Descriptive Data Mining

این کتاب مروری بر روش های داده کاوی نشان داده شده توسط نرم افزار ارائه می دهد. مدیریت دانش شامل کاربرد دانش انسانی (معرفت شناسی) با پیشرفت های تکنولوژیکی جامعه کنونی ما (سیستم های کامپیوتری) و کلان داده ها، هم از نظر جمع آوری داده ها و هم در تجزیه و تحلیل آن است. ما سه نوع ابزار تحلیلی را می بینیم. تجزیه و تحلیل توصیفی بر گزارش هایی از آنچه اتفاق افتاده است تمرکز می کند. تجزیه و تحلیل پیش‌بینی‌کننده هوش آماری و/یا هوش مصنوعی را برای ارائه قابلیت پیش‌بینی گسترش می‌دهد. همچنین شامل مدل سازی طبقه بندی می شود. تجزیه و تحلیل تشخیصی می تواند تجزیه و تحلیل را به ورودی حسگر برای سیستم های کنترل مستقیم به طور خودکار اعمال کند. تجزیه و تحلیل تجویزی از مدل های کمی برای بهینه سازی سیستم ها یا حداقل برای شناسایی سیستم های بهبود یافته استفاده می کند. داده کاوی شامل مدل سازی توصیفی و پیش بینی است. تحقیق در عملیات شامل هر سه است. این کتاب بر تجزیه و تحلیل توصیفی تمرکز دارد.
این کتاب به دنبال ارائه توضیحات ساده و نمایش برخی از ابزارهای توصیفی است. این ویرایش دوم نمونه‌های بیشتری از تأثیر داده‌های بزرگ ارائه می‌کند، محتوا را در تجسم به‌روزرسانی می‌کند، برخی از نکات را روشن می‌کند، و پوشش قوانین ارتباط و تجزیه و تحلیل خوشه‌ای را گسترش می‌دهد. فصل 1 یک مرور کلی در زمینه مدیریت دانش ارائه می دهد. فصل 2 برخی از پشتیبانی نرم افزاری اساسی برای تجسم داده ها را مورد بحث قرار می دهد. فصل 3 اصول تحلیل سبد بازار را پوشش می دهد و فصل 4 مدل سازی RFM را که یک ابزار اساسی داده کاوی بازاریابی است، نشان می دهد. فصل 5 استخراج قوانین انجمن را نشان می دهد. فصل 6 یک پوشش عمیق تر از تجزیه و تحلیل خوشه ای است. فصل 7 به تجزیه و تحلیل پیوند می پردازد.
مدل ها با استفاده از داده های مربوط به کسب و کار نشان داده می شوند. سبک این کتاب توصیفی است و به دنبال توضیح نحوه کار روش ها، با برخی استنادها، اما بدون ارجاع عمیق علمی است. مجموعه داده‌ها و نرم‌افزار همه برای در دسترس بودن و دسترسی گسترده توسط هر خواننده با پیوندهای رایانه‌ای انتخاب شده‌اند.

This book provides an overview of data mining methods demonstrated by software. Knowledge management involves application of human knowledge (epistemology) with the technological advances of our current society (computer systems) and big data, both in terms of collecting data and in analyzing it. We see three types of analytic tools. Descriptive analytics focus on reports of what has happened. Predictive analytics extend statistical and/or artificial intelligence to provide forecasting capability. It also includes classification modeling. Diagnostic analytics can apply analysis to sensor input to direct control systems automatically. Prescriptive analytics applies quantitative models to optimize systems, or at least to identify improved systems. Data mining includes descriptive and predictive modeling. Operations research includes all three. This book focuses on descriptive analytics.
The book seeks to provide simple explanations and demonstration of some descriptive tools. This second edition provides more examples of big data impact, updates the content on visualization, clarifies some points, and expands coverage of association rules and cluster analysis. Chapter 1 gives an overview in the context of knowledge management. Chapter 2 discusses some basic software support to data visualization. Chapter 3 covers fundamentals of market basket analysis, and Chapter 4 provides demonstration of RFM modeling, a basic marketing data mining tool. Chapter 5 demonstrates association rule mining. Chapter 6 is a more in-depth coverage of cluster analysis. Chapter 7 discusses link analysis.
Models are demonstrated using business related data. The style of the book is intended to be descriptive, seeking to explain how methods work, with some citations, but without deep scholarly reference. The data sets and software are all selected for widespread availability and access by any reader with computer links.