Esimerkkejä tiedonlouhinnasta - Examples of data mining
Tietojen louhinta , prosessi löytää malleja suurista tietojoukoista , on käytetty monissa sovelluksissa.
Pelit
1960-luvun alusta lähtien, kun oraakkeleita on saatavilla tietyille yhdistelmäpeleille , joita kutsutaan myös pöytäpohjoiksi (esim. 3x3-shakki), joilla on kaikki alkuasetukset , pienet levyt pisteillä ja laatikoilla , pieni lauta-hex ja tietyt shakin loppupelit , pisteitä ja laatikoita ja kuusio; uusi alue tietojen louhintaan on avattu. Tämä on ihmisten käytettävissä olevien strategioiden poiminta näistä oraakkeleista. Nykyiset mallintunnistusmenetelmät eivät näytä saavan täysin korkeaa abstraktion tasoa, jota vaaditaan menestyksekkääseen soveltamiseen. Sen sijaan laajaa kokeilua pöytäpohjien kanssa-yhdistettynä perusteelliseen tutkimukseen tablebase-vastauksista hyvin suunniteltuihin ongelmiin ja tietämystä tekniikan tasosta (eli esitaulukkotietoa)-käytetään tuottamaan oivaltavia malleja. Berlekamp (pisteinä-ja-laatikot, jne.) Ja John Nunn (vuonna shakin endgames ) ovat merkittäviä esimerkkejä tutkijoiden tekemässä tätä työtä, vaikka he eivät olleet - eivätkä ne ole - mukana tablebase sukupolvi.
Liiketoiminta
Liiketoiminnassa tiedonlouhinta on analyysi historiallisesta liiketoiminnasta, joka on tallennettu staattisena datana tietovarastotietokantoihin. Tavoitteena on paljastaa piilotettuja malleja ja suuntauksia. Tiedonlouhintaohjelmisto käyttää kehittyneitä kuvantunnistusalgoritmeja selatakseen suuria tietomääriä auttaakseen löytämään aiemmin tuntemattomia strategisia yritystietoja. Esimerkkejä siitä, mihin yritykset käyttävät tiedonlouhintaa, ovat markkina-analyysin tekeminen uusien tuotepakettien tunnistamiseksi, valmistusongelmien perimmäisen syyn löytäminen, asiakkaiden kulumisen estäminen ja uusien asiakkaiden hankkiminen, ristiinmyynti nykyisille asiakkaille ja asiakkaiden profilointi tarkemmin. .
- Nykymaailmassa yritykset keräävät raakadataa räjähdysmäisesti. Esimerkiksi Walmart käsittelee päivittäin yli 20 miljoonaa myyntipistetapahtumaa. Nämä tiedot tallennetaan keskitettyyn tietokantaan, mutta ne olisivat hyödyttömiä ilman jonkinlaista tiedonlouhintaohjelmistoa sen analysoimiseksi. Jos Walmart analysoisi myyntipisteidensä tietoja tiedonlouhintatekniikoilla, he pystyisivät määrittämään myyntitrendit, kehittämään markkinointikampanjoita ja ennustamaan tarkemmin asiakasuskollisuutta.
- Verkkokauppasivustolla saatavilla olevien tuotteiden luokittelu on perustavanlaatuinen ongelma. Oikea nimikkeiden luokittelujärjestelmä on olennainen käyttökokemuksen kannalta, koska se auttaa määrittämään kohteet, jotka ovat hänelle tärkeitä hakua ja selaamista varten. Kohteiden luokittelu voidaan muotoilla valvotuksi luokitteluongelmaksi tiedonlouhinnassa, jossa luokat ovat kohdeluokkia ja ominaisuudet ovat sanoja, jotka muodostavat jonkin tekstillisen kuvauksen kohteista. Yksi lähestymistavoista on löytää aluksi samanlaiset ryhmät ja sijoittaa ne piilevään ryhmään. Kun nyt saat uuden kohteen, luokittele ensin piilevään ryhmään, jota kutsutaan karkean tason luokitteluksi. Suorita sitten toinen luokittelukierros löytääksesi luokan, johon kohde kuuluu.
- Aina kun luottokorttia tai myymälän kanta -asiakaskorttia käytetään tai takuukorttia täytetään, kerätään tietoja käyttäjän käyttäytymisestä. Monet ihmiset pitävät sellaisten yritysten, kuten Googlen, Facebookin ja Amazonin, tallentamien tietojen määrää häiritsevinä ja ovat huolissaan yksityisyydestä. Vaikka on mahdollista, että henkilötietojamme käytetään haitallisilla tai ei -toivotuilla tavoilla, joita käytetään myös elämämme parantamiseen. Esimerkiksi Ford ja Audi toivovat voivansa jonain päivänä kerätä tietoja asiakkaiden ajotavoista, jotta he voivat suositella turvallisempia reittejä ja varoittaa kuljettajia vaarallisista tieolosuhteista.
- Tiedonlouhinta asiakassuhteen hallintasovelluksissa voi vaikuttaa merkittävästi tulokseen. Sen sijaan, että yritys ottaisi satunnaisesti yhteyttä potentiaaliseen asiakkaaseen tai asiakaspalveluun puhelinkeskuksen tai sähköpostin lähettämisen kautta, yritys voi keskittää ponnistelunsa näkymiin, joiden odotetaan todennäköisesti vastaavan tarjoukseen. Kehittyneempiä menetelmiä voidaan käyttää kampanjoiden resurssien optimointiin, jotta voidaan ennustaa, mihin kanavaan ja mihin tarjoukseen henkilö todennäköisimmin vastaa (kaikissa mahdollisissa tarjouksissa). Lisäksi sähköpostin automatisointiin voidaan käyttää kehittyneitä sovelluksia. Kun tiedon louhinnan tulokset (mahdollinen asiakas/asiakas ja kanava/tarjous) on määritetty, tämä "hienostunut sovellus" voi joko lähettää automaattisesti sähköpostin tai tavallisen postin. Lopuksi tapauksissa, joissa monet ihmiset ryhtyvät toimiin ilman tarjousta, " kohotusmallinnuksella " voidaan määrittää, mitkä ihmiset saavat eniten vastausta, jos he saavat tarjouksen. Nousun mallinnus mahdollistaa siten markkinoijien keskittyä postituksiin ja tarjouksiin vakuuttaviin ihmisiin eikä lähettää tarjouksia ihmisille, jotka ostavat tuotteen ilman tarjousta. Tietojen ryhmittelyn avulla voidaan myös automaattisesti löytää segmentit tai ryhmät asiakkaan tietojoukosta.
- Tietokaivostoimintaa käyttävät yritykset voivat nähdä sijoitetun pääoman tuoton, mutta he myös ymmärtävät, että ennustavien mallien määrä voi nopeasti kasvaa erittäin suureksi. Esimerkiksi sen sijaan, että käytetään yhtä mallia ennustaa, kuinka monet asiakkaat tulevat vaihtuvuus , liike voi halutessaan rakentaa erillinen malli jokaiselle alueelle ja asiakkaan tyyppi. Tilanteissa, joissa suuri määrä malleja on ylläpidettävä, jotkut yritykset käyttävät automatisoitua tiedonlouhintamenetelmää.
- Tietojen louhinta voi auttaa henkilöstöosastoja tunnistamaan menestyneimpien työntekijöidensä ominaisuudet. Saatu tieto - kuten yliopistot, joihin osallistuu erittäin menestyneitä työntekijöitä - voi auttaa henkilöstöä keskittämään rekrytointitoimet vastaavasti. Lisäksi Strategic Enterprise Management -sovellukset auttavat yritystä muuttamaan yritystason tavoitteet, kuten voitto- ja kateosuustavoitteet, operatiivisiin päätöksiin, kuten tuotantosuunnitelmiin ja työvoimatasoihin.
- Markkinakorianalyysiä on käytetty Alpha -kuluttajan ostomallien tunnistamiseen . Tämän tyyppisistä käyttäjistä kerättyjen tietojen analysointi on antanut yrityksille mahdollisuuden ennustaa tulevia ostotrendejä ja ennustaa tarjonnan kysyntää.
- Tietojen louhinta on erittäin tehokas työkalu luettelomarkkinointialalla. Luetteloijilla on kattava tietokanta asiakkaiden tapahtumien historiasta miljoonille asiakkaille useiden vuosien takaa. Tietojen louhintatyökalut voivat tunnistaa asiakkaiden välisiä malleja ja auttaa tunnistamaan todennäköisimmät asiakkaat vastaamaan tuleviin postituskampanjoihin.
- Liiketoimintasovellusten tiedonlouhinta voidaan integroida monimutkaiseen mallinnus- ja päätöksentekoprosessiin. LIONsolver käyttää Reactive Business Intelligence (RBI) -ohjelmaa "kokonaisvaltaisen" lähestymistavan edistämiseksi, joka yhdistää tiedon louhinnan, mallinnuksen ja vuorovaikutteisen visualisoinnin kokonaisvaltaiseen löytämiseen ja jatkuvaan innovaatioprosessiin, joka perustuu inhimilliseen ja automatisoituun oppimiseen.
- Alalla päätöksenteon , RBI lähestymistapaa on käytetty minun tietoa, joka on progressiivisesti hankitaan päätöksentekijä, ja sitten itse virittää päätöksen menetelmän mukaisesti. Tiedonlouhintajärjestelmän laadun ja päätöksentekijän haluaman investoinnin määrän välinen suhde virallistettiin tarjoamalla taloudellinen näkökulma "uutetun tiedon" arvosta sen voiton kannalta organisaatiolle Tämä päätösteoreettinen luokittelu puitteissa pantiin reaalimaailman puolijohdekiekkojen tuotantolinjan, jossa päätös säännöt tehokkaasti seurantaan ja valvontaan puolijohdekiekkojen valmistuslinjan kehitettiin.
- Esimerkki integroidun piirin (IC) tuotantolinjaan liittyvästä tiedonlouhinnasta on kuvattu artikkelissa "Mining IC Test Data to Optimize VLSI Testing". Tässä artikkelissa kuvataan tiedon louhinnan ja päätösanalyysin soveltaminen kuolevaisen toiminnallisen testauksen ongelmaan. Mainitut kokeet osoittavat kykyä soveltaa historiallisten die-testitietojen louhintajärjestelmää luodakseen todennäköisyysmallin muotin epäonnistumisesta. Näitä malleja käytetään sitten reaaliajassa päättämään, mitkä kuolevat testattavaksi seuraavaksi ja milloin lopetetaan testaus. Tämän järjestelmän on osoitettu historiallisten testitietojen kokeiden perusteella pystyvän parantamaan kypsien IC -tuotteiden voittoja. Muut esimerkit tiedonlouhintamenetelmien soveltamisesta puolijohteiden valmistusympäristöissä viittaavat siihen, että tiedonlouhintamenetelmät voivat olla erityisen hyödyllisiä silloin, kun tietoja on vähän, ja prosessiin vaikuttavat erilaiset fysikaaliset ja kemialliset parametrit osoittavat erittäin monimutkaisia vuorovaikutuksia. Toinen merkitys on, että puolijohteiden valmistusprosessin online-seuranta tiedon louhinnan avulla voi olla erittäin tehokasta.
Tiede ja tekniikka
Viime vuosina data mining on käytetty laajalti aloilla tieteen ja tekniikan, kuten bioinformatiikka , genetiikan , lääketieteen , koulutuksen ja sähköteho Engineering.
- Ihmisen genetiikan tutkimuksessa sekvenssikaivostoiminta auttaa saavuttamaan tärkeän tavoitteen ymmärtää ihmisen DNA- sekvenssin yksilöiden välisen vaihtelun ja taudille alttiuden vaihtelun välinen kartoitus . Yksinkertaisesti sanottuna sen tarkoituksena on selvittää, miten yksilön DNA -sekvenssin muutokset vaikuttavat yleisten sairauksien, kuten syövän , kehittymisen riskeihin , mikä on erittäin tärkeää näiden sairauksien diagnosointi-, ehkäisy- ja hoitomenetelmien parantamiseksi. Yksi tiedon louhintamenetelmä, jota käytetään tämän tehtävän suorittamiseen, tunnetaan moniulotteisena ulottuvuuden vähentämisenä .
- Sähkövoimatekniikan alalla tiedonlouhintamenetelmiä on käytetty laajalti suurjännitelaitteiden kunnonvalvontaan . Kuntovalvonnan tarkoituksena on saada arvokasta tietoa esimerkiksi eristyksen tilasta (tai muista tärkeistä turvallisuuteen liittyvistä parametreista). Tietojen ryhmittelytekniikoita- kuten itseorganisoituvaa karttaa (SOM)-on sovellettu värähtelyn seurantaan ja muuntajan kuormanvaihtimien (OLTCS) analysointiin. Värähtelyvalvonnan avulla voidaan havaita, että jokainen kääntövaihe generoi signaalin, joka sisältää tietoja käämikytkimen koskettimien ja käyttömekanismien tilasta. On selvää, että eri kosketusasennot tuottavat erilaisia signaaleja. Kuitenkin normaalin tilan signaalien välillä oli huomattavaa vaihtelua täsmälleen samassa hanan asennossa. SOM: ää on sovellettu epänormaalien olosuhteiden havaitsemiseen ja hypoteeseihin poikkeavuuksien luonteesta.
- Tiedonlouhintamenetelmiä on sovellettu tehomuuntajien liuenneiden kaasujen analyysiin (DGA) . DGA tehomuuntajien diagnostiikkana on ollut saatavilla jo vuosia. SOM: n kaltaisia menetelmiä on käytetty analysoimaan tuotettua dataa ja määrittämään trendit, jotka eivät ole ilmeisiä DGA: n vakio -suhteen menetelmille (kuten Duval -kolmio).
- Koulutustutkimuksessa, jossa tiedonlouhinta on käytetty tutkimaan tekijöitä, jotka johtavat opiskelijoiden valitsemaan käyttäytymistä, joka vähentää heidän oppimistaan, ja ymmärtämään yliopisto -opiskelijoiden säilyttämiseen vaikuttavia tekijöitä. Samanlainen esimerkki tiedonlouhinnan sosiaalisesta soveltamisesta on sen käyttö asiantuntemuksen etsintäjärjestelmissä , joissa inhimillisen asiantuntemuksen kuvaajat poimitaan, normalisoidaan ja luokitellaan asiantuntijoiden löytämisen helpottamiseksi erityisesti tieteellisillä ja teknisillä aloilla. Tällä tavalla tiedon louhinta voi helpottaa institutionaalista muistia .
- Biolääketieteellisten tietojen tiedonlouhintamenetelmät, joita helpottavat verkkotunnusten ontologiat , kliinisten tutkimustietojen kaivaminen ja liikenneanalyysi SOM: n avulla.
- Huumeiden haittavaikutusten seurannassa Uppsalan seurantakeskus on vuodesta 1998 lähtien käyttänyt tiedonlouhintamenetelmiä rutiininomaisesti seulomaan raportointimallit, jotka viittaavat esiin nouseviin huumeiden turvallisuusongelmiin WHO: n maailmanlaajuisessa tietokannassa, jossa on 4,6 miljoonaa epäillystä haittavaikutustapahtumasta . Viime aikoina on kehitetty vastaavia menetelmiä suurten sähköisten terveystietokokoelmien louhimiseksi ajallisille kuvioille, jotka yhdistävät lääkemääräykset lääketieteellisiin diagnooseihin.
- Data mining on sovellettu ohjelmisto esineitä todellisempi ohjelmistotuotannon : Mining asennuslähteet .
- Mikrobiologian alalla tiedonlouhintamenetelmiä on käytetty ennustamaan bakteerien käyttäytymistä elintarvikkeissa.
Ihmisoikeudet
Valtion tietueiden - erityisesti oikeusjärjestelmän (eli tuomioistuinten, vankiloiden) - tietojen louhinta mahdollistaa järjestelmällisten ihmisoikeusloukkausten havaitsemisen, kun eri valtion virastot tuottavat ja julkaisevat virheellisiä tai vilpillisiä asiakirja -aineistoja.
Lääketieteellinen tiedonlouhinta
Joitakin koneoppimisalgoritmeja voidaan soveltaa lääketieteen alalla toisen mielipiteen diagnostiikkatyökaluina ja välineinä tiedon hankintavaiheessa tietokantojen tiedonhakuprosessissa . Yksi näistä luokittelijoiden (kutsutaan Prototype esikuva oppimisen luokittelija ( PEL-C ) on mahdollisuus löytää oireyhtymät sekä epätyypillisiä kliinisiä tapauksia.
Nykyinen lääketieteen ala, joka hyödyntää tiedon louhintaprosessia, on Metabolomics , joka tutkii ja tutkii biologisia molekyylejä ja miten niiden vuorovaikutus kehon nesteiden, solujen, kudosten jne. Metabolomiikka on erittäin paljon tietoa käsittelevä aihe, ja siihen liittyy usein valtavien määrien epäolennaisten tietojen seulomista ennen johtopäätösten tekemistä. Tietojen louhinta on antanut tämän suhteellisen uuden lääketieteellisen tutkimuksen kentän kasvaa merkittävästi viimeisen vuosikymmenen aikana, ja se on todennäköisesti menetelmä, jolla aiheeseen liittyy uutta tutkimusta.
Vuonna 2011 tapauksessa Sorrell v. IMS Health, Inc. , päättää Yhdysvaltain korkein oikeus , totesi, että apteekit voivat jakaa tietoja ulkopuolisille. Tämä käytäntö hyväksyttiin perustuslain ensimmäisellä muutoksella , joka suojaa "sananvapautta". Kuitenkin terveydenhuollon tietotekniikkalainsäädännön (HITECH Act) hyväksyminen auttoi aloittamaan sähköisen terveystietueen (EHR) ja tukiteknologian käyttöönoton Yhdysvalloissa. HITECH -laki allekirjoitettiin 17. helmikuuta 2009 osana American Recovery and Reinvestment Act (ARRA) -lakia ja auttoi avaamaan oven lääketieteelliseen tiedonlouhintaan. Ennen tämän lain allekirjoittamista arviot vain 20 prosentista Yhdysvalloissa olevista lääkäreistä käyttivät sähköisiä potilastietoja. Søren Brunak toteaa, että ”potilastietueesta tulee mahdollisimman rikas” ja siten ”maksimoi tiedonlouhintamahdollisuudet”. Näin ollen sähköiset potilastiedot laajentavat edelleen lääketieteellisen tiedon louhinnan mahdollisuuksia, mikä avaa oven laajalle lääketieteellisten tietojen analyysilähteelle.
Paikkatietojen louhinta
Paikkatietojen louhinta on tiedonlouhintamenetelmien soveltamista paikkatietoihin. Paikkatietojen louhinnan lopullinen tavoite on löytää maantieteellisten tietojen malleja. Toistaiseksi tiedon louhinta ja paikkatietojärjestelmät (GIS) ovat olleet kaksi erillistä tekniikkaa, joista jokaisella on omat menetelmänsä, perinteensä ja lähestymistapansa visualisointiin ja tietojen analysointiin. Erityisesti useimmissa nykyaikaisissa paikkatietojärjestelmissä on vain hyvin yksinkertaiset tila -analyysitoiminnot. Tietotekniikan, digitaalisen kartoituksen, kaukokartoituksen ja paikkatietojärjestelmien maailmanlaajuisen leviämisen aiheuttama valtava räjähdys maantieteellisesti viitatuissa tiedoissa korostaa datapohjaisten induktiivisten lähestymistapojen kehittämistä maantieteelliseen analysointiin ja mallinnukseen.
Tietojen louhinta tarjoaa suuria potentiaalisia hyötyjä GIS-pohjaiseen sovellettuun päätöksentekoon. Viime aikoina näiden kahden tekniikan yhdistämisestä on tullut kriittinen merkitys, varsinkin kun erilaiset julkisen ja yksityisen sektorin organisaatiot, joilla on valtavia tietokantoja, joissa on temaattisia ja maantieteellisiä tietoja, alkavat ymmärtää niiden sisältämien tietojen valtavia mahdollisuuksia. Näiden järjestöjen joukossa ovat:
- Toimistot, jotka edellyttävät paikkatietoviittausten analysointia tai levittämistä
- Kansanterveyspalvelut etsivät selityksiä sairauksien ryhmittymälle
- Ympäristövirastot arvioivat muuttuvien maankäyttömallien vaikutusta ilmastonmuutokseen
- Maantieteelliset markkinointiyritykset, jotka tekevät asiakassegmenttejä paikkatietojen perusteella.
Haasteet paikkatietojen louhinnassa: Paikkatietovarastot ovat yleensä erittäin suuria. Lisäksi olemassa olevat paikkatietoaineistot jaetaan usein ominaisuus- ja määritekomponenteiksi, jotka arkistoidaan perinteisesti hybriditietojen hallintajärjestelmiin. Algoritmiset vaatimukset vaihtelevat merkittävästi suhteellisten (attribuutti) tietojen hallinnan ja topologisten (ominaisuus) tietojen hallinnan suhteen. Tähän liittyy maantieteellisten datamuotojen valikoima ja monimuotoisuus, jotka aiheuttavat ainutlaatuisia haasteita. Digitaalinen paikkatietojen vallankumous luo uudenlaisia datamuotoja kuin perinteiset "vektori" ja "rasteri" -muodot. Maantieteelliset tietovarastot sisältävät yhä enemmän huonosti jäsenneltyä dataa, kuten kuvia ja paikkaviittaisia multimedioita.
Maantieteellisen tiedon löytämisessä ja tiedon louhinnassa on useita kriittisiä tutkimushaasteita. Miller ja Han tarjoavat seuraavan luettelon alan uusista tutkimusaiheista:
- Maantieteellisten tietovarastojen (GDW) kehittäminen ja tukeminen : Spatiaaliset ominaisuudet rajoittuvat usein yksinkertaisiin paikkatietomääritteisiin valtavirran tietovarastoissa. Integroidun GDW: n luominen edellyttää ratkaisuja paikkatietojen ja ajallisten tietojen yhteentoimivuuteen - mukaan lukien semantiikan, viitejärjestelmien, geometrian, tarkkuuden ja sijainnin erot.
- Paremmat ajalliset ja ajalliset esitykset maantieteellisen tiedon löytämisessä : Nykyisissä maantieteellisen tiedon löytämismenetelmissä (GKD) käytetään yleensä hyvin yksinkertaisia esityksiä maantieteellisistä kohteista ja alueellisista suhteista. Maantieteellisten tietojen louhintamenetelmien tulisi tunnistaa monimutkaisemmat maantieteelliset objektit (eli viivat ja monikulmiot) ja suhteet (eli ei-euklidiset etäisyydet, suunta, yhteydet ja vuorovaikutus määritetyn maantieteellisen tilan, kuten maaston) kautta. Lisäksi aikaulottuvuus on integroitava entistä paremmin näihin maantieteellisiin esityksiin ja suhteisiin.
- Maantieteellisen tiedon löytäminen käyttämällä erilaisia tietotyyppejä : Olisi kehitettävä GKD-menetelmiä, jotka pystyvät käsittelemään erilaisia tietotyyppejä perinteisten rasterimallien ja vektorimallien lisäksi, mukaan lukien kuvat ja maantieteellisesti viitattu multimedia sekä dynaamiset tietotyypit (videovirrat, animaatio).
Ajallinen tiedonlouhinta
Tiedot voivat sisältää eri aikoina luotuja ja tallennettuja määritteitä. Tässä tapauksessa merkityksellisten suhteiden löytäminen datasta voi vaatia määritteiden ajallisen järjestyksen huomioon ottamista. Ajallinen suhde voi viitata syy -yhteyteen tai yksinkertaisesti yhteyteen.
Anturidatan louhinta
Langattomia anturiverkkoja voidaan käyttää tietojen keräämisen helpottamiseen paikkatietojen louhintaan eri sovelluksiin, kuten ilmansaasteiden seurantaan. Tällaisille verkoille on ominaista, että ympäristön ominaisuutta valvovat läheiset anturisolmut rekisteröivät tyypillisesti samanlaisia arvoja. Tämäntyyppinen tietojen redundanssi, joka johtuu anturien havaintojen spatiaalisesta korrelaatiosta, inspiroi tekniikoita verkon sisäiseen tietojen yhdistämiseen ja louhintaan. Mittaamalla spatiaalinen korrelaatio eri antureiden näytteistä ottamien tietojen välillä voidaan kehittää laaja valikoima erikoisalgoritmeja tehokkaampien paikkatiedon louhinta -algoritmien kehittämiseksi.
Visuaalinen tiedonlouhinta
Kun prosessi on muuttumassa analogisesta digitaaliseksi, on luotu, kerätty ja tallennettu suuria tietojoukkoja löytääkseen tilastollisia malleja, suuntauksia ja tietoihin piilotettuja tietoja ennakoivien mallien luomiseksi. Tutkimusten mukaan visuaalinen tiedonlouhinta on nopeampaa ja paljon intuitiivisempaa kuin perinteinen tiedonlouhinta. Katso myös Tietokonenäkö .
Musiikin tiedon louhinta
Tiedonlouhintatekniikoita ja erityisesti samanaikaisten tapahtumien analysointia on käytetty löytämään olennaisia yhtäläisyyksiä musiikkikorporaatioiden (radioluettelot, CD-tietokannat) välillä muun muassa musiikin luokittelemiseksi tyylilajeihin objektiivisemmin.
Valvonta
Yhdysvaltain hallitus on käyttänyt tiedon louhintaa. Ohjelmia ovat Total Information Awareness (TIA) -ohjelma, Secure Flight (aiemmin tietokoneavusteinen matkustajien esiseulontajärjestelmä ( CAPPS II )), Analysis, Dissemination, Visualization, Insight, Semantic Enhancement ( ADVISE ) ja Multi-State Anti- Terrorismin tiedonvaihto ( MATRIX ). Nämä ohjelmat on lopetettu kiistojen vuoksi siitä, rikkovatko ne Yhdysvaltain perustuslain neljättä muutosta, vaikka monet ohjelmat, jotka on perustettu niiden nojalla, rahoitetaan edelleen eri järjestöillä tai eri nimillä.
Terrorismin torjunnan yhteydessä kaksi erityisen uskottavaa tiedonlouhintamenetelmää ovat "mallikaivostoiminta" ja "aiheeseen perustuva tiedonlouhinta".
Kuvion louhinta
"Kuvion louhinta" on tiedon louhintamenetelmä, joka sisältää olemassa olevien kuvioiden löytämisen datasta. Tässä yhteydessä mallit tarkoittavat usein assosiaatiosääntöjä . Alkuperäinen motivaatio etsiä yhdistyssääntöjä tuli halusta analysoida supermarkettien tapahtumatietoja eli tutkia asiakkaiden käyttäytymistä ostettujen tuotteiden suhteen. Esimerkiksi yhdistyssääntö "olut ⇒ perunalastut (80%)" sanoo, että neljä viidestä olutta ostaneesta asiakkaasta osti myös perunalastuja.
Kuvion louhinnan yhteydessä terroristisen toiminnan tunnistamisen välineenä kansallinen tutkimusneuvosto antaa seuraavan määritelmän: "Kuvioihin perustuva tiedonlouhinta etsii malleja (mukaan lukien epänormaalit tietomallit), jotka saattavat liittyä terroristitoimintaan-nämä mallit voivat olla pidetään pieninä signaaleina suuressa melumeressä. " Kuvioiden louhinta sisältää uusia alueita, kuten musiikkitiedon haun (MIR), jossa sekä ajallisella että ei -ajallisella alueella havaitut kuviot tuodaan klassisiin tiedonhakumenetelmiin.
Aihepohjainen tiedonlouhinta
"Aihepohjainen tiedonlouhinta" on tiedonlouhintamenetelmä, joka sisältää yksilöiden välisten yhteyksien etsimisen tiedoista. Kansallinen tutkimusneuvosto esittää terrorismin torjunnassa seuraavan määritelmän: "Aihepohjainen tiedonlouhinta käyttää aloittavaa yksilöä tai muuta tietoa, jonka katsotaan muiden tietojen perusteella olevan erittäin kiinnostava, ja tavoitteena on määrittää mitä muita henkilöitä tai rahoitustapahtumia tai liikkeitä jne. liittyy aloituspisteeseen. "
Tietoverkko
Tietojen löytäminen "On the Grid" viittaa yleensä tiedon etsimiseen avoimessa ympäristössä käyttäen ruudukon laskentakonsepteja , joiden avulla käyttäjät voivat integroida tietoja erilaisista online -tietolähteistä ja käyttää myös etäresursseja tietojen louhintatehtäviensä suorittamiseen. Varhaisin esimerkki oli Lontoon Imperial Collegeissa kehitetty Discovery Net , joka voitti "Innovatiivisin data-intensiivinen sovelluspalkinnon" ACM SC02 (Supercomputing 2002) -konferenssissa ja -näyttelyssä täysin interaktiivisen hajautetun tiedonhakusovelluksen esittelyn perusteella. bioinformatiikkasovellusta varten. Muita esimerkkejä ovat Calabrian yliopiston tutkijoiden tekemä työ , joka kehitti Knowledge Grid -arkkitehtuurin hajautetun tiedon löytämiseen, joka perustuu verkkoon .
