|
Guruh: 961-19 Bajardi
|
| Sana | 17.12.2023 | | Hajmi | 181 Kb. | | #121267 |
Bog'liq bekzod3 baxt 1111111111, Вариант 2, Ehtiyoji yuqori bo\'lgan 10 kasb, Atatek shejiresiniń násilshilikte qollanılıwı, Porodalardıń násilshilik jumıslarında qollanılıwı, Porodalardıń násilshilik jumıslarında qollanılıwı, SARVAR 1, 88 Iqtisod va biznes Mavzu Ishlab chiqarish jarayonini tashkil etishda, Doc1, 7.Raqobatning mohiyati, shakllari va usullari., 01- масалалар ТАХЛАШ, 6-Seminar jumısı, 5-Seminar jumisis, CАРИМСАКОВ АЛИЖОН
Muhammad Al-Хorazmiy nomidagi Toshkent Axborot Texnologiyalari universiteti Urganch filiali
Mustaqil ish.
Guruh:961-19
Bajardi:Baxtiyorov Bekzod.
Qabul qildi: Yusupova Shohida Botirboyevna.
Mavzu: Data Mining usullaridan foydalangan holda ijtimoiy tarmoq ma'lumotlarini tahlil qilish.
Reja:
Data Mining.
Ijtimoiy tarmoq ma'lumotlarini tahlil qilish..
Bashorat qilish uchun Data Mining-dan foydalanish.
Xulosa.
Foydalanilgan adabiyotlar.
Data Mining.
Zamonaviy kompyuter atamasi Data Mining "axborot qazib olish" yoki "ma'lumotlar qazib olish" deb tarjima qilingan. Ko'pincha Data Mining bilan bir qatorda Knowledge Discovery ("bilimlarni kashf etish") va Data Warehouse ("ma'lumotlar ombori") atamalari topiladi. Data Miningning ajralmas qismi bo'lgan ushbu atamalarning paydo bo'lishi ma'lumotlarni qayta ishlash va saqlash vositalari va usullarini ishlab chiqishning yangi bosqichi bilan bog'liq. Shunday qilib, Data Mining maqsadi katta (juda katta) hajmdagi ma'lumotlarda yashirin qoidalar va naqshlarni aniqlashdir.
Gap shundaki, inson ongining o'zi turli xil ma'lumotlarning ulkan massivlarini idrok etishga moslashmagan. O'rtacha, bir kishi, ba'zi shaxslar bundan mustasno, hatto kichik namunalarda ham ikki yoki uchtadan ortiq munosabatlarni qo'lga kirita olmaydi. Ammo uzoq vaqt davomida ma'lumotlarni tahlil qilish uchun asosiy vosita rolini o'ynagan an'anaviy statistika ham real hayotdagi muammolarni hal qilishda muvaffaqiyatsizlikka uchraydi. U ko'pincha xayoliy qiymatlar bo'lgan namunaning o'rtacha xarakteristikalari bilan ishlaydi (mijozning o'rtacha to'lov qobiliyati, agar xavf funktsiyasi yoki yo'qotish funktsiyasiga qarab, mijozning to'lov qobiliyati va niyatlarini bashorat qilish kerak bo'lganda; o'rtacha signal intensivligi, siz xarakteristikalari va signal cho'qqilari fon manfaatdor esa, va hokazo. d.).
Shuning uchun matematik statistika usullari asosan oldindan tuzilgan gipotezalarni sinab ko'rish uchun foydalidir, gipotezani aniqlash esa ba'zan ancha murakkab va ko'p vaqt talab qiladigan vazifadir. Zamonaviy Data Mining texnologiyalari heterojen ko'p o'lchovli ma'lumotlarning har qanday bo'laklariga xos bo'lgan naqshlarni (naqshlarni) avtomatik ravishda izlash uchun ma'lumotlarni qayta ishlaydi. Onlayn tahliliy ma'lumotlarni qayta ishlashdan (OLAP) farqli o'laroq, Data Mining-da gipotezalarni shakllantirish va noodatiy (kutilmagan) naqshlarni aniqlash yuki odamdan kompyuterga o'tkaziladi. Ma'lumotni qazib olish - bu bitta emas, balki ko'p sonli turli xil bilimlarni kashf qilish usullarining kombinatsiyasi. Usulni tanlash ko'pincha mavjud ma'lumotlar turiga va qanday ma'lumotlarni olishga harakat qilayotganingizga bog'liq. Bu erda, masalan, ba'zi usullar: assotsiatsiya (birlashtirish), tasniflash, klasterlash, vaqt seriyalarini tahlil qilish va prognozlash, neyron tarmoqlar va boshqalar.
Keling, ta'rifda berilgan kashf qilinadigan bilimlarning xususiyatlarini batafsil ko'rib chiqaylik.
Bilim yangi, ilgari noma'lum bo'lishi kerak. Foydalanuvchiga allaqachon ma'lum bo'lgan bilimlarni kashf qilish uchun sarflangan harakatlar o'zini oqlamaydi. Shuning uchun, bu yangi, ilgari noma'lum bo'lgan bilimdir.
Bilim ahamiyatsiz bo'lishi kerak. Tahlil natijalari yashirin bilimlarni tashkil etuvchi ma'lumotlarda aniq bo'lmagan, kutilmagan naqshlarni aks ettirishi kerak. Oddiyroq usullar bilan (masalan, vizual ko'rish) olinishi mumkin bo'lgan natijalar kuchli Data Mining usullaridan foydalanishni oqlamaydi.
Bilim amaliy jihatdan foydali bo'lishi kerak. Topilgan bilimlar, shu jumladan yangi ma'lumotlarga nisbatan, etarlicha yuqori darajadagi ishonchlilik bilan qo'llanilishi kerak. Foydaliligi shundaki, bu bilim uni qo'llashda qandaydir foyda keltirishi mumkin.
Bilim inson tushunchasi uchun ochiq bo'lishi kerak. Topilgan naqshlar mantiqan tushuntirilishi kerak, aks holda ular tasodifiy bo'lish ehtimoli mavjud. Bundan tashqari, kashf etilgan bilimlar inson tushunadigan shaklda taqdim etilishi kerak.
Data Mining-da modellar olingan bilimlarni ifodalash uchun ishlatiladi. Modellarning turlari ularni yaratish usullariga bog'liq. Eng keng tarqalganlari: qoidalar, qarorlar daraxtlari, klasterlar va matematik funktsiyalar.
Data Mining ko'lami cheklanmagan - Data Mining har qanday ma'lumot mavjud bo'lgan joyda kerak bo'ladi. Ko'pgina bunday korxonalar tajribasi shuni ko'rsatadiki, Data Mining-dan foydalanish rentabelligi 1000% ga yetishi mumkin. Masalan, 350 dan 750 ming dollargacha bo'lgan dastlabki xarajatlardan 10-70 baravar yuqori iqtisodiy samara haqida xabarlar mavjud. 20 million dollarlik loyiha haqida maʼlumot berilgan, u bor-yoʻgʻi 4 oyda oʻzini oqladi. Yana bir misol - yiliga 700 000 dollar tejash. Buyuk Britaniyadagi supermarketlar tarmog'ida Data Mining joriy etish orqali. Ma'lumotlarni qidirish menejerlar va tahlilchilar uchun ularning kundalik faoliyatida katta ahamiyatga ega. Ishbilarmonlar Data Mining usullari yordamida sezilarli raqobatdosh ustunliklarga ega bo'lishlari mumkinligini tushundilar.
Ma'lumotlarni qidirish vazifalarining tasnifi
DataMining usullari tahlilchi duch keladigan ko'plab muammolarni hal qilishga imkon beradi. Ulardan asosiylari: tasniflash, regressiya, assotsiatsiya qoidalarini izlash va klasterlash. Quyida ma'lumotlarni tahlil qilishning asosiy vazifalarining qisqacha tavsifi keltirilgan.
1) Tasniflash vazifasi ob'ektning xususiyatlariga ko'ra sinfini aniqlashga qisqartiriladi. Shuni ta'kidlash kerakki, bu masalada ob'ektni belgilash mumkin bo'lgan sinflar to'plami oldindan ma'lum.
2) Regressiya vazifasi, xuddi tasniflash vazifasi kabi, ob'ektning ma'lum xususiyatlaridan kelib chiqib, uning ayrim parametrlarining qiymatini aniqlash imkonini beradi. Tasniflash masalasidan farqli o'laroq, parametrning qiymati cheklangan sinflar to'plami emas, balki haqiqiy sonlar to'plamidir.
3) Assotsiatsiya vazifasi. Assotsiatsiya qoidalarini qidirishda maqsad ob'ektlar yoki hodisalar o'rtasidagi tez-tez bog'liqliklarni (yoki assotsiatsiyalarni) topishdir. Topilgan bog'liqliklar qoidalar ko'rinishida taqdim etilgan va tahlil qilingan ma'lumotlarning mohiyatini yaxshiroq tushunish uchun ham, voqealar sodir bo'lishini bashorat qilish uchun ham ishlatilishi mumkin.
4) Klasterlashning vazifasi mustaqil guruhlar (klasterlar) va ularning xususiyatlarini tahlil qilinayotgan ma'lumotlarning butun majmuasida izlashdan iborat. Ushbu muammoni hal qilish ma'lumotlarni yaxshiroq tushunishga yordam beradi. Bundan tashqari, bir hil ob'ektlarni guruhlash ularning sonini kamaytirishga va natijada tahlilni osonlashtirishga imkon beradi.
5) Ketma-ket naqshlar - vaqt bilan bog'liq bo'lgan hodisalar o'rtasida qonuniyatlarni o'rnatish, ya'ni. Agar X voqea sodir bo'lsa, Y hodisasi ma'lum vaqtdan keyin sodir bo'lishiga bog'liqlikni aniqlash.
6) og'ishlarni tahlil qilish - eng xarakterli bo'lmagan naqshlarni aniqlash.
Sanab o'tilgan vazifalar maqsadiga ko'ra tavsiflovchi va bashoratli bo'linadi.
Ta'riflash vazifalari tahlil qilinayotgan ma'lumotlarni tushunishni yaxshilashga qaratilgan. Bunday modellardagi asosiy nuqta - natijalarning inson idroki uchun qulayligi va shaffofligi. Ehtimol, topilgan naqshlar o'rganilayotgan aniq ma'lumotlarning o'ziga xos xususiyati bo'lib, boshqa joyda topilmaydi, lekin u hali ham foydali bo'lishi mumkin va shuning uchun ma'lum bo'lishi kerak. Ushbu turdagi muammolar klasterlash va assotsiatsiya qoidalarini qidirishni o'z ichiga oladi.
Bashoratli masalalarni yechish ikki bosqichga bo'linadi. Birinchi bosqichda ma'lum natijalarga ega bo'lgan ma'lumotlar to'plamiga asoslangan model quriladi. Ikkinchi bosqichda u yangi ma'lumotlar to'plamiga asoslangan natijalarni bashorat qilish uchun ishlatiladi. Bunday holda, albatta, qurilgan modellarning iloji boricha aniq ishlashi talab qilinadi. Ushbu turdagi muammolar tasniflash va regressiya muammolarini o'z ichiga oladi. Bu, shuningdek, assotsiatsiya qoidalarini topish muammosini o'z ichiga oladi, agar uni hal qilish natijalaridan ma'lum voqealar sodir bo'lishini taxmin qilish uchun foydalanish mumkin bo'lsa.
Muammolarni hal qilish usullariga ko'ra ular nazorat ostida o'qitish (o'qituvchi bilan o'qitish) va nazoratsiz ta'lim (o'qituvchisiz o'rganish) ga bo'linadi. Bu nom ingliz tilidagi adabiyotlarda tez-tez ishlatiladigan va barcha Data Mining texnologiyalariga ishora qiluvchi Machine Learning (mashinalarni o'rganish) atamasidan kelib chiqqan.
Nazorat ostida o'qitishda ma'lumotlarni tahlil qilish muammosi bir necha bosqichda hal qilinadi. Birinchidan, har qanday Data Mining algoritmidan foydalanib, tahlil qilingan ma'lumotlarning modeli - klassifikator quriladi. Keyin klassifikator o'qitiladi. Boshqacha aytganda, uning ish sifati tekshiriladi va agar u qoniqarsiz bo'lsa, tasniflagich qo'shimcha ravishda o'qitiladi. Bu talab qilinadigan sifat darajasiga erishilgunga qadar yoki tanlangan algoritm ma'lumotlar bilan to'g'ri ishlamasligi yoki ma'lumotlarning o'zi aniqlanishi mumkin bo'lgan tuzilishga ega emasligi aniq bo'lgunga qadar davom etadi. Ushbu turdagi muammolar tasniflash va regressiya muammolarini o'z ichiga oladi.
Nazoratsiz ta'lim yirik do'konda xaridorlar tomonidan amalga oshirilgan xaridlar naqshlari kabi tavsifiy naqshlarni aniqlaydigan vazifalarni birlashtiradi. Shubhasiz, agar bu naqshlar mavjud bo'lsa, unda model ularni ifodalashi kerak va uni o'rganish haqida gapirish o'rinli emas. Shuning uchun nom - nazoratsiz o'rganish. Bunday muammolarning afzalligi tahlil qilingan ma'lumotlar haqida oldindan ma'lumotga ega bo'lmasdan ularni hal qilish imkoniyatidir. Bularga klasterlash va assotsiatsiya qoidalarini qidirish kiradi.
Aloqa tarmoqlaridagi trafikni tahlil qilish, ma'lumotlar analizi va data miningning muhim bir qismidir. Bu, aloqa tarmog'ida o'tkazilayotgan ma'lumotlardan aniq ma'lumotlar, o'zgarishlar, va so'rovnoma asosidagi tahlillarni olishni o'z ichiga oladi. Trafik tahlili, bir tarmoqda yuborilayotgan ma'lumotlar, protokollar, IP manbalari, portlar, aloqa korsatuvlari, va boshqa ma'lumotlarni tahlil qilishni o'z ichiga oladi.
Aloqa tarmoqlaridagi trafikni tahlil qilish uchun quyidagi usullardan foydalanish mumkin:
1. Packet Sniffing: Bu usulda, tarmoq trafikini to'plab olish uchun paket analizatorlardan foydalaniladi. Paket analizatorlar, tarmoqdan o'tkazilayotgan ma'lumotlar paketlarini qayta tiklash va tahlil qilishga imkon beradi. Nihoyat, paket tarkibida mavjud bo'lgan ma'lumotlar, protokollar, manbalarga, portlarga, va boshqa ma'lumotlarga qarab trafikni tahlil qilish mumkin.
2. Log Files: Aloqa tarmoqlaridagi qaydnomalar, server va routerlar tomonidan generatsiya qilingan log fayllar orqali trafikni tahlil qilish mumkin. Bu log fayllari, aloqa tarmog'ida yuz berayotgan so'rovlarni, muvaffaqiyatli va muvaffaqiyatsiz so'rovlarni, IP manbalarini, va boshqa ma'lumotlarni o'z ichiga oladi. Log fayllarining tahlili, tarmoqdagi muammolar, xavf-xatarlarning aniqlanishi va tarmoqni optimallashtirish uchun yordam beradi.
3. Flow-Based Analysis: Trafikni tahlil qilishning bu usuli, trafikni to'plagan "flow" deb ataladigan aloqa o'tkazmalari to'plamlari asosida amalga oshiriladi. Har bir "flow", boshlang'ich manba IP manbasi va porti, maqsad IP manbasi va porti, protokol, va boshqa ma'lumotlarni o'z ichiga oladi. Flow-based analiz, tarmoqdagi yo'nalishlarni, o'zgarishlarni, xavf-xatarlarni, va tarmoqning ishlashining umumiy tasavvurini aniqlashga yordam beradi.
4. Statistical Analysis: Statistik analiz, trafikni tahlil qilishda turli statistik metodlardan foydalanishni o'z ichiga oladi. Bu usulda, tarmoqdagi ma'lumotlar ustida statistik tahlillar amalga oshiriladi, jumladan, o'rtacha, mod, dispersiya, korrelatsiya, va boshqa statistik ma'lumotlarni hisoblash. Bu, tarmoqdagi anomaliyalarni aniqlash, trafikning normativdan chegaralanishini o'rganish, va tarmoq xavf-xatarlarini tahlil qilish uchun ishlatiladi.
5. Machine Learning: Ma'lumotlar ustida amaliyotlar (machine learning) algoritmlaridan foydalanish, aloqa tarmoqlaridagi trafikni tahlil qilish uchun kuchli bir usuldir. Bu usulda, tahlil uchun ma'lumotlar to'plangan va turli machine learning algoritmlari (masalan, neyron tarmoqlar, k-means clustering, SVM) orqali trafikning aniq tarkibini, anomaliyalarini, va bAloqa tarmoqlaridagi trafikni tahlil qilishning bir nechta foydalaridan ba'zi misollar:
1. Tarmoq Monitoring: Trafikni tahlil qilish, tarmoqdagi yo'nalishlarni, uzluksizliklarni, va tarmoqni qayta optimallashtirish uchun muhim ma'lumotlarni beradi. Ushbu ma'lumotlar, tarmoqdagi yengiligi, xavf-xatarlarni aniqlash, tarmoq resurslarini to'g'ri taqsimlash va tarmoq texnikasini yaxshilash uchun kritik bo'lib qarashlanadi.
2. Xavf-xatarlarni aniqlash: Trafik tahlili, tarmoqda yuzaga keladigan xavf-xatarlarni aniqlash uchun yordam beradi. Xavf-xatarlar, tarmoqga tashlangan yolg'on, malware, DDoS hamyonlari, tarmoqga tashlangan to'g'risidagi hamyonlarni aniqlash va boshqalar kabi tarmoq xavf-xatarlari bo'lishi mumkin. Trafikni tahlil qilish, tarmoqdagi anomaliyalarni aniqlash va tarmoq xavf-xatarlariga tezroq reagirov qilish imkonini beradi.
3. Tarmoq Yo'nalishi va Optimalloqlash: Trafik tahlili, tarmoqdagi yo'nalishlarni o'rganishga yordam beradi. Tarmoqdagi ko'plab ma'lumotlar, protokollar, manbalarga, portlarga, va boshqa ma'lumotlarga qarab, tarmoq yo'nalishlarini, tarmoqni optimallashtirishning yuqori samaradorlik darajasi va resurslarni to'g'ri taqsimlash imkonini beradi.
4. Tarmoqning to'g'ridan-to'g'ri ishlashini ta'minlash: Trafik tahlili, tarmoqdagi muammolar, halokatlarni aniqlash va tarmoqning ishlashida yuzaga keladigan kamchiliklarni aniqlash imkonini beradi.
Bu, tarmoq administratorlariga muammolarni aniqlash va ularga tezroq javob berish uchun kerakli ma'lumotlarni taqdim etadi.
5. Tarmoq xizmatlarini yaxshilash: Trafik tahlili, tarmoq xizmatlarini yaxshilash uchun yordam beradi. Tarmoqdagi trafikni tahlil qilish orqali, tarmoq xizmatlarining samaradorligi, bandvitchlarni to'g'ri tashkil etish, tarmoq xizmatlarini optimallashtirish, yo'nalishlarni tanlash va tarmoqning umumiy ishlashini yaxshilashga imkon beradi.
Trafikni tahlil qilish, tarmoqdagi muammolarni aniqlash, tarmoq xavf-xatarlarini to'g'riroq tanlash, tarmoqdagi resurslarni yaxshilash, tarmoq yo'nalishlarini o'rganish va tarmoq xizmatlarini yaxshilashga yordam beradi. Bu esa tarmoq administratorlari va xavfsizlik mutaxassislariga tarmoqdagi muammolar va xavf-xatarlarga tezroq reagirov qilish, tarmoqni yaxshilash va tarmoq xizmatlarini yuqori sifatda ta'minlash imkonini beradi.
"Aloqa tarmoqlaridagi trafikni tahlil qilish va bashorat qilish uchun Data Mining-dan foydalanish" degan mavzuni tushuntirishingizni so'raymiz. Bu mavzuga oid ma'lumotlarni olish uchun Data Mining usullarini aloqa tarmoqlaridagi trafikni tahlil qilishning qanday yordam berishi haqida gaplashamiz.
Data Mining, katta miqdordagi ma'lumotlardan foydalanib, chegaralangan bilimdonlik, statistika, va kompyuterli tahlil usullarini qo'llab-quvvatlaydigan bir qator texnik vositalarni o'z ichiga olgan ma'lumotlar tahlilini ifodalaydi. Bu usulga aloqa tarmoqlaridagi trafikni tahlil qilish ham kiradi.
Aloqa tarmoqlaridagi trafikni tahlil qilish uchun Data Mining quyidagi imkoniyatlarni beradi:
1. Mijozlar haqida ma'lumotlar: Aloqa tarmoqlaridagi trafikni tahlil qilishda mijozlar haqida ma'lumotlar o'rniga keladi. Bu ma'lumotlar mijozlar tomonidan jo'natilgan so'rovlar, veb-saytlarga kirishlar, tarixiy ko'rishlar, va boshqalar bo'lishi mumkin. Data Mining usullari bu ma'lumotlarni tahlil qiladi va mijozlar haqida ko'proq ma'lumotlar olishga imkon beradi.
2. Trafikning tahlili: Data Mining, aloqa tarmoqlaridagi trafikning tahlilini amalga oshirishda yordam beradi. Bu usul, aloqa tarmoqlaridagi xabarlarni, so'rovlarni, to'lov ma'lumotlarini, aloqa tarmoqlaridagi faollarni, tarmoqda yo'qolgan vaqtini va boshqalarini tahlil qilishga imkon beradi. Bunda qidiruv, ma'lumotlar tashqi ko'rsatkichlarini aniqlash, patronda bo'lgan o'zgarishlarni identifikatsiya qilish, mijozlarning qiziqishi va preferanslarini aniqlash kabi vazifalar amalga oshiriladi.
3. Anomalyalar va maxsus holatlar: Data Mining, aloqa tarmoqlaridagi trafikning anormal holatlarini aniqlashga yordam beradi. Bu usul, aloqa tarmoqlaridagi normativ faollarni aniqlash va normaga mos kelmaydigan harakatlarni identifikatsiya qilishga imkon beradi. Misol uchun, tarmoq xavfsizligi uchun tahlil amalga oshirganida, Data Mining usullari xavfsizlik taqalarni o'tkazadigan yo'lovchilarni aniqlaydi.
4. Prognozlash: Data Mining usullari aloqa tarmoqlaridagi trafikni analiz qilishda bashorat berishga imkon beradi. Bu usul aloqa tarmoqlaridagi yo'lovchilar davlatini, mijozlar tomonidan qo'llanilgan resurslarni, mijozlar qiziqishlarini va preferanslarini bazalashga imkon beradi. Shuningdek, ushbu ma'lumotlardan foydalanib, aloqa tarmoqlaridagi trafikni namoyish etish, mijozlar uchun maxsus takliflar yaratish va boshqalar kabi vazifalar ham amalga oshirilishi mumkin.
Data Mining, aloqa tarmoqlaridagi trafikni tahlil qilish va bashorat qilishda bir qator texnik vositalarni o'z ichiga oladi, masalan:
- Qidiruv va talabalar analizi algoritmlari.
- Statistik analiz usullari.
- Mashhurlik analizi usullari.
- Anomalya identifikatsiya usullari.
- Mijozlarning takliflarini aniqlash usullari (recommendation systems).
- Klassifikatsiya va klasterlash algoritmlari.
Bular aloqa tarmoqlaridagi trafikni tahlil qilish va bashorat qilishda keng qo'llaniladigan Data Mining usullaridan faqat ba'zi namunalardir. Tahlil qilinayotgan ma'lumotlar va talablar asosida boshqa usullar ham ishlatilishi mumkin.
Data Mining, aloqa tarmoqlaridagi trafikni tahlil qilish va bashorat qilish jarayonida ma'lumotlarni tahlil qilish va ko'rsatishda katta imkoniyatlar yaratadi. Bu usul, mijozlar haqida ma'lumotlar, tahlil, prognozlash, va takliflar yaratishda yordam beradi. Shuningdek, aloqa tarmoqlaridagi xavfsizlikni oshirish va anormal holatlarni aniqlashda ham foydalaniladi. Data Mining, biznesda, marketologiyada, xavfsizlik sohasida va boshqa sohalarda aloqa tarmoqlaridagi trafikni tahlil qilish va bashorat qilish uchun qisqa vaqt ichida foydalaniladigan qulay va samarali bir usuldir.
Data Mining turli xil tahliliy protseduralarning katta to'plamini o'z ichiga oladi, bu esa ma'lumotlarni tahlil qilish usullarini yaxshi bilmaydigan oddiy foydalanuvchilar uchun mavjud emas. StatSoft ushbu vaziyatdan chiqish yo'lini ham topdi, bu Statistica to'plamidan ma'lumotlarni tahlil qilish va matematik statistika bo'yicha kam tajriba va bilimga ega bo'lgan professionallar ham, oddiy foydalanuvchilar ham foydalanishlari mumkin. Buning uchun umumiy tahlil usullaridan tashqari, eng muhim va ommabop vazifalarni hal qilish uchun mo'ljallangan tayyor to'liq (loyihalangan) ma'lumotlarni tahlil qilish modullari o'rnatildi: prognozlash, tasniflash, assotsiatsiya qoidalarini yaratish va boshqalar.
Foydalanilgan adabiyotlar.
1. Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И., Методы и модели анализа данных: OLAP и Data Mining.СПб.: БХВ-Петерберг, 2004. - 336 с.
2. Елманова Н., Федоров А. Введение в OLAP-технологии Microsoft. СПб.: БХВ-Петерберг, 2014.-232 с.
3. Вячеслав Дюк., Дюк В.А., Самойленко А.П. Data Mining. Учебный курс СПб: Питер, 2001. -368 с.
4. Паклин Н.Б., Орешков В.И. Бизнес аналитика: от данных к знаниям. СПб.: Питер, 2012.-461 с.
5. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах.Открытые системы. 1997. № 4. С. 41-44
6. John F. Elder IV & Dean W. Abbott.KDD-98: A Comparison of Leading Data Mining Tools. Fourth International Conference on Knowledge Discovery & Data Mining, August 28, 1998. New York
7. Damiaan Zwietering, Helena Gottschalk, Hosung Kim, Joerg Reinschmidt. Intelligent Miner for Data: Enhance Your Business Intelligence J. June 1999, International Technical Support Organization, SG 245422
|
| |
