Инструментальные средства анализа данных

Отклонения должны быть минимальны и прогнозируемы. То есть, важно создание статистической стабильности, первостепенной важностью которой отмечают в работах по классификации. Применение Data Mining более результативно, чем, например, в случае прогнозирования ухода персонала из телекоммуникационных компаний. В последней ситуации причинами увольнения могут стать абсолютно случайные, с отсутствием закономерностей обстоятельства (например, экономический кризис).. Интеграция с опытом работы предприятий с решениями Data Mining более успешна. Например, прогнозирование качества готового изделия в зависимости от правильности технологического процесса.

4.

3.Торговля Всегда для успешного продвижения продукции надо знать уровень ее продаваемости и информацию о потребителях. Для это служат средства Data Mining: анализ рыночных корзин и сиквенциальный анализ. Зная о связях между покупками и временных закономерностях, можно оптимизировать регулирование предложения. Data Mining позволяет выполнить сегментирование рынка.

Сиквенциальный анализ поможет торговым организациям принимать решения, создавать товарные запасы, или нет.

4.

4. Другие области применения.

Data Mining может использоваться во многих отраслях науки, техники и бизнеса, в случае возникновения задачи автоматического анализа данных. Например, это может быть анализ и последующая фильтрация спама, выплавка стали или чугуна на предприятиях, исследования в области биоинформатики (медицина) области науки, разрабатывающей и применяющей вычислительные алгоритмы для проведения системного анализа генетической информации с целью создания новых лекарств (Drug Design) и прочих.

5 МОЕ ОТНОШЕНИЕ К МЕТОДАМ.

Отношение к применяемым методам, описанным в данном реферате, не может быть отрицательным. На сегодняшний день без инструментальных средств анализа данных нельзя обойтись практически любому серьёзному предприятию. Начну с того, что все прикладные программы ускоряют работу любой организации, повышают точность вычислений в разы и способствуют повышению качества проведения интеллектуального анализа данных в системах поддержки принятия решений в требуемой области.

Наиболее качественная технология, по моему мнению, является Data Mining. Она в современной действительности широко применяема и позволяет ускорить благодаря своим инструментальным средствам работу практически любой организации во всех сферах ее деятельности.

ЗАКЛЮЧЕНИЕ

.

Современные инструментальные средства для анализа данных активно применяются в бизнесе, науке и технике. Без их применения невозможно принятие решений в различных предприятиях и организациях. Коммерческий успех безусловен в силу ряда причин:

интегрированности инструментальных средств;

открытости и переносимости инструментальных средств (возможности выполнения в разнородном программно-аппаратном окружении требуемых задач;

использовании современных языков программирования (C++, Java и прочих);

использовании архитектуры типа «клиент-сервер.

Разработка инструментальных средств, которые поддерживают распределенные вычисления в «клиент-сервере» позволяет снизить стоимость оборудования, которое используется в приложениях, провести децентрализацию приложений с повышением их производительности.

Можно утверждать, что в реферате разобраны самые разнообразные инструментальные средства для анализа различных данных. Они благоприятствуют моему развитию, как специалиста, в области разработок инструментальных средств интеллектуального анализа данных в системах поддержки принятия решений.

Дюк. В., Самойленко А. Data Mining: учебный курс (+ CD) // СПб: Питер, 2001. — 368 с.

Барсегян А. А., Куприянов М. С., Степаненко В. В., Холод И. И. Методы и модели анализа данных: OLAP и Data Mining. — СПб.: БХВ-Петербург, 2004. — 336 с.

Чубукова И. А. Data Mining: учебное пособие. — М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006. — 326 с.

Абдикеев Н. М. Проектирование интеллектуальных систем в экономике. — М.: 2003. — 366 с.

Многомерный статистический анализ в экономических задачах: компьютерное моделирование в SPSS: Учебное пособие/ Под. ред. И. В. Орловой.

М.:Вузовский учебник, 2009. — 320 с.