Bài giảng Nhập môn khai phá dữ liệu: Chương 1 - PGS. TS. Hà Quang Thụy

- BÀI GIẢNG NHẬP MÔN KHAI PHÁ DỮ LIỆU CHƯƠNG 1.
- GIỚI THIỆU CHUNG VỀ KHAI PHÁ DỮ LIỆU.
- Tại sao khai phá dữ liệu (KPDL)?.
- Kiểu dữ liệu trong KPDL.
- Tại sao khai phá dữ liệu.
- B ùng nổ dữ liệu và dữ liệu lớn (Big Data).
- Ngành kinh t ế tri thức, dữ liệu và thông tin ( Infonomics.
- Phát hiện tri thức từ dữ liệu.
- Nhu cầu khai phá dữ liệu tại Việt Nam.
- Ví dụ: Tại sao khai phá dữ liệu.
- Phân tích dữ liệu giúp ứng viên Tổng thống Mỹ.
- 346184.html GMT+7)) TÍNH MỚI LẠ TỪ DỮ LIỆU LỚN.
- PHƯƠNG PHÁP, KỸ THUẬT MIỀN ỨNG DỤNG: PHÂN TÍCH DỮ LIỆU TÂM LÝ.
- Công nghệ: Bùng nổ dữ liệu: Luật Moore.
- Bùng nổ dữ liệu: Giá thành và thể hiện.
- Giá tạo dữ liệu ngày càng rẻ hơn.
- Chiều hướng giá tạo mới dữ liệu giảm dần.
- Phân bổ lượng dữ liệu theo khu vực.
- Bùng nổ dữ liệu với tăng trưởng nhận lực CNTT.
- Dung lượng thông tin tăng 67 lần, đối tượng dữ liệu tăng 67 lần.
- Nhu cầu nắm bắt dữ liệu.
- Nhu cầu thu nhận tri thức từ dữ liệu.
- Dịch vụ: dữ liệu &.
- Khoa học: dữ liệu &.
- Kinh tế dịch vụ: Từ dữ liệu tới giá trị.
- Từ dữ liệu tới trí tuệ.
- Dữ liệu (data): dữ kiện không ngữ cảnh.
- Dữ liệu có ý nghĩa, dữ liệu trong ngữ cảnh.
- Tri thức (knowledge): Thông tin được dung để phát hiện và hiểu được mẫu trong dữ liệu.
- Quá trình tiến hóa dữ liệu tới trí tuệ.
- Dữ liệu lớn không ngừng gia tăng và giá trị.
- Giá trị dữ liệu: Ví dụ 1 (Capital One).
- Thiếu dữ liệu và giải pháp.
- Không có dữ liệu với mức thẻ tín dụng khác nhau..
- 4 năm: vừa thu thập dữ liệu vừa hoàn thiện mô hình.
- Giá trị dữ liệu Linkedln mang lại cho Microsoft.
- 23 tỷ đô-la Mỹ chủ yếu từ giá trị dữ liệu.
- Đo lường giá trị dữ liệu.
- Ban đầu: Dữ liệu phục vụ quảng cáo tốt hơn.
- Hiện tại: Dữ liệu là một dịch vụ trí tuệ nhân tạo.
- Họ thu thập được các dữ liệu gì.
- Dữ liệu đó có thể được sử dụng (kinh doanh) như thế nào.
- Giá trị dữ liệu: Ví dụ 2 (Microsoft-LinkedIn).
- Ví dụ 3: Chi tiêu dữ liệu .
- Không bao gồm quy trình thu thập dữ liệu nội bộ.
- 20%) cho việc tìm nguồn cung ứng dữ liệu.
- Giá trị dữ liệu: Thị trường dữ liệu châu Âu.
- Việt nam:Trường hè Khai phá dữ liệu 2016.
- Trường hè “Khai phá dữ liệu” tại Nhà G3, ĐHCN..
- 2017 (dự kiến): Trường hè “Khoa học dữ liệu”? Trao đổi 19/8/2016.
- Trích chọn các mẫu hoặc tri thức hấp dẫn ( không tầm thường, ẩn, chưa biết và hữu dụng tiiềm năng) từ một tập hợp lớn dữ liệu.
- KDD và KPDL: tên gọi lẫn lộn? theo hai tác giả|Khai phá dữ liệu.
- Quá trình Khai phá dữ liệu.
- Khởi tạo một tập dữ liệu đích: chọn lựa dữ liệu.
- Chuẩn bị dữ liệu và tiền xử lý: (huy động tới 60% công sức!).
- Thu gọn và chuyển đổi dữ liệu.
- khai quật/nạo vét dữ liệu (data archaeology/ dredging),.
- Phân tích/xử lý mẫu/dữ liệu (data/pattern analysis/processing).
- Chu trình phát triển tri thức thông qua khai phá dữ liệu.
- Khoa học dữ liệu.
- Quá trình khoa học dữ liệu (trái) và các chuyên ngành liên quan (phải).
- Dữ liệu và Mẫu.
- Dữ liệu (tập dữ liệu).
- Chuyên gia phân tích dữ liệu.
- KDL chuyên đề (Data Marts) Nguồn dữ liệu.
- Kiểu dữ liệu được KP.
- Khai phá dữ liệu phân lớp:.
- từ dữ liệu.
- Quan hệ kết hợp giữa các biến dữ liệu: Tương quan và nhân quả).
- Ví dụ, trong khai phá dữ liệu Web.
- Dữ liệu được khai phá.
- July 12, 2021 Kho dữ liệu và khai phá dữ liệu: Chương 1 63.
- CSDL và KPDL: kiểu dữ liệu.
- Kho dữ liệu.
- Dữ liệu không gian và thời gian.
- Dữ liệu chuỗi thời gian.
- Dữ liệu dòng.
- Dữ liệu đa phương tiện.
- Dữ liệu không đồng nhất và thừa kế.
- Phân tích/khai phá: Kiểu đa dạng dữ liệu.
- Dữ liệu (cơ sở dữ liệu) quan hệ: bảng: Hầu hết 203/264.
- Xử lý CSDL: dữ liệu thuộc hệ quản trị CSDL.
- KPDL: Dung lượng dữ liệu lớn.
- dữ liệu kích thước bất kỳ.
- Khai phá dữ liệu : Mục tiêu kinh doanh.
- Đặc biệt như phân tích dữ liệu thăm dò (EDA: Exploratory Data Analysis) cũng như dự báo [Fied97, HD03]..
- Phân biệt giữa bài toán thống kê và bài toán khai phá dữ liệu.
- Kiểm định giả thiết TK: một mô hình giả thiết + tập dữ liệu quan sát được..
- Bài toán học KPDL: Cho tập dữ liệu (mô hình chưa có).
- Mô hình kết quả phải phù hợp với tập toàn bộ dữ liệu ->.
- cho toàn bộ dữ liệu trong miền ứng dụng và cần độc lập nhau.
- Cách máy tính học (nâng cao năng lực) dựa trên dữ liệu..
- Một số nội dung học máy với khai phá dữ liệu.
- Hai giả thiết: (i) Dữ liệu tìm kiếm là không cấu trúc.
- Phân tích dữ liệu và hỗ trợ quyết định.
- Khai phá dữ liệu dòng.
- Phân tích DNA và dữ liệu sinh học.
- Nguồn dữ liệu có từ đâu.
- Khai phá các kiểu tri thức khác nhau từ dữ liệu hỗn tạp như sinh học, dòng, web….
- Xử lý dữ liệu nhiễu và dữ liệu không đầy đủ

Xem thử không khả dụng, vui lòng xem tại trang nguồn
hoặc xem Tóm tắt