Questo sito utilizza cookie di terze parti per inviarti pubblicità in linea con le tue preferenze. Se vuoi saperne di più clicca QUI 
Chiudendo questo banner, scorrendo questa pagina, cliccando su un link o proseguendo la navigazione in altra maniera, acconsenti all'uso dei cookie. OK

Implementazione di un Query Language per Knowledge Discovery

L'anteprima di questa tesi è scaricabile in PDF gratuitamente.
Per scaricare il file PDF è necessario essere iscritto a Tesionline.
L'iscrizione non comporta alcun costo. Mostra/Nascondi contenuto.

Capitolo 1 – Stato dell’arte: KDD 8 Le informazioni utili, infatti, sono spesso nascoste in grossi volumi di dati, di per se poco significativi o incompleti. Per raggiungere l’informazione desiderata è quindi necessario correggere, ripulire e soprattutto analizzare questi dati. Questa realtà può essere paragonata all’attuale mondo del web: l’enorme mole di dati in esso contenuti sarebbe un vero e proprio “pantano” senza l’ausilio di strumenti che ci guidano verso l’informazione cercata. La ricerca si è quindi spinta verso lo studio di sistemi per il trattamento dei dati che giocano lo stesso ruolo dei motori di ricerca per internet. I sistemi classici di memorizzazione dei dati, i DBMS (Data Base Management System), offrono un’ottima possibilità per memorizzare ed accedere ai dati con sicurezza, efficienza e velocità, ma tuttavia non permettono un’analisi per l’estrazione di informazioni utili da impiegare per il DSS. Solo negli ultimi anni sono apparse tecnologie in grado di svolgere questo compito, grazie al contributo di diverse discipline tra cui intelligenza artificiale, reti neurali, statistica, e apprendimento automatico. Queste tecnologie, applicate alle basi di dati, sono conosciute con i seguenti termini: knowledge discovery, knowledge extraction, data archaeology, data dredging, data mining. Questi termini descrivono, almeno in parte, il concetto di knowledge discovery in databases (KDD) inteso come un processo per l’estrazione di informazioni, o meglio di conoscenze, da grosse quantità di dati. Il KDD è un processo costituito da una serie di stadi interattivi che manipolano e trasformano i dati per riuscire ad estrarre informazione utile. Il Data Mining (DM) è il passo principale del processo KDD che si occupa della scoperta automatica di patterns e dello sviluppo di modelli predittivi. Alcuni ricercatori usano i termini KDD e data mining come sinonimi; in queste pagine, invece, si farà riferimento ad un modello di KDD che identifica gli elementi necessari e sufficienti per supportare le operazioni richieste per un processo di acquisizione delle conoscenze, e si considererà il data mining come l’insieme delle tecniche, dei tools e degli algoritmi utilizzati per la presentazione e l’analisi dei dati. Precisa è la distinzione tra un DBMS e un sistema che supporta il processo KDD (KDDMS – KDD Management System). Ad esempio, con riferimento al settore del marketing (nel quale il DM ha un forte impatto), mentre un linguaggio per DBMS (come ad esempio SQL) cerca di risolvere problemi del tipo:

Anteprima della Tesi di Andrea Romei

Anteprima della tesi: Implementazione di un Query Language per Knowledge Discovery, Pagina 8

Tesi di Laurea

Facoltà: Scienze Matematiche, Fisiche e Naturali

Autore: Andrea Romei Contatta »

Composta da 231 pagine.

 

Questa tesi ha raggiunto 1052 click dal 10/06/2004.

Disponibile in PDF, la consultazione è esclusivamente in formato digitale.