【導(dǎo)讀】它是個神奇又時髦的技術(shù)，但卻也不是什么新東西，因為DataMining使用。連接分析、偏差偵測等；美國政府從第二。挖掘?qū)毑兀３Ｄ艹綒w納范圍的關(guān)系；使DataMining成為企業(yè)智慧的一部份。DataMining是一個浮現(xiàn)中的新領(lǐng)域。在范圍和定義上、推理和期望上有一些。時代不一樣了，現(xiàn)在數(shù)據(jù)來得既多又便宜，多到了沒有人有時間去看的程。挖掘的信息和知識從巨大的數(shù)據(jù)庫而來，它被許多研究者在數(shù)據(jù)庫系統(tǒng)和機。器學(xué)習(xí)當(dāng)作關(guān)鍵研究議題，而且也被企業(yè)體當(dāng)作主要利基的重要所在。些應(yīng)用，如在Inter之?dāng)?shù)據(jù)倉儲和在線服務(wù)，并且增加企業(yè)的許多生機。里發(fā)生了某種特別的現(xiàn)象。不了解資料所代表的意義、或是不了解統(tǒng)計原理的人也可以做DataMining。事實上，DataMining工具是用來幫助業(yè)務(wù)分析策畫人員從資料中發(fā)掘出各。得企業(yè)決策單位無法有效利用現(xiàn)存的信息，甚至使決策行為產(chǎn)生混亂與誤用。為決策支持之用，必能產(chǎn)生企業(yè)的競爭優(yōu)勢。硬要去區(qū)分DataMining和Statistics的差異其實是沒有太大意義的。比重是由高等統(tǒng)計學(xué)中的多變量分析所支撐。

　　

【正文】 況，而處理出品質(zhì)不錯的信息來。 work Browser connection work Utility For Excel 從上表可以發(fā)現(xiàn)資料挖掘技術(shù)的多樣化，從傳統(tǒng)分析工具，例如統(tǒng)計回歸預(yù)測模型、數(shù)據(jù)庫分割、連接分析、偏差偵測等。但是，重要的是這些產(chǎn)品應(yīng)用新的技術(shù)，如類神經(jīng)網(wǎng)絡(luò)、機器學(xué)習(xí)、專家系統(tǒng)等人工智能的工具，使 AI 找到新的應(yīng)用 Domain。但是，近年浮現(xiàn)的新技術(shù)：遺傳算法（ Geic algorithms），卻無確切證據(jù)顯示在 Data Mining 工具產(chǎn)品中使用，本文認為遺傳算法的特性，必然在 Data Mining 領(lǐng)域中有出色的演出。 遺傳算法是一種全新的最佳化空間搜尋法，其最初概念是由 John Holland于 1975 年提出，其主要目的如下： 「物競天擇、適者生存」的演化過程。 件實作仿真。近年來，信息科技的長足進步，在更快穩(wěn)定的系統(tǒng)支持下，遺傳算法被各領(lǐng)域廣泛應(yīng)用。于是人工智能領(lǐng)域中的自我學(xué)習(xí)機制、各類最佳化問題的快速求解，它提供了一種不同以往的思考模式，運用在 Data Mining 上，可以在巨量數(shù)據(jù)中快速搜尋、比對、演化出最佳點，并且具有學(xué)習(xí)機制，可在 Data Mining領(lǐng)域綻放光芒。 遺傳算法是應(yīng)用算法的適應(yīng)函數(shù)來 決定搜尋的方向，再運用一些擬生物化的人工運算過程，例如選擇 (selection)、復(fù)制 (reproduction)、交配 (crossover)和突變（ mutation）等進行演化，周而復(fù)始地進行一代一代的演化，以求得一個最佳的結(jié)果。它具有強固性（ robustness）與求值空間的獨立性（ domain independence）。強固性使問題的限制條件降到最低，并大幅提高系統(tǒng)的容錯能力；而求值空間的獨立性則使遺傳算法的設(shè)計單一化，且適用于多種不同性質(zhì)、領(lǐng)域的問題。因此，利用它于 Data Mining 領(lǐng)域中，可 以發(fā)掘出不同的信息、別企業(yè)管理 資源網(wǎng) ()大量管理資料下載 人看不出的信息，必然帶給企業(yè)體巨大的商機。遺傳算法實際運作，非本文主題，然可斷定它必然成為 Data Mining 的分析利器。 Data Mining 軟件 ?MLC++ (pd) ?MOBAL (pd) ?MOBAL (pd) ?Emerald (rp) ?Kepler (rp) ?Clementine (cp) ?DataMind DataCruncher (cp) ?Darwin (cp) ?Intelligent Miner (cp) ?INSPECT (cp) ?NeoVista Solutions (cp) ?Nuggets (cp) ?Partek (cp) ?Polyanalyst (cp) ?SAS Data Mining (cp) ?SGI MindSet (cp) ?Knowledge Explorer (cp) ?DataEngine (cp) ?Delta Miner (cp) ?SPLUS (cp) 企業(yè)管理 資源網(wǎng) ()大量管理資料下載 ?MATLAB (cp) ?Mathematica (cp) ?XGOBI (pd) ?Crystal Vision ne233。 ExplorN ?sphinxVision ?GrafFX ?IRIS ?Spotfire ?Netmap ?Visible Decisions Inc. ?Visual Mine 其它信息 Other Information ?Knowledge Discovery Nuggets – – – with subscribe kdnuggets in body ?Data Mining and Knowledge Discovery – 企業(yè)管理 資源網(wǎng) ()大量管理資料下載 – First issue available on line Other Relevant Journals ?IEEE Transactions on Knowledge and Data Engineering – ?Intelligent Data Analysis journal (Elsevier). – ?Journal of Intelligent Information Systems (Kluwer) – Special Issues ?IEEE Transactions Knowledge and Data Engineering 8(6),December 1996, Special Section On Mining Of Databases ?Communications of ACM Special Issue on Data Mining, Nov 1996 ?IEEE Expert Special issue on data mining, October 1996. ?Computational Intelligence Special Issue on Rough Sets and Knowledge Discovery, March 1995. 企業(yè)管理 資源網(wǎng) ()大量管理資料下載 ?Journal of Intelligent Information Systems (JIIS) Special issue on KDD, volume 4, number 1, Jan 1995. Data Sets ?The Machine Learning Database Repository – ?The Neural Nets Benchmarking Homepage – ?Information Exploration Shootout – – The work intrusion data set – The online news data set 結(jié)論 Two Crows 董事長 Herb Edelstein 警告，「必須謹記的是，即使機器讓這項新型數(shù)據(jù)掘取技術(shù)得以具體實現(xiàn)，機器還是機器」。他說，「數(shù)據(jù)掘取并非完美?！惯@仍屬于其初期階段的技術(shù)，最常傳回的是薄片般的信息黃金，而非金塊。正在試用資料掘取技術(shù)公司，很快即了解到有件事很重要，他們得了解究竟他們要的企業(yè)管理 資源網(wǎng) ()大量管理資料下載 是什么，何種工具效果最佳。市場上有各種不同型式的數(shù)據(jù)掘取軟件。例如，有些軟鱧找尋 類似的項目群組；而有些軟件則搜尋異?，F(xiàn)象。然而，如果工具和數(shù)據(jù)未能適當(dāng)搭配，程序可能會提出一些沒有用的觀察結(jié)果，譬如年紀大的人不會買饒舌歌之類的唱片，或忽略那些真正重要的訊息。為幫助顧客處理所有的基本問題， IBM、視算枓技和 Thinking Machines 公司已經(jīng)組合了一套不同采掘工具的產(chǎn)品。 愈來愈多的行業(yè)與公司都在使用 Data Mining，原因無他，只因為它真的能帶給企業(yè)許多好處?？墒且購娬{(diào)的是：要做 Data Mining，不是只是買一個產(chǎn)品就可以一切搞定，它還有很多學(xué)問在里頭！ 企業(yè)將來 可能會如何運用 Data Mining 呢？ IBM 決策支持系統(tǒng)副總裁依凡杰洛斯西蒙度斯表示，他預(yù)測將來會有一系列的 Data Warehousing 程序：企業(yè)的Data Warehouse 會將數(shù)據(jù)輸入 Data Mart 中，而 Data Mart 又會將數(shù)據(jù)輸入個人的「方塊」（ cube），也就是桌上型計算機 Data Warehouse 中，包括使用 Congos公司的 Powerplay 或 BusinessObjects 的工具。這就需要一套完整的數(shù)據(jù)庫管理工具才能天衣無縫地支持這種數(shù)據(jù)庫階層組織。西蒙度斯先生認為在這個工具箱中 ，將會有大型的 Data Mining 架構(gòu)，例如針對大型企業(yè) Data Warehouse 操作的 Intelligent Miner，而較小型的架構(gòu)則在較小型的 Data Mart 上運作。 同樣地，茱迪拜爾預(yù)期將來的 Data Mining 工具、數(shù)據(jù)庫、以及 OLAP 間會呈現(xiàn)更緊密的整合。她也預(yù)期更多的商業(yè)人士，而非分析人員將會投入商業(yè)智慧（ Business Intelligence）發(fā)掘的過程（與現(xiàn)在剛好相反），「您將不只會看到更多的人在從事 Data Mining，更會看到更多不同類型的人在從事 Data Mining?！顾㈩A(yù)測使用工具來篩檢與分析 Data Mining 結(jié)果的情形（如英國Safeway 的情形）會越來越普遍。 但是在這種預(yù)測成真以前，數(shù)據(jù)的傳播方面還需要有長足的進步才行。西蒙度斯先生說：「 Meta Group 估計目前只有四十萬人在使用 Data Warehouse。如果我們真的想看到 Business Intelligence 完全發(fā)揮效能的話，這個數(shù)字必須成長到數(shù)百萬的范圍才行。雖然在這幾百萬人中，并不是每一個人都會進行 Data Mining，但是他們至少要能使用 Data Mining 所萃取出來的信息。」 企業(yè)管理 資源網(wǎng) ()大量管理資料下載 Dat Ming技術(shù)的導(dǎo)入企業(yè)體，它的重點不是數(shù)據(jù)庫本身，而在于以企業(yè)領(lǐng)域為主?，F(xiàn)代的企業(yè)體經(jīng)常搜集了大量資料，包括市場、客戶、供貨商、競爭對手以及未來趨勢等重要信息，但是信息超載與無結(jié)構(gòu)化，使得企業(yè)決策單位無法有效利用現(xiàn)存的信息，甚至使決策行為產(chǎn)生混亂與誤用。所以妥善的運用 Dat Ming技術(shù) ，從巨量的數(shù)據(jù)庫中，發(fā)掘出不同的信息與知識出來，作為決策支持之用，必能產(chǎn)生企業(yè)的競爭優(yōu)勢。 總之， Data Mining 是一個浮現(xiàn)中的新領(lǐng)域。企業(yè)應(yīng)該把焦點集中在商業(yè)利益上，而學(xué)術(shù)界應(yīng)集中在知識發(fā)掘 技術(shù)與方法論上。企業(yè)界建立在投資報酬循環(huán)中，應(yīng)保持數(shù)據(jù)的品質(zhì)，設(shè)定實際的目標(biāo)，而利用其淬取智能有用的信息，使用于企業(yè)過程中，以獲取利益，而這正是 Data Mining 發(fā)展的原動力。 附錄： What role does statistics will play in data mining? ?Statisticians can play a variety of roles ?Statisticians need to think about broad issues as well as methodological advances ?Statisticians need to stay involved – If not us, who? Everyone! The New Statistics Paradigm at GE 企業(yè)管理 資源網(wǎng) ()大量管理資料下載 ?Everyone uses statistical tools。 these tools are not “owned” by statisticians. ?Financial/service applications are being more important than manufacturing and Ramp。D applications. ?Statistical Thinking is being more important than statistical methods (attacking unstructured problems versus knowing how to do a regression, DOE, etc.). ?Statisticians are still needed and valued, but not to analyze data people do that for themselves. Professional statisticians are “l(fā)eaders”, not just “doers.” The role is now significantly different! ?Emphasis on broad application of basic tools versus narrow application of advanced tools.