DATA MINING
Studij: Strateki informatiki menadment
Predmet: Poslovna inteligencja
Profesor: Prof. dr. Savo Stupar
Pripremili:
Vedran Hadi
Slobodan Tubin
Nadida Koljenovi
Ermin Panjeta
Ciljevi prezentacije
Objasniti pojam Data mining i njegovu
upotrebu
Objasniti evoluciju Data mining-a
Upoznati se sa preduslovima i djelokrugom
Data mining-a
Upoznati se sa Data mining konceptom
Prikazati Data mining stilove i pristupe
Objasniti Data mining software i poslovnu
primjenu samog Data mining-a
Zakljuak
Definicija
ta je to DATA MINING?
Data mining oznaava automatizovani
analitiki proces oblikovan za efektivnu i
efikasnu eksploraciju u velikim koliinama
podataka sa ciljem otkrivanja, validiranja i
crpljenja vrijednih, skrivenih informacija
koje se tiu novih, dotle neznanih injenica,
sluajeva ili/i modela u poslovanju.
4 revolucionarna koraka
Data mining-a
Evolutivni korak
Poslovno
pitanje
Tehnologije
Organizacije
Karakteristike
Skupovi podataka
(1960-tih)
Koliko je bilo
ukupnih prihoda u
posljednjih pet
godina?
Raunari,
trake,
Diskovi
IBM,
CDC
Isporuka
retrospektivnih,
statikih podataka
Pristup podacima
(1980-tih)
Kolika je bila
prodaja po
proizvodu u Novoj
Engleskoj prolog
marta?
Relacione baze
podataka (RDBMS),
struktuirani upitni
jezik (SQL), ODBC
Data Warehousing
i podrka
odluivanju (1990tih)
Data mining
(danas aktuelno)
Kolika je bila
prodaja po
proizvodu u Novoj
Engleskoj prolog
marta? Pronai
detaljne podatke
vezano za Boston
Kolika e
najvjerovatnije biti
prodaja po
proizvodu u
Bostonu sljedeeg
mjeseca? Zato?
Oracle, Sybase,
Informix, IBM,
Microsoft
On-line analitiko
procesiranje
(OLAP),
viedimenzionalne
baze podataka,
data warehouse-i
Pilot, Comshare,
Arbor, Cognos,
Microstrategy
Napredni algoritmi,
multiprocesorski
raunari, ogromne
baze podataka
Pilot,
Lockheed
IBM,
SGI
Isporuka
retrospektivnih,
dinamikih
podataka na nivou
sloga
Isporuka
retrospektivnih,
dinamikih
podataka na
viestrukim
nivoima
Isporuka
proaktivnih i
predviajuih
informacija
1. Definisanje problema
4. Izgradnja modela
2. Priprema podataka
3. Istraivanje podataka
CRISP-DM model
1. Razumjevanje problema
4. Modeliranje
2. Razumjevanje podataka
5. Evaluacija
3. Priprema podataka
6. Primjena
KDD
Poslovna primjena
Kompanije koje se bave kreditnim
karticama
Transportne kompanije
Veleprodaje
Trgovine
Zakljuak
Zahvaljujemo se na panji...
Studenti:
Vedran Hadi
Slobodan Tubin
Nadida Koljenovi
Ermin Panjeta