Интеллектуальный анализ данных (Unit 3)

Интеллектуальный анализ данных - это фильтрация большого количества исходных данных для получения полезной информации, что дает компаниям конкурентное преимущество. Эта информация состоит из значимых форм и тенденций, которые уже присутствуют в данных, но ранее были неочевидными.

Самый популярный инструмент, используемый при анализе - искусственный интеллект (ИИ). ИИ технологии пытаются работать так, как работает человеческий мозг, путем разумного предположения, например обучения, и использование дедуктивного мышления. Некоторые из наиболее популярных методов ИИ используются в интеллектуальном анализе данных, включая нейронные сети, кластеризация и деревья решений.

Нейронные сети ориентируются на правила использования данных, которые основаны найденных связях или на образце набора данных. Как результат, программное обеспечение постоянно анализирует значения и сравнивает его с другими факторами, и он сравнивает эти факторы неоднократно, пока не найдет новый шаблон. Эти шаблоны известны как правила. Затем программное обеспечение ищет другие шаблоны, основанные на этих правилах, или посылает оповещение, когда значение триггера выпадает.

Кластеризация делит данные на группы на основе сходных черт или ограниченных диапазонов данных. Кластеры используются, когда данные не помечены таким образом, которым является благоприятным для интеллектуального анализа данных. Например, страховая компания, которая хочет найти случаи мошенничества, не будут иметь записи, помеченными как мошеннические или нефальсифицированные. Но после анализа модели в рамках кластеров, анализирующее программное обеспечение может начать выявлять правила, которые указывают какие претензии могут быть ошибочным.

Деревья решений, как кластеры, разделяют данные в подмножества, а затем анализирует подмножества, разделяя их еще на несколько подмножеств, и так далее (еще на несколько уровней). Окончательные подмножества так малы, что анализирующий процесс может найти интересные модели и отношения внутри данных.

Как только данные анализа определены, они должны быть очищены. Очистка данных освобождает данные от дублирования информации и ошибочных данных. Далее, данные должны храниться в едином формате в соответствующих категориях или полях. Анализирующие инструменты могут работать со всеми типами хранения данных, от больших хранилищ данных до меньших настольных баз данных до простых файлов. Хранилища данных и витрины данных это методы хранения, которые включают архивирование больших объемов данных таким образом, что позволяет легко получить доступ в случае необходимости.

Когда процесс завершается, анализируемое программное обеспечение генерирует отчет. Аналитик читает отчет, чтобы увидеть, если дальнейшая работа должна быть сделана, такие как очистка параметров, использование других инструментов анализа данных для изучения данных, или даже переработка данных, если они не пригодны для использования. Если не требуется проведение дальнейших работ, отчет передается ответственным людям для принятия соответствующих мер.

Мощь интеллектуального анализа данных используется для многих других целей, таких как анализ. Решений Верховного Суда, открытия моделей в области здравоохранения, сбор историй о конкурентах из лент новостей, решения сложных задач в производственных процессах, а также анализа последовательностей в человеческих генах. Действительно нет ограничений для бизнеса и областей изучения, где интеллектуального анализа данных может быть полезным.

Поиск по сайту: