Извличането на данни (data mining) е системно търсене на закономерности, връзки и аномалии в големи масиви от данни. То използва статистически методи и методи на машинното обучение, като клъстеризация, класификация или асоциативен анализ. Класически пример е анализът на пазарната кошница в търговията на дребно, който показва кои продукти често се купуват заедно – основа за асортимента, разположението и препоръките.
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоРазпознаването на образи е автоматично откриване на закономерности, структури или повтарящи се характеристики в данни като изображения, звуци, текстове или измервания. Системите отнасят новите наблюдения към известни категории или откриват групи без предварително зададени етикети. Приложенията включват лицево разпознаване, разпознаване на ръкопис, контрол на качеството в производството и откриване на необичайни транзакции. Дисциплината е важна основа на машинното обучение.
Клъстеризацията е метод за обучение без учител, който разделя точките от данни на групи въз основа на сходството им, без предварително зададени категории. Тя разкрива модели, които никой досега не е назовал – например клиентски сегменти със сходно купувателно поведение. При текстове клъстеризацията помага стотици запитвания на клиенти да се подредят по теми като доставка, фактуриране или жалби и показва къде е основната тежест.
Предиктивната аналитика използва исторически данни, статистика и машинно обучение, за да оцени вероятни бъдещи събития. Тя отговаря на въпроси като: кои клиенти са на път да се откажат? Колко запаси ще са необходими следващия месец? Кога вероятно ще се повреди една машина? Резултатите са вероятности, а не сигурност. Стойността им зависи силно от качеството на данните и от това дали прогнозите наистина влияят върху решенията и процесите.
Проучвателният анализ на данни (Exploratory data analysis, EDA) е първият, непредубеден поглед към даден масив от данни: изчисляват се обобщаващи показатели, разглеждат се разпределения и диаграми и се търсят закономерности, отклонения и липсващи стойности – още без фиксирана хипотеза. Той помага да се оцени качеството на данните и да се намерят смислени въпроси за по-нататъшен анализ или моделиране. Пример: преди прогноза за продажбите EDA показва, че един месец е записан непълно поради миграция на системата.
