Data mining: differenze tra le versioni
Contenuto cancellato Contenuto aggiunto
Nessun oggetto della modifica |
|||
Riga 15:
* Fare una ricerca nel web su una parola chiave e classificare i documenti trovati secondo un criterio semantico (p. es. "corriere": nome di giornale, professione, plurale di corriera, ecc.)
==
I fattori principali che hanno contribuito allo sviluppo del data mining sono:
Riga 28:
Una tecnica molto diffusa per il data mining è l'''apprendimento mediante classificazione''. Questo schema di apprendimento parte da un insieme ben definito di esempi di classificazione per casi noti, dai quali ci si aspetta di dedurre un modo per classificare esempi non noti. Tale approccio viene anche detto ''con supervisione'' (''supervised''), nel senso che lo schema di apprendimento opera sotto la supervisione fornita implicitamente dagli esempi di classificazione per i casi noti; tali esempi, per questo motivo, vengono anche detti ''training examples'', ovvero ''esempi per l’addestramento''. La conoscenza acquisita per apprendimento mediante classificazione può essere rappresentata con [[albero di decisione|alberi di decisione]].
==Il data mining nella ricerca di mercato==
L'utilizzo del data mining nella ricerca di mercato è volto ad ampliare la conoscenza su cui basare i processi decisionali. <br/>
Nel contesto aziendale il data mining è considerato parte del processo che porta alla creazione di un [[data warehouse]]. È efficace soprattutto per la valorizzazione delle informazioni aziendali residenti in questi grandi depositi di dati. In questo contesto, un pattern non è altro che la rappresentazione delle relazioni chiave che vengono scoperte durante il processo di estrazione dati. <br/>
Se il pattern svela che i clienti di una certa area demografica sono molto propensi ad acquistare uno specifico prodotto, allora un'interrogazione (''query'') selettiva ad un data warehouse di probabili compratori può essere usata per generare un elenco di indirizzi promozionali.
== Strumenti per il data mining==
| |||