคลุมทอพอโลยีของ
เครือข่ายเชิงเส้นและอื่น ๆ
บางส่วนของปัญหาและความท้าทายที่มีการ
อธิบายไว้ที่นี่: 1) ลักษณะที่เป็นเอกลักษณ์ของ
ชุดข้อมูลเชิงพื้นที่ที่สำคัญต้องมี
การปรับเปลี่ยนเทคนิคการทำเหมืองข้อมูลเพื่อให้
พวกเขาสามารถใช้ประโยชน์จากการที่อุดมไปด้วย พื้นที่และเวลา
และรูปแบบความสัมพันธ์ที่ฝังตัวอยู่ใน
ชุดข้อมูล 2) ลักษณะของเพื่อนบ้าน
รูปแบบอาจจะมีอิทธิพลสำคัญใน
รูปแบบและควรได้รับการพิจารณา.
3) การแสดงของรูปแบบเชิงพื้นที่,
ความยืดหยุ่นของข้อมูลวิธีการทำเหมืองข้อมูล
โครงสร้างที่จะเป็นตัวแทนได้อย่างมีประสิทธิภาพและดัชนี
ชุดข้อมูลเชิงพื้นที่นอกจากนี้ยังมีประเด็นที่ท้าทาย 4)
ความสัมพันธ์เชิงพื้นที่และเวลาเช่น
ระยะทาง, โครงสร้างทิศทางก่อนและหลัง
เป็นข้อมูลที่แบริ่ง พวกเขาจะต้องมีการ
พิจารณาในการวิเคราะห์ข้อมูล spatiotemporal และ
การทำเหมืองแร่

ผลลัพธ์ (ไทย) 3:

การทําเหมืองข้อมูลที่เรียกว่า knowledgediscovery ในฐานข้อมูล ( KDD ) เป็นขั้นตอนของการค้นหาปริมาณมากโดยอัตโนมัติ

ข้อมูลโดยใช้เทคนิคและรูปแบบเฉพาะเจาะจง
เป้าหมายของ Data Mining กระบวนการที่จะสกัด
ข้อมูลจากชุดข้อมูลและแปลงมันให้
ผู้ใช้เข้าใจโครงสร้าง การทำเหมืองข้อมูล
ใช้ข้อมูลในอดีตมาวิเคราะห์
ผลของ
เฉพาะปัญหาหรือสถานการณ์ที่อาจเกิดขึ้น การทำเหมืองข้อมูลงาน

วิเคราะห์ข้อมูลที่เก็บไว้ในคลังข้อมูลและ
ยังเก็บข้อมูลที่ถูกวิเคราะห์ การทำเหมืองข้อมูล
เกี่ยวข้องกับหกชั้นเรียนทั่วไปคือ :
ตรวจจับสิ่งผิดปกติ สมาคมการเรียนรู้กฎ
,
สำหรับการจำแนกและการถดถอย ข้อมูลเชิงพื้นที่ miningis ใบสมัคร

วิธีการทำเหมืองข้อมูลกับข้อมูลเชิงพื้นที่ การทำเหมืองข้อมูลเชิงพื้นที่เป็นเป้าหมาย

เพื่อหารูปแบบในข้อมูลเกี่ยวกับภูมิศาสตร์ การทำเหมืองข้อมูล
มีคุณประโยชน์ศักยภาพที่ดีสำหรับ GIS ( ระบบสารสนเทศภูมิศาสตร์

) ตามการตัดสินใจ ฐานข้อมูลส่วนใหญ่
ร้านสองประเภทของข้อมูล : ข้อมูลราสเตอร์
( ดาวเทียมภาพถ่ายทางอากาศภาพดิจิตอล ) และเวกเตอร์ข้อมูล
( จุด , เส้น , รูปหลายเหลี่ยม ) ต้องการของพื้นที่
ฐานข้อมูล การจัดเก็บและเรียกค้นข้อมูลที่แสดงถึงวัตถุที่กำหนดไว้ในพื้นที่

ทางเรขาคณิต . การจัดการที่ซับซ้อนมากขึ้นโครงสร้าง
เช่นวัตถุ 3 มิติรูปแบบความคุ้มครองของเครือข่ายเชิงเส้น

, ฯลฯ บางส่วนของปัญหาและความท้าทาย
อธิบายไว้ที่นี่ : 1 ) ลักษณะเฉพาะของข้อมูลเชิงพื้นที่ที่สำคัญ

ต้องปรับเปลี่ยนเทคนิคเหมืองข้อมูลเพื่อ
พวกเขาสามารถใช้ประโยชน์จากพื้นที่ที่อุดมไปด้วยและความสัมพันธ์ชั่วคราว

และรูปแบบฝังตัวในชุดข้อมูล 2 ) คุณลักษณะของรูปแบบเพื่อนบ้าน

อาจมีผลต่อเป็นรูปแบบและควรพิจารณา
3 ) การแสดงผลของรูปแบบการ
( วิธีการทำเหมืองข้อมูลข้อมูล
โครงสร้างของดัชนีและข้อมูลเชิงพื้นที่ได้อย่างมีประสิทธิภาพ
ยังมีประเด็นที่ท้าทาย . 4 )
พื้นที่และเวลาความสัมพันธ์เหมือน
ระยะทาง ทิศทาง โครงสร้าง , , ก่อนและหลัง
เป็นข้อมูลที่มีเครื่องหมาย พวกเขาจะต้องมีการพิจารณาในการวิเคราะห์ข้อมูลและ spatiotemporal

เหมืองแร่