TAILIEUCHUNG - INTRODUCTION TO KNOWLEDGE DISCOVERY AND DATA MINING - CHAPTER 2

Preprocessing Data - Trong thế giới thực của các ứng dụng khai thác dữ liệu, nỗ lực nhiều hơn là chi tiêu chuẩn bị dữ liệu hơn so với áp dụng một chương trình dự báo dữ liệu. Phương pháp khai thác dữ liệu là hoàn toàn có khả năng tìm kiếm các mẫu có giá trị trong dữ liệu. Nó là đơn giản để áp dụng một phương pháp để các dữ liệu và sau đó đánh giá giá trị của kết quả của nó dựa trên việc thực hiện dự đoán ước tính. Điều này không làm. | Chapter 2 Preprocessing Data In the real world of data-mining applications more effort is expended preparing data than applying a prediction program to data. Data mining methods are quite capable of finding valuable patterns in data. It is straightforward to apply a method to data and then judge the value of its results based on the estimated predictive performance. This does not diminish the role of careful attention to data preparation. While the prediction methods may have very strong theoretical capabilities in practice all these methods may be limited by a shortage of data relative to the unlimited space of possibilities that they may search. Data Quality To a large extent the design and organization of data including the setting of goals and the composition of features is done by humans. There are two central goals for the preparation of data To organize data into a standard form that is ready for processing by data mining programs. To prepare features that lead to the best predictive performance. It s easy to specify a standard form that is compatible with most prediction methods. It s much harder to generalize concepts for composing the most predictive features. A Standard Form. A standard form helps to understand the advantages and limitations of different prediction techniques and how they reason with data. The standard form model of data constrains our world s view. To find the best set of features it is important to examine the types of features that fit this model of data so that they may be manipulated to increase predictive performance. Most prediction methods require that data be in a standard form with standard types of measurements. The features must be encoded in a numerical format such as binary true-or-false features numerical features or possibly numeric codes. In addition for classification a clear goal must be specified. Prediction methods may differ greatly but they share a common perspective. Their view of the world is cases organized

• Cơ sở dữ liệu
• kiến thức dữ liệu
• khai thác dữ liệu
• xử lý dữ liệu
• chất lượng dữ liệu
• dữ liệu biến đổi
• Quản trị dữ liệu
• Dịch vụ dữ liệu nghiên cứu
• Kỹ năng về quản trị dữ liệu
• Thiết kế cơ sở dữ liệu
• Hệ quản trị cơ sở dữ liệu
• Hệ cơ sở dữ liệu
• Bài giảng hệ cơ sở dữ liệu
• Lý thuyết cơ sở dữ liệu
• Kiến thức cơ sở dữ liệu
• Hệ xử lý tập tin
• Quản trị cơ sở dữ liệu
• Cơ sở dữ liệu
• Tìm hiểu cơ sở dữ liệu
• Giáo trình cơ sở dữ liệu
• hệ thống dữ liệu
• tổ chức cơ sơ dữ liệu
• thiết kế cơ sơ dữ liệu
• Mô hình hóa dữ liệu
• Quản trị giao dịch
• Quy trình thiết kế cơ sở dữ liệu
• Bài giảng Cơ sở dữ liệu đất đai
• Cơ sở dữ liệu đất đai
• Quản lý dữ liệu theo dạng tập tin
• Hình thức quản lý dữ liệu
• Kiến trúc cơ sở dữ liệu
• xử lý thông tin
• MySQL
• cơ sở dữ liệu căn bản
• mô hình bài toán thực tế
• kiểu dữ liệu trừa tượng
• cấu trúc dữ liệu
• bài toán đồ thị
• một số bài toán trên đồ thị
• giáo trình dữ liệu
• phân tích thiết kế hệ thống
• cơ sở dữ liệu vật lý
• phương thức lưu trữ dữ liệu
• kiến trúc dữ liệu
• kiến trúc kho
• kho dữ liệu
• mô hình dữ liệu
• Siêu Dữ liệu
• Phương thức kho dữ liệu
• Bài giảng Các hệ cơ sở dữ liệu
• Cấu trúc lưu trữ
• Phương thức truy xuất
• Tổ chức vật lý của SQL Server
• Kiến trúc SQL Server
• Chương trình đào tạo thạc sĩ
• Ngành Hệ thống thông tin
• Kiến thức lý thuyết các hệ phân tán
• Kiến thức khai phá dữ liệu
• Mạng máy tính