Bücher von K. Prasanna

Data Mining kann zur Aufdeckung von Mustern in Daten verwendet werden, wird aber oft nur an Stichproben von Daten durchgeführt. Der Mining-Prozess ist unwirksam, wenn die Stichproben keine gute Repräsentation der Gesamtheit der Daten sind. Data Mining kann keine Muster entdecken, die in der Gesamtheit der Daten vorhanden sind, wenn diese Muster nicht in der untersuchten Stichprobe vorhanden sind. Die Unfähigkeit, Muster zu finden, kann ein Grund für Streitigkeiten zwischen Kunden und Dienstleistern sein. Data Mining ist also nicht narrensicher, kann aber nützlich sein, wenn ausreichend repräsentative Datenproben gesammelt werden. Die Entdeckung eines bestimmten Musters in einem bestimmten Datensatz bedeutet nicht zwangsläufig, dass das Muster auch an anderer Stelle in den größeren Daten, aus denen diese Stichprobe gezogen wurde, zu finden ist. Ein wichtiger Teil des Prozesses ist die Überprüfung und Validierung von Mustern in anderen Datenproben.

La minería de datos puede utilizarse para descubrir patrones en los datos, pero a menudo sólo se lleva a cabo en muestras de datos. El proceso será ineficaz si las muestras no son una buena representación del conjunto de los datos. La minería de datos no puede descubrir patrones que puedan estar presentes en el conjunto más amplio de datos si esos patrones no están presentes en la muestra que se está "minando". La incapacidad para encontrar patrones puede convertirse en la causa de algunas disputas entre clientes y proveedores de servicios. Por lo tanto, la minería de datos no es infalible, pero puede ser útil si se recogen muestras de datos suficientemente representativas. El descubrimiento de un patrón particular en un conjunto concreto de datos no significa necesariamente que se encuentre un patrón en otro lugar de los datos más amplios de los que se extrajo esa muestra. Una parte importante del proceso es la verificación y validación de los patrones en otras muestras de datos.

Dobycha dannyh mozhet byt' ispol'zowana dlq wyqwleniq zakonomernostej w dannyh, no chasto ona prowoditsq tol'ko na obrazcah dannyh. Process dobychi budet neäffektiwnym, esli wyborki ne budut horosho predstawlqt' wsü sowokupnost' dannyh. Process dobychi dannyh ne smozhet obnaruzhit' zakonomernosti, kotorye mogut prisutstwowat' w bol'shom ob#eme dannyh, esli äti zakonomernosti ne prisutstwuüt w "dobywaemoj" wyborke. Nesposobnost' najti zakonomernosti mozhet stat' prichinoj nekotoryh sporow mezhdu klientami i postawschikami uslug. Takim obrazom, dobycha dannyh ne qwlqetsq bezoshibochnoj, no mozhet byt' poleznoj, esli sobrany dostatochno reprezentatiwnye wyborki dannyh. Obnaruzhenie opredelennoj zakonomernosti w konkretnom nabore dannyh ne obqzatel'no oznachaet, chto takaq zhe zakonomernost' obnaruzhitsq i w drugih bol'shih dannyh, iz kotoryh byla wzqta äta wyborka. Vazhnoj chast'ü processa qwlqetsq prowerka i podtwerzhdenie zakonomernostej na drugih wyborkah dannyh.

A extração de dados pode ser utilizada para descobrir padrões nos dados, mas muitas vezes é efectuada apenas em amostras de dados. O processo de extração será ineficaz se as amostras não forem uma boa representação do conjunto maior de dados. A extração de dados não pode descobrir padrões que possam estar presentes no conjunto maior de dados se esses padrões não estiverem presentes na amostra que está a ser "extraída". A incapacidade de encontrar padrões pode tornar-se a causa de alguns litígios entre clientes e fornecedores de serviços. Por conseguinte, a extração de dados não é infalível, mas pode ser útil se forem recolhidas amostras de dados suficientemente representativas. A descoberta de um determinado padrão num determinado conjunto de dados não significa necessariamente que esse padrão se encontre noutro local dos dados mais vastos de onde essa amostra foi retirada. Uma parte importante do processo é a verificação e validação de padrões noutras amostras de dados

L'exploration de données peut être utilisée pour découvrir des modèles dans les données, mais elle n'est souvent effectuée que sur des échantillons de données. Le processus d'exploration sera inefficace si les échantillons ne sont pas une bonne représentation de l'ensemble des données. L'exploration de données ne peut pas découvrir des modèles qui peuvent être présents dans l'ensemble des données si ces modèles ne sont pas présents dans l'échantillon "exploité". L'incapacité à trouver des modèles peut être à l'origine de certains litiges entre les clients et les fournisseurs de services. L'exploration de données n'est donc pas infaillible, mais elle peut être utile si des échantillons de données suffisamment représentatifs sont collectés. La découverte d'un modèle particulier dans un ensemble particulier de données ne signifie pas nécessairement qu'un modèle se retrouve ailleurs dans les données plus larges à partir desquelles cet échantillon a été tiré. La vérification et la validation des modèles sur d'autres échantillons de données constituent une partie importante du processus

Il data mining può essere utilizzato per scoprire modelli nei dati, ma spesso viene effettuato solo su campioni di dati. Il processo di estrazione sarà inefficace se i campioni non sono una buona rappresentazione dell'insieme dei dati. Il data mining non può scoprire modelli che potrebbero essere presenti nell'insieme dei dati se tali modelli non sono presenti nel campione che viene "estratto". L'incapacità di trovare modelli può diventare una causa di controversie tra clienti e fornitori di servizi. Pertanto, il data mining non è infallibile, ma può essere utile se vengono raccolti campioni di dati sufficientemente rappresentativi. La scoperta di un particolare schema in un particolare insieme di dati non significa necessariamente che lo stesso schema si trovi altrove nei dati più ampi da cui è stato tratto il campione. Una parte importante del processo è la verifica e la convalida dei modelli su altri campioni di dati.

Data mining can be used to uncover patterns in data but is often carried out only on samples of data. The mining process will be ineffective if the samples are not a good representation of the larger body of data. Data mining cannot discover patterns that may be present in the larger body of data if those patterns are not present in the sample being "mined". Inability to find patterns may become a cause for some disputes between customers and service providers. Therefore, data mining is not foolproof but may be useful if sufficiently representative data samples are collected. The discovery of a particular pattern in a particular set of data does not necessarily mean that a pattern is found elsewhere in the larger data from which that sample was drawn. An important part of the process is the verification and validation of patterns on other samples of data.