Основные сферы применения Data mining

ВВЕДЕНИЕ

Человечество проживает век стремительно развивающихся
информационных технологий. С каждым годом все больше растет массив
данных организаций и предприятий. Иногда этот объем информации
достигает таких огромных размеров, что их обработка становится
невозможной даже продвинутым специалистам. Приобретает актуальность
понятие «интеллектуальный анализ данных», представляющее собой процесс
постановки запросов к большому количеству данных и извлечения
информации, часто ранее неизвестной, с использованием математических,
статистических и методов машинного обучения.
Интеллектуальный анализ данных имеет множество применений в ряде
областях, включая маркетинг и продажи, Интернет и электронную
коммерцию, медицину, юриспруденцию и производство, а в последнее
время, в национальной и кибербезопасности. Например, используя
интеллектуальный анализ данных, можно выявить скрытые зависимости
между террористическими группировками а также, возможно,
прогнозировать террористические события на основе прошлого опыта. Более
того, можно применять методы интеллектуального анализа данных для
целевых рынков, чтобы улучшить электронную коммерцию.
Интеллектуальный анализ данных может применяться для
мультимедийных приложений, включая анализ видео и классификацию
изображений. Также интеллектуальный анализ данных можно использовать в
приложениях безопасности таких, как обнаружение подозрительных
событий, а также обнаружение вредоносного программного обеспечения.
Одним из средств интеллектуального анализа данных служит
технология обработки данных Data Mining. Популярность технологии
анализа данных Data Mining связана с тем, что она обладает большим
количеством рабочих инструментов, позволяющих качественно провести анализ. Согласно перечисленным фактам, изучение технологии Data Mining
является актуальным.
Цель работы: исследование основных сфер применения технологии
Data mining.
Для достижения поставленной цели ставятся следующие задачи:
4. рассмотреть предпосылки развития Data Mining;
5. рассмотреть основные понятия, базовую архитектуру и задачи
Data Mining;
6. рассмотреть сферы применения технологии Data Miningю.
Объектом исследования данной работы служит технология Data
Mining, предмет – сферы применения технологии Data Mining.
Методы исследования курсовой работы:
 общенаучные методы (анализ, сравнение, обобщение,
группировка и классификация);
 экономико–статистический анализ.
При выполнении курсовой работы были использованы научные труды
таких авторов, как: Воронов В. И. [2], Замятин А.В. [6], Макрусев В. В. [8],
Орлов А. И. [11], Чубукова И. А. [17] и другие.
Курсовая работа состоит из введения, двух глав, заключения, списка
использованной литературы и приложений.
В первой главе курсовой работы рассматриваются предпосылки
развития, основные понятия, базовая архитектура, задачи технологии Data
Mining, сферы ее применения.
Во второй главе рассматриваются сферы применения технологии Data
Mining в реальной жизни.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Билл Фрэнкс. Революция в аналитике: Как в эпоху Big Data
улучшить ваш бизнес с помощью операционной аналитики / Фрэнкс Билл;
перевод И. Евстигнеева; под редакцией В. Мылова. – Москва: Альпина
Паблишер, 2020. – 320 c.
2. Воронов В. И. Data Mining – технологии обработки больших
данных: учебное пособие / В. И. Воронов, Л. И. Воронова, В. А. Усачев. –
Москва: Московский технический университет связи и информатики, 2018. –
47 c.
3. Воронова Л. И. Big Data. Методы и средства анализа: учебное
пособие / Л. И. Воронова, В. И. Воронов. – Москва: Московский технический
университет связи и информатики, 2018. – 33 c. 
4. Гранкин В. Е. Статистический анализ больших массивов
научно–исследовательских данных средствами информационных
технологий: практикум / В. Е. Гранкин. – Москва: Ай Пи Ар Медиа, 2022. –
87 c.
5. Дяминова Э. И. Статистический анализ данных с помощью
программных средств: практикум / Э. И. Дяминова, Л. Н. Титова, А. С.
Филиппова. – Саратов: Вузовское образование, 2022. – 98 c.
6. Замятин А.В. Интеллектуальный анализ данных: учебное
пособие. – Томск: Издательский Дом Томского государственного
университета, 2020. – 196 с.
7. Кумратова А. М. Методы хранения и анализа данных: учебное
пособие / А. М. Кумратова. – Москва: Ай Пи Ар Медиа, 2022. – 143 c.
8. Макрусев В. В. Основы системного анализа: учебник / В. В.
Макрусев. – 2–е изд. – Санкт–Петербург: Троицкий мост, 2022. – 250 c.
9. Мулюкова К. В. Сравнительный анализ современных
инструментов Data Mining / К. В. Мулюковам // Молодой ученый. – 2019. –
№ 1 (239). – С. 19–21.

10. Мусаев А.А. Интеллектуальный анализ данных: учебное пособие
 А.А.Мусаев – СПб.: СПбГТИ(ТУ), 2018. – 56 с.
11. Орлов А. И. Искусственный интеллект: cтатистические методы
анализа: учебник / А. И. Орлов. – Москва: Ай Пи Ар Медиа, 2022. – 843 c.
12. Певченко С. С. Методы интеллектуального анализа данных / С.
С. Певченко // Молодой ученый. – 2017. – № 13 (93). – С. 167–169.
13. Рассел Мэтью, Классен Михаил. Data Mining. Извлечение
информации из Facebook, Twitter, LinkedIn, Instagram, GitHub. – СПб.: Питер,
2020. – 464 с
14. Сапрыкин О.Н. Интеллектуальный анализ данных: учебное
пособие / О.Н. Сапрыкин. – Самара: Издательство Самарского университета,
2020. – 80 с.
15. Халеева Е. П. Анализ данных средствами языка R: учебное
пособие / Е. П. Халеева, М. А. Аль–Ханани, М. Н. Лютикова. – Саратов:
Вузовское образование, 2022. – 71 c. 
16. Шитиков В.К., Мастицкий С.Э. Классификация, регрессия и
другие алгоритмы Data Mining с использованием R. – Тольятти: Лондон,
2017. – 351 с.
17. Чубукова И. А. Data Mining: учебное пособие / И. А. Чубукова. –
3–е изд. – Москва, Саратов: Интернет–Университет Информационных
Технологий (ИНТУИТ), Ай Пи Ар Медиа, 2020. – 469 c.