:::
知識發掘 - 教育百科
| 知 | |
| 識 | |
| 發 | |
| 掘 |
國家教育研究院辭書
基本資料
| 英文： | knowledge discovery in data streams |
| 作者： | 劉吉軒 |
| 日期： | 2012年10月 |
| 出處： | 圖書館學與資訊科學大辭典 |
辭書內容
|
名詞解釋： 知識發掘是指能從大量資料中，以自動探索分析及塑模的方式，找出以前未知而可能有用之領域知識的軟體技術。從資料中萃取出的知識型態包括以下幾種：（1）分類或分群：根據資料內涵的差異性與共同性，將所有資料區分成不同的子類或次集合。例如：每月借書冊書大於100冊的讀者群；熱門借閱書籍類等；（2）概述：總結描述次類或子集合中資料的共同特徵。例如：每月借書冊書大於100冊的讀者都是研究生；（3）辨別：描述出能夠區分不同子類資料的性質。例如：要知道某研究生讀者是否就讀於工學院，也許可看其每月借書量，若此讀者之每月借書量少於5冊，則可判斷其為工學院之研究生；（4）比較：描述出某個子類或次集合的典型特徵，以供其他資料的比較分析。例如：一位典型的文學院研究生每月平均借書冊數超過20冊，借書的分類號集中於800號，而且幾乎都借過三島由紀夫或蔣勳的著作（註:以上範例可能隨資料來源圖書館之差異而有所不同）。知識發掘是一個嚴謹而有條理的過程，由可重複進行的、可人工操作的九個階段或步驟組成：（1）瞭解應用領域：建立基本的應用領域知識，初步評估資料的範圍與性質，定義知識發掘的具體目標；（2）建立資料集合：掌握具體可用的資料，取得必須的額外資料，整合成較完整的單一資料集合；（3）前處理：進行資料的清洗，包括處理部分缺失資料及去除極端異常資料等，以增加資料的可靠性；（4）資料轉換：選擇重要的特徵以減少資料的維度或將資料特徵值進行轉換，以得到更適合知識發掘的資料形式；（5）選擇合適的資料探勘工作：根據原先知識發掘的目標與資料準備的結果，決定是以預測或描述為主；預測性質的工作通常為監督式資料探勘，使用已知答案的資料建立模型，用來預測未知答案資料的類別或歸屬；描述性質的工作則屬非監督式資料探勘，包括建立資料屬性的關聯性與資料分佈的圖像呈現等；（6）選擇資料探勘演算法：根據搜尋資料型態或模型的目標，選擇合適的資料探勘方法；（7）使用資料探勘方法：將選定的資料探勘方法實施於資料集合，此步驟可能須重複好幾次，如調整演算法的控制參數，直到取得滿意的結果；（8）評估：對於找出的型態或模型進行解釋，並評估其可理解性與有用性；（9）使用發掘之知識：將取得的知識併入另一個實際運作的系統，正式施行於應用領域中。知識發掘起源於生產大量資料與理解資料之間逐漸擴大的差距，許多應用產業，如製造、工程、醫藥、金融、保險等的管理與研究人員也開始認知，若能善用其大量資料，發掘其中隱藏的未知知識，將能成為其提升競爭力的重要資產。知識發掘充分展現了智慧型計算的能力，同時也是資訊技術中最令人感到興趣、最被需求的產品之一。 |
|
| 資料來源： | 國家教育研究院_知識發掘 |
| 授權資訊： | 資料採「 創用CC-姓名標示- 禁止改作 臺灣3.0版授權條款」釋出 |
貓頭鷹博士