. . "Eksploracja danych"@pl . "\u0395\u03BE\u03CC\u03C1\u03C5\u03BE\u03B7 \u03B4\u03B5\u03B4\u03BF\u03BC\u03AD\u03BD\u03C9\u03BD"@el . . . . . "\u0627\u0644\u062A\u0646\u0642\u064A\u0628 \u0641\u064A \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A (\u0628\u0627\u0644\u0625\u0646\u062C\u0644\u064A\u0632\u064A\u0629: data mining)\u200F \u0647\u064A \u0639\u0645\u0644\u064A\u0629 \u0628\u062D\u062B \u0645\u062D\u0648\u0633\u0628 \u0648\u064A\u062F\u0648\u064A \u0639\u0646 \u0645\u0639\u0631\u0641\u0629 \u0645\u0646 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u062F\u0648\u0646 \u0641\u0631\u0636\u064A\u0627\u062A \u0645\u0633\u0628\u0642\u0629 \u0639\u0645\u0627 \u064A\u0645\u0643\u0646 \u0623\u0646 \u062A\u0643\u0648\u0646 \u0647\u0630\u0647 \u0627\u0644\u0645\u0639\u0631\u0641\u0629.\u0643\u0645\u0627 \u0648\u064A\u0639\u0631\u0641 \u0627\u0644\u062A\u0646\u0642\u064A\u0628 \u0641\u064A \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0639\u0644\u0649 \u0623\u0646\u0647 \u0639\u0645\u0644\u064A\u0629 \u062A\u062D\u0644\u064A\u0644 \u0643\u0645\u064A\u0629 \u0628\u064A\u0627\u0646\u0627\u062A (\u0639\u0627\u062F\u0629 \u0645\u0627 \u062A\u0643\u0648\u0646 \u0643\u0645\u064A\u0629 \u0643\u0628\u064A\u0631\u0629)\u060C \u0644\u0625\u064A\u062C\u0627\u062F \u0639\u0644\u0627\u0642\u0629 \u0645\u0646\u0637\u0642\u064A\u0629 \u062A\u0644\u062E\u0635 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0628\u0637\u0631\u064A\u0642\u0629 \u062C\u062F\u064A\u062F\u0629 \u062A\u0643\u0648\u0646 \u0645\u0641\u0647\u0648\u0645\u0629 \u0648\u0645\u0641\u064A\u062F\u0629 \u0644\u0635\u0627\u062D\u0628 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A. \u064A\u0637\u0644\u0642 \u0627\u0633\u0645 \u00AB\u0646\u0645\u0627\u0630\u062C\u00BB models \u0639\u0644\u0649 \u0627\u0644\u0639\u0644\u0627\u0642\u0627\u062A \u0648\u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0627\u0644\u0645\u0644\u062E\u0635\u0629 \u0627\u0644\u062A\u064A \u064A\u062A\u0645 \u0627\u0644\u062D\u0635\u0648\u0644 \u0639\u0644\u064A\u0647\u0627 \u0645\u0646 \u0627\u0644\u062A\u0646\u0642\u064A\u0628 \u0641\u064A \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A. \u064A\u062A\u0639\u0627\u0645\u0644 \u062A\u0646\u0642\u064A\u0628 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0639\u0627\u062F\u0629 \u0645\u0639 \u0628\u064A\u0627\u0646\u0627\u062A \u064A\u0643\u0648\u0646 \u0642\u062F \u062A\u0645 \u0627\u0644\u062D\u0635\u0648\u0644 \u0639\u0644\u064A\u0647\u0627 \u0628\u063A\u0631\u0636 \u063A\u064A\u0631 \u063A\u0631\u0636 \u0627\u0644\u062A\u0646\u0642\u064A\u0628 \u0641\u064A \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A (\u0645\u062B\u0644\u0627\u064B \u0642\u0627\u0639\u062F\u0629 \u0628\u064A\u0627\u0646\u0627\u062A \u0627\u0644\u062A\u0639\u0627\u0645\u0644\u0627\u062A \u0641\u064A \u0645\u0635\u0631\u0641 \u0645\u0627) \u0645\u0645\u0627 \u064A\u0639\u0646\u064A \u0623\u0646 \u0637\u0631\u064A\u0642\u0629 \u0627\u0644\u062A\u0646\u0642\u064A\u0628 \u0641\u064A \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0644\u0627\u062A\u0624\u062B\u0631 \u0645\u0637\u0644\u0642\u0627\u064B \u0639\u0644\u0649 \u0637\u0631\u064A\u0642\u0629 \u062A\u062C\u0645\u064A\u0639 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0630\u0627\u062A\u0647\u0627. \u0647\u0630\u0647 \u0647\u064A \u0623\u062D\u062F \u0627\u0644\u0646\u0648\u0627\u062D\u064A \u0627\u0644\u062A\u064A \u064A\u062E\u062A\u0644\u0641 \u0641\u064A\u0647\u0627 \u0627\u0644\u062A\u0646\u0642\u064A\u0628 \u0641\u064A \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0639\u0646 \u0627\u0644\u0625\u062D\u0635\u0627\u0621\u060C \u0648\u0644\u0647\u0630\u0627 \u064A\u0634\u0627\u0631 \u0625\u0644\u0649 \u0639\u0645\u0644\u064A\u0629 \u0627\u0644\u062A\u0646\u0642\u064A\u0628 \u0641\u064A \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0639\u0644\u0649 \u0623\u0646\u0647\u0627 \u0639\u0645\u0644\u064A\u0629 \u0625\u062D\u0635\u0627\u0626\u064A\u0629 \u062B\u0627\u0646\u0648\u064A\u0629. \u064A\u0634\u064A\u0631 \u0627\u0644\u062A\u0639\u0631\u064A\u0641 \u0623\u064A\u0636\u0627\u064B \u0625\u0644\u0649 \u0623\u0646 \u0643\u0645"@ar . . . . . . . . "Data mining (\u0440\u0443\u0441. \u0434\u043E\u0431\u044B\u0447\u0430 \u0434\u0430\u043D\u043D\u044B\u0445, \u0438\u043D\u0442\u0435\u043B\u043B\u0435\u043A\u0442\u0443\u0430\u043B\u044C\u043D\u044B\u0439 \u0430\u043D\u0430\u043B\u0438\u0437 \u0434\u0430\u043D\u043D\u044B\u0445, \u0433\u043B\u0443\u0431\u0438\u043D\u043D\u044B\u0439 \u0430\u043D\u0430\u043B\u0438\u0437 \u0434\u0430\u043D\u043D\u044B\u0445) \u2014 \u0441\u043E\u0431\u0438\u0440\u0430\u0442\u0435\u043B\u044C\u043D\u043E\u0435 \u043D\u0430\u0437\u0432\u0430\u043D\u0438\u0435, \u0438\u0441\u043F\u043E\u043B\u044C\u0437\u0443\u0435\u043C\u043E\u0435 \u0434\u043B\u044F \u043E\u0431\u043E\u0437\u043D\u0430\u0447\u0435\u043D\u0438\u044F \u0441\u043E\u0432\u043E\u043A\u0443\u043F\u043D\u043E\u0441\u0442\u0438 \u043C\u0435\u0442\u043E\u0434\u043E\u0432 \u043E\u0431\u043D\u0430\u0440\u0443\u0436\u0435\u043D\u0438\u044F \u0432 \u0434\u0430\u043D\u043D\u044B\u0445 \u0440\u0430\u043D\u0435\u0435 \u043D\u0435\u0438\u0437\u0432\u0435\u0441\u0442\u043D\u044B\u0445, \u043D\u0435\u0442\u0440\u0438\u0432\u0438\u0430\u043B\u044C\u043D\u044B\u0445, \u043F\u0440\u0430\u043A\u0442\u0438\u0447\u0435\u0441\u043A\u0438 \u043F\u043E\u043B\u0435\u0437\u043D\u044B\u0445 \u0438 \u0434\u043E\u0441\u0442\u0443\u043F\u043D\u044B\u0445 \u0438\u043D\u0442\u0435\u0440\u043F\u0440\u0435\u0442\u0430\u0446\u0438\u0438 \u0437\u043D\u0430\u043D\u0438\u0439, \u043D\u0435\u043E\u0431\u0445\u043E\u0434\u0438\u043C\u044B\u0445 \u0434\u043B\u044F \u043F\u0440\u0438\u043D\u044F\u0442\u0438\u044F \u0440\u0435\u0448\u0435\u043D\u0438\u0439 \u0432 \u0440\u0430\u0437\u043B\u0438\u0447\u043D\u044B\u0445 \u0441\u0444\u0435\u0440\u0430\u0445 \u0447\u0435\u043B\u043E\u0432\u0435\u0447\u0435\u0441\u043A\u043E\u0439 \u0434\u0435\u044F\u0442\u0435\u043B\u044C\u043D\u043E\u0441\u0442\u0438. \u0422\u0435\u0440\u043C\u0438\u043D \u0432\u0432\u0435\u0434\u0451\u043D \u0413\u0440\u0438\u0433\u043E\u0440\u0438\u0435\u043C \u041F\u044F\u0442\u0435\u0446\u043A\u0438\u043C-\u0428\u0430\u043F\u0438\u0440\u043E \u0432 1989 \u0433\u043E\u0434\u0443. \u0410\u043D\u0433\u043B\u0438\u0439\u0441\u043A\u043E\u0435 \u0441\u043B\u043E\u0432\u043E\u0441\u043E\u0447\u0435\u0442\u0430\u043D\u0438\u0435 \u00ABdata mining\u00BB \u043F\u043E\u043A\u0430 \u043D\u0435 \u0438\u043C\u0435\u0435\u0442 \u0443\u0441\u0442\u043E\u044F\u0432\u0448\u0435\u0433\u043E\u0441\u044F \u043F\u0435\u0440\u0435\u0432\u043E\u0434\u0430 \u043D\u0430 \u0440\u0443\u0441\u0441\u043A\u0438\u0439 \u044F\u0437\u044B\u043A. \u041F\u0440\u0438 \u043F\u0435\u0440\u0435\u0434\u0430\u0447\u0435 \u043D\u0430 \u0440\u0443\u0441\u0441\u043A\u043E\u043C \u044F\u0437\u044B\u043A\u0435 \u0438\u0441\u043F\u043E\u043B\u044C\u0437\u0443\u044E\u0442\u0441\u044F \u0441\u043B\u0435\u0434\u0443\u044E\u0449\u0438\u0435 \u0441\u043B\u043E\u0432\u043E\u0441\u043E\u0447\u0435\u0442\u0430\u043D\u0438\u044F: \u043F\u0440\u043E\u0441\u0435\u0432 \u0438\u043D\u0444\u043E\u0440\u043C\u0430\u0446\u0438\u0438, \u0434\u043E\u0431\u044B\u0447\u0430 \u0434\u0430\u043D\u043D\u044B\u0445, \u0438\u0437\u0432\u043B\u0435\u0447\u0435\u043D\u0438\u0435 \u0434\u0430\u043D\u043D\u044B\u0445, \u0430 \u0442\u0430\u043A\u0436\u0435 \u0438\u043D\u0442\u0435\u043B\u043B\u0435\u043A\u0442\u0443\u0430\u043B\u044C\u043D\u044B\u0439 \u0430\u043D\u0430\u043B\u0438\u0437 \u0434\u0430\u043D\u043D\u044B\u0445. \u0411\u043E\u043B\u0435\u0435 \u043F\u043E\u043B\u043D\u044B\u043C \u0438 \u0442\u043E\u0447\u043D\u044B\u043C \u044F\u0432\u043B\u044F\u0435\u0442\u0441\u044F \u0441\u043B\u043E\u0432\u043E\u0441\u043E\u0447\u0435\u0442\u0430\u043D\u0438\u0435 \u00AB\u043E\u0431\u043D\u0430\u0440\u0443\u0436\u0435\u043D\u0438\u0435 \u0437\u043D\u0430\u043D\u0438\u0439 \u0432 \u0431\u0430\u0437\u0430\u0445 \u0434\u0430\u043D\u043D\u044B\u0445\u00BB (\u0430\u043D\u0433\u043B. knowledge discovery in databases, KDD). \u041E\u0441\u043D\u043E\u0432\u0443 \u043C\u0435\u0442\u043E\u0434\u043E\u0432 data mining \u0441\u043E\u0441\u0442\u0430\u0432\u043B\u044F\u044E\u0442 \u0432\u0441\u0435\u0432\u043E\u0437\u043C\u043E\u0436\u043D\u044B\u0435 \u043C\u0435\u0442\u043E\u0434\u044B \u043A\u043B\u0430\u0441\u0441\u0438\u0444\u0438\u043A\u0430\u0446\u0438\u0438, \u043C\u043E\u0434\u0435\u043B\u0438\u0440\u043E\u0432\u0430\u043D\u0438\u044F \u0438 \u043F\u0440\u043E\u0433\u043D\u043E\u0437\u0438\u0440\u043E\u0432\u0430\u043D\u0438\u044F, \u043E\u0441\u043D\u043E\u0432\u0430\u043D\u043D\u044B\u0435 \u043D\u0430 \u043F\u0440\u0438\u043C\u0435\u043D\u0435\u043D\u0438\u0438 \u0434\u0435\u0440\u0435\u0432\u044C\u0435\u0432 \u0440\u0435\u0448\u0435\u043D\u0438\u0439, \u0438\u0441\u043A\u0443\u0441\u0441\u0442\u0432\u0435\u043D\u043D\u044B\u0445 \u043D\u0435\u0439\u0440\u043E\u043D\u043D\u044B\u0445 \u0441\u0435\u0442\u0435\u0439, \u0433\u0435\u043D\u0435\u0442\u0438\u0447\u0435\u0441\u043A\u0438\u0445 \u0430\u043B\u0433\u043E\u0440\u0438\u0442\u043C\u043E\u0432, \u044D\u0432\u043E\u043B\u044E\u0446\u0438\u043E\u043D\u043D\u043E\u0433\u043E \u043F\u0440\u043E\u0433\u0440\u0430\u043C\u043C\u0438\u0440\u043E\u0432\u0430\u043D\u0438\u044F, \u0430\u0441\u0441\u043E\u0446\u0438\u0430\u0442\u0438\u0432\u043D\u043E\u0439 \u043F\u0430\u043C\u044F\u0442\u0438, \u043D\u0435\u0447\u0451\u0442\u043A\u043E\u0439 \u043B\u043E\u0433\u0438\u043A\u0438. \u041A \u043C\u0435\u0442\u043E\u0434\u0430\u043C data mining \u043D\u0435\u0440\u0435\u0434\u043A\u043E \u043E\u0442\u043D\u043E\u0441\u044F\u0442 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043A\u0438\u0435 \u043C\u0435\u0442\u043E\u0434\u044B . \u0422\u0430\u043A\u0438\u0435 \u043C\u0435\u0442\u043E\u0434\u044B, \u043E\u0434\u043D\u0430\u043A\u043E, \u043F\u0440\u0435\u0434\u043F\u043E\u043B\u0430\u0433\u0430\u044E\u0442 \u043D\u0435\u043A\u043E\u0442\u043E\u0440\u044B\u0435 \u0430\u043F\u0440\u0438\u043E\u0440\u043D\u044B\u0435 \u043F\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043B\u0435\u043D\u0438\u044F \u043E\u0431 \u0430\u043D\u0430\u043B\u0438\u0437\u0438\u0440\u0443\u0435\u043C\u044B\u0445 \u0434\u0430\u043D\u043D\u044B\u0445, \u0447\u0442\u043E \u043D\u0435\u0441\u043A\u043E\u043B\u044C\u043A\u043E \u0440\u0430\u0441\u0445\u043E\u0434\u0438\u0442\u0441\u044F \u0441 \u0446\u0435\u043B\u044F\u043C\u0438 data mining (\u043E\u0431\u043D\u0430\u0440\u0443\u0436\u0435\u043D\u0438\u0435 \u0440\u0430\u043D\u0435\u0435 \u043D\u0435\u0438\u0437\u0432\u0435\u0441\u0442\u043D\u044B\u0445 \u043D\u0435\u0442\u0440\u0438\u0432\u0438\u0430\u043B\u044C\u043D\u044B\u0445 \u0438 \u043F\u0440\u0430\u043A\u0442\u0438\u0447\u0435\u0441\u043A\u0438 \u043F\u043E\u043B\u0435\u0437\u043D\u044B\u0445 \u0437\u043D\u0430\u043D\u0438\u0439). \u041E\u0434\u043D\u043E \u0438\u0437 \u0432\u0430\u0436\u043D\u0435\u0439\u0448\u0438\u0445 \u043D\u0430\u0437\u043D\u0430\u0447\u0435\u043D\u0438\u0439 \u043C\u0435\u0442\u043E\u0434\u043E\u0432 data mining \u0441\u043E\u0441\u0442\u043E\u0438\u0442 \u0432 \u043D\u0430\u0433\u043B\u044F\u0434\u043D\u043E\u043C \u043F\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043B\u0435\u043D\u0438\u0438 \u0440\u0435\u0437\u0443\u043B\u044C\u0442\u0430\u0442\u043E\u0432 \u0432\u044B\u0447\u0438\u0441\u043B\u0435\u043D\u0438\u0439 (\u0432\u0438\u0437\u0443\u0430\u043B\u0438\u0437\u0430\u0446\u0438\u044F), \u0447\u0442\u043E \u043F\u043E\u0437\u0432\u043E\u043B\u044F\u0435\u0442 \u0438\u0441\u043F\u043E\u043B\u044C\u0437\u043E\u0432\u0430\u0442\u044C \u0438\u043D\u0441\u0442\u0440\u0443\u043C\u0435\u043D\u0442\u0430\u0440\u0438\u0439 data mining \u043B\u044E\u0434\u044C\u043C\u0438, \u043D\u0435 \u0438\u043C\u0435\u044E\u0449\u0438\u043C\u0438 \u0441\u043F\u0435\u0446\u0438\u0430\u043B\u044C\u043D\u043E\u0439 \u043C\u0430\u0442\u0435\u043C\u0430\u0442\u0438\u0447\u0435\u0441\u043A\u043E\u0439 \u043F\u043E\u0434\u0433\u043E\u0442\u043E\u0432\u043A\u0438. \u041F\u0440\u0438\u043C\u0435\u043D\u0435\u043D\u0438\u0435 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043A\u0438\u0445 \u043C\u0435\u0442\u043E\u0434\u043E\u0432 \u0430\u043D\u0430\u043B\u0438\u0437\u0430 \u0434\u0430\u043D\u043D\u044B\u0445 \u0442\u0440\u0435\u0431\u0443\u0435\u0442 \u0445\u043E\u0440\u043E\u0448\u0435\u0433\u043E \u0432\u043B\u0430\u0434\u0435\u043D\u0438\u044F \u0442\u0435\u043E\u0440\u0438\u0435\u0439 \u0432\u0435\u0440\u043E\u044F\u0442\u043D\u043E\u0441\u0442\u0435\u0439 \u0438 \u043C\u0430\u0442\u0435\u043C\u0430\u0442\u0438\u0447\u0435\u0441\u043A\u043E\u0439 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043A\u043E\u0439."@ru . . . "\u6570\u636E\u6316\u6398\uFF08\u82F1\u8A9E\uFF1Adata mining\uFF09\u662F\u4E00\u4E2A\u8DE8\u5B66\u79D1\u7684\u8BA1\u7B97\u673A\u79D1\u5B66\u5206\u652F \u3002\u5B83\u662F\u7528\u4EBA\u5DE5\u667A\u80FD\u3001\u673A\u5668\u5B66\u4E60\u3001\u7EDF\u8BA1\u5B66\u548C\u6570\u636E\u5E93\u7684\u4EA4\u53C9\u65B9\u6CD5\u5728\u76F8\u5C0D\u8F03\u5927\u578B\u7684\u6570\u636E\u96C6\u4E2D\u53D1\u73B0\u6A21\u5F0F\u7684\u8BA1\u7B97\u8FC7\u7A0B\u3002 \u6570\u636E\u6316\u6398\u8FC7\u7A0B\u7684\u603B\u4F53\u76EE\u6807\u662F\u4ECE\u4E00\u4E2A\u6570\u636E\u96C6\u4E2D\u63D0\u53D6\u4FE1\u606F\uFF0C\u5E76\u5C06\u5176\u8F6C\u6362\u6210\u53EF\u7406\u89E3\u7684\u7ED3\u6784\uFF0C\u4EE5\u8FDB\u4E00\u6B65\u4F7F\u7528\u3002\u9664\u4E86\u539F\u59CB\u5206\u6790\u6B65\u9AA4\uFF0C\u5B83\u8FD8\u6D89\u53CA\u5230\u6570\u636E\u5E93\u548C\u6570\u636E\u7BA1\u7406\u65B9\u9762\u3001\u3001\u6A21\u578B\u4E0E\u63A8\u65AD\u65B9\u9762\u8003\u91CF\u3001\u5174\u8DA3\u5EA6\u5EA6\u91CF\u3001\u590D\u6742\u5EA6\u7684\u8003\u8651\uFF0C\u4EE5\u53CA\u53D1\u73B0\u7ED3\u6784\u3001\u53EF\u89C6\u5316\u53CA\u5728\u7EBF\u66F4\u65B0\u7B49\u540E\u5904\u7406\u3002\u6570\u636E\u6316\u6398\u662F\u201C\u8CC7\u6599\u5EAB\u77E5\u8B58\u767C\u73FE\u201D\uFF08Knowledge-Discovery in Databases, KDD\uFF09\u7684\u5206\u6790\u6B65\u9AA4 \uFF0C\u672C\u8D28\u4E0A\u5C5E\u4E8E\u673A\u5668\u5B66\u4E60\u7684\u8303\u7574\u3002 \u7C7B\u4F3C\u8BCD\u8BED\u201C\u8CC7\u6599\u63A1\u7926\u201D\u3001\u201C\u6570\u636E\u6355\u9C7C\u201D\u548C\u201C\u6570\u636E\u63A2\u6D4B\u201D\u6307\u7528\u6570\u636E\u6316\u6398\u65B9\u6CD5\u6765\u91C7\u6837\uFF08\u53EF\u80FD\uFF09\u8FC7\u5C0F\u4EE5\u81F4\u65E0\u6CD5\u53EF\u9760\u5730\u7EDF\u8BA1\u63A8\u65AD\u51FA\u6240\u53D1\u73B0\u4EFB\u4F55\u6A21\u5F0F\u7684\u6709\u6548\u6027\u7684\u66F4\u5927\u603B\u4F53\u6570\u636E\u96C6\u7684\u90E8\u5206\u3002\u4E0D\u8FC7\u8FD9\u4E9B\u65B9\u6CD5\u53EF\u4EE5\u5EFA\u7ACB\u65B0\u7684\u5047\u8BBE\u6765\u68C0\u9A8C\u66F4\u5927\u6570\u636E\u603B\u4F53\u3002"@zh . "Data mining"@ru . . . . . . . . . "Prospec\u00E7\u00E3o de dados (portugu\u00EAs europeu) ou minera\u00E7\u00E3o de dados (portugu\u00EAs brasileiro) (tamb\u00E9m conhecida pelo termo ingl\u00EAs data mining) \u00E9 o processo de explorar dados \u00E0 procura de padr\u00F5es consistentes, como regras de associa\u00E7\u00E3o ou sequ\u00EAncias temporais, para detectar relacionamentos sistem\u00E1ticos entre vari\u00E1veis, detectando assim novos subconjuntos de dados. Esse \u00E9 um t\u00F3pico recente em ci\u00EAncia da computa\u00E7\u00E3o, mas utiliza v\u00E1rias t\u00E9cnicas da estat\u00EDstica, recupera\u00E7\u00E3o de informa\u00E7\u00E3o, intelig\u00EAncia artificial e reconhecimento de padr\u00F5es."@pt . . . . . . "Unter Data-Mining [\u02C8de\u026At\u0259 \u02C8ma\u026An\u026A\u014B] (von englisch data mining, aus englisch data \u201ADaten\u2018 und englisch mine \u201Agraben\u2018, \u201Aabbauen\u2018, \u201Af\u00F6rdern\u2018) versteht man die systematische Anwendung statistischer Methoden auf gro\u00DFe Datenbest\u00E4nde (insbesondere \u201EBig Data\u201C bzw. Massendaten) mit dem Ziel, neue Querverbindungen und Trends zu erkennen. Solche Datenbest\u00E4nde werden aufgrund ihrer Gr\u00F6\u00DFe mittels computergest\u00FCtzter Methoden verarbeitet. In der Praxis wurde der Unterbegriff Data-Mining auf den gesamten Prozess der sogenannten \u201EKnowledge Discovery in Databases\u201C (englisch f\u00FCr Wissensentdeckung in Datenbanken; KDD) \u00FCbertragen, der auch Schritte wie die Vorverarbeitung und Auswertung beinhaltet, w\u00E4hrend Data-Mining im engeren Sinne nur den eigentlichen Verarbeitungsschritt des Prozesses bezeichnet."@de . "Data-Mining"@de . . . . . . . "Datautvinning"@sv . . . . . . . . . . . . . . "L'estrazione di dati o data mining \u00E8 l'insieme di tecniche e metodologie che hanno per oggetto l'estrazione di informazioni utili da grandi quantit\u00E0 di dati (es. banche dati, data warehouse, ecc.), attraverso metodi automatici o semi-automatici (es. apprendimento automatico) e l'utilizzo scientifico, aziendale, industriale o operativo delle stesse."@it . . "La mineria de dades (data mining) \u00E9s un proc\u00E9s no trivial d'identificaci\u00F3 d'informaci\u00F3 v\u00E0lida, nova, potencialment \u00FAtil i entenible, de patrons comprensibles que es troben ocults en les dades. Engloba tot un conjunt de t\u00E8cniques encaminades a l'extracci\u00F3 de coneixement processable, impl\u00EDcit en les bases de dades. Est\u00E0 \u00EDntimament lligat a la supervisi\u00F3 de processos industrials, ja que resulta molt \u00FAtil per aprofitar les dades emmagatzemades a les bases de dades. Les bases de la mineria de dades es troben en la intel\u00B7lig\u00E8ncia artificial i en l'an\u00E0lisi estad\u00EDstica. Mitjan\u00E7ant els models extrets utilitzant t\u00E8cniques de mineria de dades s'aborda la soluci\u00F3 a problemes de predicci\u00F3, classificaci\u00F3 i segmentaci\u00F3 de mem\u00F2ria."@ca . "Penggalian data"@in . . . . . . . . . . . . . . . "\u0627\u0644\u062A\u0646\u0642\u064A\u0628 \u0641\u064A \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A (\u0628\u0627\u0644\u0625\u0646\u062C\u0644\u064A\u0632\u064A\u0629: data mining)\u200F \u0647\u064A \u0639\u0645\u0644\u064A\u0629 \u0628\u062D\u062B \u0645\u062D\u0648\u0633\u0628 \u0648\u064A\u062F\u0648\u064A \u0639\u0646 \u0645\u0639\u0631\u0641\u0629 \u0645\u0646 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u062F\u0648\u0646 \u0641\u0631\u0636\u064A\u0627\u062A \u0645\u0633\u0628\u0642\u0629 \u0639\u0645\u0627 \u064A\u0645\u0643\u0646 \u0623\u0646 \u062A\u0643\u0648\u0646 \u0647\u0630\u0647 \u0627\u0644\u0645\u0639\u0631\u0641\u0629.\u0643\u0645\u0627 \u0648\u064A\u0639\u0631\u0641 \u0627\u0644\u062A\u0646\u0642\u064A\u0628 \u0641\u064A \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0639\u0644\u0649 \u0623\u0646\u0647 \u0639\u0645\u0644\u064A\u0629 \u062A\u062D\u0644\u064A\u0644 \u0643\u0645\u064A\u0629 \u0628\u064A\u0627\u0646\u0627\u062A (\u0639\u0627\u062F\u0629 \u0645\u0627 \u062A\u0643\u0648\u0646 \u0643\u0645\u064A\u0629 \u0643\u0628\u064A\u0631\u0629)\u060C \u0644\u0625\u064A\u062C\u0627\u062F \u0639\u0644\u0627\u0642\u0629 \u0645\u0646\u0637\u0642\u064A\u0629 \u062A\u0644\u062E\u0635 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0628\u0637\u0631\u064A\u0642\u0629 \u062C\u062F\u064A\u062F\u0629 \u062A\u0643\u0648\u0646 \u0645\u0641\u0647\u0648\u0645\u0629 \u0648\u0645\u0641\u064A\u062F\u0629 \u0644\u0635\u0627\u062D\u0628 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A. \u064A\u0637\u0644\u0642 \u0627\u0633\u0645 \u00AB\u0646\u0645\u0627\u0630\u062C\u00BB models \u0639\u0644\u0649 \u0627\u0644\u0639\u0644\u0627\u0642\u0627\u062A \u0648\u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0627\u0644\u0645\u0644\u062E\u0635\u0629 \u0627\u0644\u062A\u064A \u064A\u062A\u0645 \u0627\u0644\u062D\u0635\u0648\u0644 \u0639\u0644\u064A\u0647\u0627 \u0645\u0646 \u0627\u0644\u062A\u0646\u0642\u064A\u0628 \u0641\u064A \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A. \u064A\u062A\u0639\u0627\u0645\u0644 \u062A\u0646\u0642\u064A\u0628 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0639\u0627\u062F\u0629 \u0645\u0639 \u0628\u064A\u0627\u0646\u0627\u062A \u064A\u0643\u0648\u0646 \u0642\u062F \u062A\u0645 \u0627\u0644\u062D\u0635\u0648\u0644 \u0639\u0644\u064A\u0647\u0627 \u0628\u063A\u0631\u0636 \u063A\u064A\u0631 \u063A\u0631\u0636 \u0627\u0644\u062A\u0646\u0642\u064A\u0628 \u0641\u064A \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A (\u0645\u062B\u0644\u0627\u064B \u0642\u0627\u0639\u062F\u0629 \u0628\u064A\u0627\u0646\u0627\u062A \u0627\u0644\u062A\u0639\u0627\u0645\u0644\u0627\u062A \u0641\u064A \u0645\u0635\u0631\u0641 \u0645\u0627) \u0645\u0645\u0627 \u064A\u0639\u0646\u064A \u0623\u0646 \u0637\u0631\u064A\u0642\u0629 \u0627\u0644\u062A\u0646\u0642\u064A\u0628 \u0641\u064A \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0644\u0627\u062A\u0624\u062B\u0631 \u0645\u0637\u0644\u0642\u0627\u064B \u0639\u0644\u0649 \u0637\u0631\u064A\u0642\u0629 \u062A\u062C\u0645\u064A\u0639 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0630\u0627\u062A\u0647\u0627. \u0647\u0630\u0647 \u0647\u064A \u0623\u062D\u062F \u0627\u0644\u0646\u0648\u0627\u062D\u064A \u0627\u0644\u062A\u064A \u064A\u062E\u062A\u0644\u0641 \u0641\u064A\u0647\u0627 \u0627\u0644\u062A\u0646\u0642\u064A\u0628 \u0641\u064A \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0639\u0646 \u0627\u0644\u0625\u062D\u0635\u0627\u0621\u060C \u0648\u0644\u0647\u0630\u0627 \u064A\u0634\u0627\u0631 \u0625\u0644\u0649 \u0639\u0645\u0644\u064A\u0629 \u0627\u0644\u062A\u0646\u0642\u064A\u0628 \u0641\u064A \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0639\u0644\u0649 \u0623\u0646\u0647\u0627 \u0639\u0645\u0644\u064A\u0629 \u0625\u062D\u0635\u0627\u0626\u064A\u0629 \u062B\u0627\u0646\u0648\u064A\u0629. \u064A\u0634\u064A\u0631 \u0627\u0644\u062A\u0639\u0631\u064A\u0641 \u0623\u064A\u0636\u0627\u064B \u0625\u0644\u0649 \u0623\u0646 \u0643\u0645\u064A\u0629 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u062A\u0643\u0648\u0646 \u0639\u0627\u062F\u0629 \u0643\u0628\u064A\u0631\u0629\u060C \u0623\u0645\u0627 \u0641\u064A \u062D\u0627\u0644 \u0643\u0648\u0646 \u0643\u0645\u064A\u0629 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0635\u063A\u064A\u0631\u0629 \u0641\u064A\u0641\u0636\u0644 \u0627\u0633\u062A\u062E\u062F\u0627\u0645 \u0627\u0644\u0637\u0631\u0642 \u0627\u0644\u0625\u062D\u0635\u0627\u0626\u064A\u0629 \u0627\u0644\u0639\u0627\u062F\u064A\u0629 \u0641\u064A \u062A\u062D\u0644\u064A\u0644\u0647\u0627. \u0639\u0646\u062F \u0627\u0644\u062A\u0639\u0627\u0645\u0644 \u0645\u0639 \u062D\u062C\u0645 \u0643\u0628\u064A\u0631 \u0645\u0646 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u062A\u0638\u0647\u0631 \u0645\u0633\u0627\u0626\u0644 \u062C\u062F\u064A\u062F\u0629 \u0645\u062B\u0644 \u0643\u064A\u0641\u064A\u0629 \u062A\u062D\u062F\u064A\u062F \u0627\u0644\u0646\u0642\u0627\u0637 \u0627\u0644\u0645\u0645\u064A\u0632\u0629 \u0641\u064A \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A\u060C \u0648\u0643\u064A\u0641\u064A\u0629 \u062A\u062D\u0644\u064A\u0644 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0641\u064A \u0641\u062A\u0631\u0629 \u0632\u0645\u0646\u064A\u0629 \u0645\u0639\u0642\u0648\u0644\u0629 \u0648\u0643\u064A\u0641\u064A\u0629 \u0642\u0631\u0627\u0631 \u0645\u0627 \u0625\u0630\u0627 \u0643\u0627\u0646\u062A \u0623\u064A \u0639\u0644\u0627\u0642\u0629 \u0638\u0627\u0647\u0631\u064A\u0629 \u062A\u0639\u0643\u0633 \u062D\u0642\u064A\u0642\u0629 \u0641\u064A \u0637\u0628\u064A\u0639\u0629 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A. \u0639\u0627\u062F\u0629 \u064A\u062A\u0645 \u0627\u0644\u062A\u0646\u0642\u064A\u0628 \u0641\u064A \u0628\u064A\u0627\u0646\u0627\u062A \u062A\u0643\u0648\u0646 \u062C\u0632\u0621\u0627\u064B \u0645\u0646 \u0643\u0627\u0645\u0644 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u062D\u064A\u062B \u064A\u0643\u0648\u0646 \u0627\u0644\u063A\u0631\u0636 \u0639\u0627\u062F\u0629 \u062A\u0639\u0645\u064A\u0645 \u0627\u0644\u0646\u062A\u0627\u0626\u062C \u0639\u0644\u0649 \u0643\u0627\u0645\u0644 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A (\u0645\u062B\u0644\u0627\u064B \u062A\u062D\u0644\u064A\u0644 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0627\u0644\u062D\u0627\u0644\u064A\u0629 \u0644\u0645\u0633\u062A\u0647\u0644\u0643\u064A \u0645\u0646\u062A\u062C \u0645\u0627 \u0628\u063A\u0631\u0636 \u062A\u0648\u0642\u0639 \u0637\u0644\u0628\u0627\u062A \u0627\u0644\u0645\u0633\u062A\u0647\u0644\u0643\u064A\u0646 \u0627\u0644\u0645\u0633\u062A\u0642\u0628\u0644\u064A\u0629). \u0645\u0646 \u0623\u062D\u062F \u0623\u0647\u062F\u0627\u0641 \u062A\u0646\u0642\u064A\u0628 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0623\u064A\u0636\u0627\u064B \u0647\u0648 \u0627\u062E\u062A\u0632\u0627\u0644 \u0643\u0645\u064A\u0627\u062A \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0627\u0644\u0643\u0628\u064A\u0631\u0629 \u0623\u0648 \u0636\u063A\u0637\u0647\u0627 \u0628\u062D\u064A\u062B \u062A\u0639\u0628\u0631 \u0628\u0634\u0643\u0644 \u0628\u0633\u064A\u0637 \u0639\u0646 \u0643\u0627\u0645\u0644 \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A \u0628\u062F\u0648\u0646 \u062A\u0639\u0645\u064A\u0645."@ar . "\u0414\u043E\u0431\u0443\u0432\u0430\u0301\u043D\u043D\u044F \u0434\u0430\u0301\u043D\u0438\u0445 (\u0430\u043D\u0433\u043B. data mining), \u0442\u0430\u043A\u043E\u0436 \u0433\u043B\u0438\u0431\u0438\u0301\u043D\u043D\u0438\u0439 \u0430\u043D\u0430\u0301\u043B\u0456\u0437 \u0434\u0430\u0301\u043D\u0438\u0445[\u0434\u0436\u0435\u0440\u0435\u043B\u043E?] \u2014 \u043F\u0440\u043E\u0446\u0435\u0441 \u043D\u0430\u043F\u0456\u0432\u0430\u0432\u0442\u043E\u043C\u0430\u0442\u0438\u0447\u043D\u043E\u0433\u043E \u0430\u043D\u0430\u043B\u0456\u0437\u0443 \u0432\u0435\u043B\u0438\u043A\u0438\u0445 \u0431\u0430\u0437 \u0434\u0430\u043D\u0438\u0445 \u0437 \u043C\u0435\u0442\u043E\u044E \u043F\u043E\u0448\u0443\u043A\u0443 \u043A\u043E\u0440\u0438\u0441\u043D\u0438\u0445 \u0444\u0430\u043A\u0442\u0456\u0432. \u0417\u0430\u0437\u0432\u0438\u0447\u0430\u0439 \u043F\u043E\u0434\u0456\u043B\u044F\u044E\u0442\u044C \u043D\u0430 \u0437\u0430\u0434\u0430\u0447\u0456 \u043A\u043B\u0430\u0441\u0438\u0444\u0456\u043A\u0430\u0446\u0456\u0457, \u043C\u043E\u0434\u0435\u043B\u044E\u0432\u0430\u043D\u043D\u044F \u0442\u0430 \u043F\u0440\u043E\u0433\u043D\u043E\u0437\u0443\u0432\u0430\u043D\u043D\u044F.[\u0434\u0436\u0435\u0440\u0435\u043B\u043E?]"@uk . . "Minera\u00E7\u00E3o de dados"@pt . "Data mining"@it . . "\u0414\u043E\u0431\u0443\u0432\u0430\u043D\u043D\u044F \u0434\u0430\u043D\u0438\u0445"@uk . . . "Databrytning, informationsutvinning eller datautvinning, av engelskans data mining, betecknar verktyg f\u00F6r att s\u00F6ka efter m\u00F6nster, samband och trender i stora datam\u00E4ngder. Verktygen anv\u00E4nder ber\u00E4kningsmetoder f\u00F6r multivariat statistisk analys kombinerat med ber\u00E4kningseffektiva algoritmer f\u00F6r maskininl\u00E4rning och m\u00F6nsterigenk\u00E4nning h\u00E4mtade fr\u00E5n artificiell intelligens."@sv . . "\u0414\u043E\u0431\u0443\u0432\u0430\u0301\u043D\u043D\u044F \u0434\u0430\u0301\u043D\u0438\u0445 (\u0430\u043D\u0433\u043B. data mining), \u0442\u0430\u043A\u043E\u0436 \u0433\u043B\u0438\u0431\u0438\u0301\u043D\u043D\u0438\u0439 \u0430\u043D\u0430\u0301\u043B\u0456\u0437 \u0434\u0430\u0301\u043D\u0438\u0445[\u0434\u0436\u0435\u0440\u0435\u043B\u043E?] \u2014 \u043F\u0440\u043E\u0446\u0435\u0441 \u043D\u0430\u043F\u0456\u0432\u0430\u0432\u0442\u043E\u043C\u0430\u0442\u0438\u0447\u043D\u043E\u0433\u043E \u0430\u043D\u0430\u043B\u0456\u0437\u0443 \u0432\u0435\u043B\u0438\u043A\u0438\u0445 \u0431\u0430\u0437 \u0434\u0430\u043D\u0438\u0445 \u0437 \u043C\u0435\u0442\u043E\u044E \u043F\u043E\u0448\u0443\u043A\u0443 \u043A\u043E\u0440\u0438\u0441\u043D\u0438\u0445 \u0444\u0430\u043A\u0442\u0456\u0432. \u0417\u0430\u0437\u0432\u0438\u0447\u0430\u0439 \u043F\u043E\u0434\u0456\u043B\u044F\u044E\u0442\u044C \u043D\u0430 \u0437\u0430\u0434\u0430\u0447\u0456 \u043A\u043B\u0430\u0441\u0438\u0444\u0456\u043A\u0430\u0446\u0456\u0457, \u043C\u043E\u0434\u0435\u043B\u044E\u0432\u0430\u043D\u043D\u044F \u0442\u0430 \u043F\u0440\u043E\u0433\u043D\u043E\u0437\u0443\u0432\u0430\u043D\u043D\u044F.[\u0434\u0436\u0435\u0440\u0435\u043B\u043E?] \u041D\u0430 \u0441\u0443\u0447\u0430\u0441\u043D\u0438\u0445 \u043F\u0456\u0434\u043F\u0440\u0438\u0454\u043C\u0441\u0442\u0432\u0430\u0445, \u0432 \u0434\u043E\u0441\u043B\u0456\u0434\u043D\u0438\u0446\u044C\u043A\u0438\u0445 \u043F\u0440\u043E\u0435\u043A\u0442\u0430\u0445 \u0430\u0431\u043E \u0432 \u0456\u043D\u0442\u0435\u0440\u043D\u0435\u0442\u0456 \u0443\u0442\u0432\u043E\u0440\u044E\u044E\u0442\u044C\u0441\u044F \u0432\u0435\u043B\u0438\u043A\u0456 \u043E\u0431\u0441\u044F\u0433\u0438 \u0434\u0430\u043D\u0438\u0445. \u0413\u043B\u0438\u0431\u0438\u043D\u043D\u0438\u0439 \u0430\u043D\u0430\u043B\u0456\u0437 \u0434\u0430\u043D\u0438\u0445 \u0437\u0434\u0456\u0439\u0441\u043D\u044E\u0454\u0442\u044C\u0441\u044F \u0430\u0432\u0442\u043E\u043C\u0430\u0442\u0438\u0447\u043D\u043E \u0448\u043B\u044F\u0445\u043E\u043C \u0437\u0430\u0441\u0442\u043E\u0441\u0443\u0432\u0430\u043D\u043D\u044F \u043C\u0435\u0442\u043E\u0434\u0456\u0432 \u043C\u0430\u0442\u0435\u043C\u0430\u0442\u0438\u0447\u043D\u043E\u0457 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043A\u0438, \u0448\u0442\u0443\u0447\u043D\u0438\u0445 \u043D\u0435\u0439\u0440\u043E\u043D\u043D\u0438\u0445 \u043C\u0435\u0440\u0435\u0436, \u0442\u0435\u043E\u0440\u0456\u0457 \u043D\u0435\u0447\u0456\u0442\u043A\u0438\u0445 \u043C\u043D\u043E\u0436\u0438\u043D \u0430\u0431\u043E \u0433\u0435\u043D\u0435\u0442\u0438\u0447\u043D\u0438\u0445 \u0430\u043B\u0433\u043E\u0440\u0438\u0442\u043C\u0456\u0432. \u041C\u0435\u0442\u043E\u044E \u0430\u043D\u0430\u043B\u0456\u0437\u0443 \u0454 \u0432\u0438\u044F\u0432\u043B\u0435\u043D\u043D\u044F \u043F\u0440\u0430\u0432\u0438\u043B \u0442\u0430 \u0437\u0430\u043A\u043E\u043D\u043E\u043C\u0456\u0440\u043D\u043E\u0441\u0442\u0435\u0439, \u043D\u0430\u043F\u0440\u0438\u043A\u043B\u0430\u0434, \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u043D\u0438\u0445 \u043F\u043E\u0434\u0456\u0439. \u0422\u0430\u043A, \u043D\u0430\u043F\u0440\u0438\u043A\u043B\u0430\u0434, \u043C\u043E\u0436\u043B\u0438\u0432\u043E \u0432\u0438\u044F\u0432\u0438\u0442\u0438 \u0437\u043C\u0456\u043D\u0438 \u0443 \u043F\u043E\u0432\u0435\u0434\u0456\u043D\u0446\u0456 \u043A\u043B\u0456\u0454\u043D\u0442\u0456\u0432 \u0430\u0431\u043E \u0433\u0440\u0443\u043F \u043A\u043B\u0456\u0454\u043D\u0442\u0456\u0432 \u0434\u043B\u044F \u043F\u043E\u043A\u0440\u0430\u0449\u0435\u043D\u043D\u044F \u0441\u0442\u0440\u0430\u0442\u0435\u0433\u0456\u0457 \u043F\u0456\u0434\u043F\u0440\u0438\u0454\u043C\u0441\u0442\u0432\u0430."@uk . . . . . . . . . "Eksploracja danych, pozyskiwanie danych, dr\u0105\u017Cenie danych, wydobywanie danych \u2013 jeden z etap\u00F3w procesu uzyskiwania wiedzy z baz danych. Idea eksploracji danych polega na wykorzystaniu szybko\u015Bci komputera do znajdowania ukrytych dla cz\u0142owieka (w\u0142a\u015Bnie z uwagi na ograniczone mo\u017Cliwo\u015Bci czasowe) prawid\u0142owo\u015Bci w danych zgromadzonych w hurtowniach danych. Istnieje wiele technik eksploracji danych, kt\u00F3re wywodz\u0105 si\u0119 z ugruntowanych dziedzin nauki, takich jak statystyka (statystyczna analiza wielowymiarowa) i uczenie maszynowe."@pl . . "L\u2019exploration de donn\u00E9es, connue aussi sous l'expression de fouille de donn\u00E9es, forage de donn\u00E9es, prospection de donn\u00E9es, data mining, ou encore extraction de connaissances \u00E0 partir de donn\u00E9es, a pour objet l\u2019extraction d'un savoir ou d'une connaissance \u00E0 partir de grandes quantit\u00E9s de donn\u00E9es, par des m\u00E9thodes automatiques ou semi-automatiques."@fr . "Unter Data-Mining [\u02C8de\u026At\u0259 \u02C8ma\u026An\u026A\u014B] (von englisch data mining, aus englisch data \u201ADaten\u2018 und englisch mine \u201Agraben\u2018, \u201Aabbauen\u2018, \u201Af\u00F6rdern\u2018) versteht man die systematische Anwendung statistischer Methoden auf gro\u00DFe Datenbest\u00E4nde (insbesondere \u201EBig Data\u201C bzw. Massendaten) mit dem Ziel, neue Querverbindungen und Trends zu erkennen. Solche Datenbest\u00E4nde werden aufgrund ihrer Gr\u00F6\u00DFe mittels computergest\u00FCtzter Methoden verarbeitet. In der Praxis wurde der Unterbegriff Data-Mining auf den gesamten Prozess der sogenannten \u201EKnowledge Discovery in Databases\u201C (englisch f\u00FCr Wissensentdeckung in Datenbanken; KDD) \u00FCbertragen, der auch Schritte wie die Vorverarbeitung und Auswertung beinhaltet, w\u00E4hrend Data-Mining im engeren Sinne nur den eigentlichen Verarbeitungsschritt des Prozesses bezeichnet. Die Bezeichnung Data-Mining (eigentlich etwa \u201EAbbau von Daten\u201C) ist etwas irref\u00FChrend, denn es geht um die Gewinnung von Wissen aus bereits vorhandenen Daten und nicht um die Generierung von Daten selbst. Die pr\u00E4gnante Bezeichnung hat sich dennoch durchgesetzt.Die reine Erfassung, Speicherung und Verarbeitung von gro\u00DFen Datenmengen wird gelegentlich ebenfalls mit dem Buzzword Data-Mining bezeichnet. Im wissenschaftlichen Kontext bezeichnet es prim\u00E4r die Extraktion von Wissen, das \u201Eg\u00FCltig (im statistischen Sinne), bisher unbekannt und potentiell n\u00FCtzlich\u201C ist \u201Ezur Bestimmung bestimmter Regelm\u00E4\u00DFigkeiten, Gesetzm\u00E4\u00DFigkeiten und verborgener Zusammenh\u00E4nge\u201C. Fayyad definiert es als \u201Eein[en] Schritt des KDD-Prozesses, der darin besteht, Datenanalyse- und Entdeckungsalgorithmen anzuwenden, die unter akzeptablen Effizienzbegrenzungen eine spezielle Auflistung von Mustern (oder Modellen) der Daten liefern\u201C. Das Schlie\u00DFen von Daten auf (hypothetische) Modelle wird als Statistische Inferenz bezeichnet."@de . "Prospec\u00E7\u00E3o de dados (portugu\u00EAs europeu) ou minera\u00E7\u00E3o de dados (portugu\u00EAs brasileiro) (tamb\u00E9m conhecida pelo termo ingl\u00EAs data mining) \u00E9 o processo de explorar dados \u00E0 procura de padr\u00F5es consistentes, como regras de associa\u00E7\u00E3o ou sequ\u00EAncias temporais, para detectar relacionamentos sistem\u00E1ticos entre vari\u00E1veis, detectando assim novos subconjuntos de dados. No campo da administra\u00E7\u00E3o, a minera\u00E7\u00E3o de dados \u00E9 o uso da tecnologia da informa\u00E7\u00E3o para descobrir regras, identificar fatores e tend\u00EAncias-chave, descobrir padr\u00F5es e relacionamentos ocultos em grandes bancos de dados para auxiliar a tomada de decis\u00F5es sobre estrat\u00E9gia e vantagens competitivas. Esse \u00E9 um t\u00F3pico recente em ci\u00EAncia da computa\u00E7\u00E3o, mas utiliza v\u00E1rias t\u00E9cnicas da estat\u00EDstica, recupera\u00E7\u00E3o de informa\u00E7\u00E3o, intelig\u00EAncia artificial e reconhecimento de padr\u00F5es."@pt . . "\u30C7\u30FC\u30BF\u30DE\u30A4\u30CB\u30F3\u30B0"@ja . . . . . . . . . . . . . . . . . . "Data mining (\u0440\u0443\u0441. \u0434\u043E\u0431\u044B\u0447\u0430 \u0434\u0430\u043D\u043D\u044B\u0445, \u0438\u043D\u0442\u0435\u043B\u043B\u0435\u043A\u0442\u0443\u0430\u043B\u044C\u043D\u044B\u0439 \u0430\u043D\u0430\u043B\u0438\u0437 \u0434\u0430\u043D\u043D\u044B\u0445, \u0433\u043B\u0443\u0431\u0438\u043D\u043D\u044B\u0439 \u0430\u043D\u0430\u043B\u0438\u0437 \u0434\u0430\u043D\u043D\u044B\u0445) \u2014 \u0441\u043E\u0431\u0438\u0440\u0430\u0442\u0435\u043B\u044C\u043D\u043E\u0435 \u043D\u0430\u0437\u0432\u0430\u043D\u0438\u0435, \u0438\u0441\u043F\u043E\u043B\u044C\u0437\u0443\u0435\u043C\u043E\u0435 \u0434\u043B\u044F \u043E\u0431\u043E\u0437\u043D\u0430\u0447\u0435\u043D\u0438\u044F \u0441\u043E\u0432\u043E\u043A\u0443\u043F\u043D\u043E\u0441\u0442\u0438 \u043C\u0435\u0442\u043E\u0434\u043E\u0432 \u043E\u0431\u043D\u0430\u0440\u0443\u0436\u0435\u043D\u0438\u044F \u0432 \u0434\u0430\u043D\u043D\u044B\u0445 \u0440\u0430\u043D\u0435\u0435 \u043D\u0435\u0438\u0437\u0432\u0435\u0441\u0442\u043D\u044B\u0445, \u043D\u0435\u0442\u0440\u0438\u0432\u0438\u0430\u043B\u044C\u043D\u044B\u0445, \u043F\u0440\u0430\u043A\u0442\u0438\u0447\u0435\u0441\u043A\u0438 \u043F\u043E\u043B\u0435\u0437\u043D\u044B\u0445 \u0438 \u0434\u043E\u0441\u0442\u0443\u043F\u043D\u044B\u0445 \u0438\u043D\u0442\u0435\u0440\u043F\u0440\u0435\u0442\u0430\u0446\u0438\u0438 \u0437\u043D\u0430\u043D\u0438\u0439, \u043D\u0435\u043E\u0431\u0445\u043E\u0434\u0438\u043C\u044B\u0445 \u0434\u043B\u044F \u043F\u0440\u0438\u043D\u044F\u0442\u0438\u044F \u0440\u0435\u0448\u0435\u043D\u0438\u0439 \u0432 \u0440\u0430\u0437\u043B\u0438\u0447\u043D\u044B\u0445 \u0441\u0444\u0435\u0440\u0430\u0445 \u0447\u0435\u043B\u043E\u0432\u0435\u0447\u0435\u0441\u043A\u043E\u0439 \u0434\u0435\u044F\u0442\u0435\u043B\u044C\u043D\u043E\u0441\u0442\u0438. \u0422\u0435\u0440\u043C\u0438\u043D \u0432\u0432\u0435\u0434\u0451\u043D \u0413\u0440\u0438\u0433\u043E\u0440\u0438\u0435\u043C \u041F\u044F\u0442\u0435\u0446\u043A\u0438\u043C-\u0428\u0430\u043F\u0438\u0440\u043E \u0432 1989 \u0433\u043E\u0434\u0443. \u041F\u0440\u0438\u043C\u0435\u043D\u0435\u043D\u0438\u0435 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043A\u0438\u0445 \u043C\u0435\u0442\u043E\u0434\u043E\u0432 \u0430\u043D\u0430\u043B\u0438\u0437\u0430 \u0434\u0430\u043D\u043D\u044B\u0445 \u0442\u0440\u0435\u0431\u0443\u0435\u0442 \u0445\u043E\u0440\u043E\u0448\u0435\u0433\u043E \u0432\u043B\u0430\u0434\u0435\u043D\u0438\u044F \u0442\u0435\u043E\u0440\u0438\u0435\u0439 \u0432\u0435\u0440\u043E\u044F\u0442\u043D\u043E\u0441\u0442\u0435\u0439 \u0438 \u043C\u0430\u0442\u0435\u043C\u0430\u0442\u0438\u0447\u0435\u0441\u043A\u043E\u0439 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043A\u043E\u0439."@ru . . . . . . . . . . . . . . . . . . . . "\u30C7\u30FC\u30BF\u30DE\u30A4\u30CB\u30F3\u30B0\uFF08\u82F1\u8A9E: data mining\uFF09\u3068\u306F\u3001\u7D71\u8A08\u5B66\u3001\u30D1\u30BF\u30FC\u30F3\u8A8D\u8B58\u3001\u4EBA\u5DE5\u77E5\u80FD\u7B49\u306E\u30C7\u30FC\u30BF\u89E3\u6790\u306E\u6280\u6CD5\u3092\u5927\u91CF\u306E\u30C7\u30FC\u30BF\u306B\u7DB2\u7F85\u7684\u306B\u9069\u7528\u3059\u308B\u3053\u3068\u3067\u77E5\u8B58\u3092\u53D6\u308A\u51FA\u3059\u6280\u8853\u306E\u3053\u3068\u3067\u3042\u308B\u3002DM\u3068\u7565\u3057\u3066\u547C\u3070\u308C\u308B\u4E8B\u3082\u3042\u308B\u3002\u901A\u5E38\u306E\u30C7\u30FC\u30BF\u306E\u6271\u3044\u65B9\u304B\u3089\u306F\u60F3\u50CF\u304C\u53CA\u3073\u306B\u304F\u3044\u3001\u30D2\u30E5\u30FC\u30EA\u30B9\u30C6\u30A3\u30AF\uFF08heuristic\u3001\u767A\u898B\u7684\uFF09\u306A\u77E5\u8B58\u7372\u5F97\u304C\u53EF\u80FD\u3067\u3042\u308B\u3068\u3044\u3046\u671F\u5F85\u3092\u542B\u610F\u3057\u3066\u3044\u308B\u3053\u3068\u304C\u591A\u3044\u3002\u3068\u304F\u306B\u30C6\u30AD\u30B9\u30C8\u3092\u5BFE\u8C61\u3068\u3059\u308B\u3082\u306E\u3092\u30C6\u30AD\u30B9\u30C8\u30DE\u30A4\u30CB\u30F3\u30B0\u3001\u305D\u306E\u306A\u304B\u3067\u3082\u30A6\u30A7\u30D6\u30DA\u30FC\u30B8\u3092\u5BFE\u8C61\u306B\u3057\u305F\u3082\u306E\u3092\u30A6\u30A7\u30D6\u30DE\u30A4\u30CB\u30F3\u30B0\u3068\u547C\u3076\u3002\u82F1\u8A9E\u3067\u306F\"data mining\"\u306E\u8A9E\u306E\u76F4\u63A5\u306E\u8D77\u6E90\u3068\u306A\u3063\u305F\u7814\u7A76\u5206\u91CE\u3067\u3042\u308Bknowledge-discovery in databases\uFF08\u30C7\u30FC\u30BF\u30D9\u30FC\u30B9\u304B\u3089\u306E\u77E5\u8B58\u767A\u898B\uFF09\u306E\u982D\u6587\u5B57\u3092\u3068\u3063\u3066KDD\u3068\u3082\u547C\u3070\u308C\u308B\u3002"@ja . . "Datu-meatzaritza (inglesez data mining) estatistikaren (datu-analisiaren) eta konputazio-zientzien esparru bat da, datu-multzo erraldoietan ereduak aurkitzea helburu duena; informazioaren erauzte-prozesu horretan adimen artifizialeko, estatistikako eta ikasketa automatikoko metodoak erabiltzen dira. KDD (knowledge discovery in databases) izenez ezagutzen den prozesuaren zati bat besterik ez da. Izan ere, KDD prozesuak datu-meatzaritza aplikatu aurretik datuak biltzea, aukeratzea, garbitzea eta eraldatzea eskatu ohi du. Ondoren emaitzak ebaluatu, interpretatu eta azken erabakiak hartu behar izaten dira. Datu-multzo erraldoi horietan ezezagunak diren ereduak aurkitzearen ataza modu automatikoan edo erdi-automatikoan egiten da. Mota desberdineko ereduak izan ohi dira: datuen multzokatzea (clustering analisia), ohikoak ez diren instantzien (kasuen) detekzioa, mendekotasunak aurkitzea etab. Aurkitutako eredu horiek sarrerako datu-multzo erraldoien interpretazio bat eskaintzen dute eta gerora aplika daitezkeen analisi gehigarrietan (ikasketa automatikoa) lagungarri izan daitezke."@eu . "Datamining (gegevensdelving, datadelving) is het gericht zoeken naar (statistische) verbanden tussen verschillende gegevensverzamelingen met als doel profielen op te stellen voor wetenschappelijk, journalistiek of commercieel gebruik. Zo'n verzameling gegevens kan gevormd worden door gebeurtenissen in een praktijksituatie te registreren (aankoopgedrag van consumenten, symptomen bij pati\u00EBnten, et cetera) of door de resultaten van eerder uitgevoerde wetenschappelijke onderzoeken met elkaar te vergelijken en te herinterpreteren."@nl . . . . . . . . "Data mining ([dejta majnyn], angl. dolov\u00E1n\u00ED z dat \u010Di vyt\u011B\u017Eov\u00E1n\u00ED dat) je analytick\u00E1 metodologie z\u00EDsk\u00E1v\u00E1n\u00ED netrivi\u00E1ln\u00EDch skryt\u00FDch a potenci\u00E1ln\u011B u\u017Eite\u010Dn\u00FDch informac\u00ED z dat. N\u011Bkdy se ch\u00E1pe jako analytick\u00E1 sou\u010D\u00E1st dob\u00FDv\u00E1n\u00ED znalost\u00ED z datab\u00E1z\u00ED (knowledge discovery in databases, KDD), jindy se tato dv\u011B ozna\u010Den\u00ED ch\u00E1pou jako souzna\u010Dn\u00E1. \u010Casto doch\u00E1z\u00ED tak\u00E9 k p\u0159ekryvu s term\u00EDnem data science, kter\u00FD b\u00FDv\u00E1 obvykle ch\u00E1p\u00E1n \u0161\u00ED\u0159eji ne\u017E data mining. Data mining se pou\u017E\u00EDv\u00E1 v komer\u010Dn\u00ED sf\u00E9\u0159e (nap\u0159\u00EDklad v marketingu p\u0159i rozhodov\u00E1n\u00ED, kter\u00E9 klienty oslovit dopisem s nab\u00EDdkou produktu), ve v\u011Bdeck\u00E9m v\u00FDzkumu (nap\u0159\u00EDklad p\u0159i anal\u00FDze genetick\u00E9 informace) i v jin\u00FDch oblastech (nap\u0159\u00EDklad p\u0159i monitorov\u00E1n\u00ED aktivit na internetu s c\u00EDlem odhalit \u010Dinnost potenci\u00E1ln\u00EDch \u0161k\u016Fdc\u016F a terorist\u016F)."@cs . . . . "Exploration de donn\u00E9es"@fr . . "La mineria de dades (data mining) \u00E9s un proc\u00E9s no trivial d'identificaci\u00F3 d'informaci\u00F3 v\u00E0lida, nova, potencialment \u00FAtil i entenible, de patrons comprensibles que es troben ocults en les dades. Engloba tot un conjunt de t\u00E8cniques encaminades a l'extracci\u00F3 de coneixement processable, impl\u00EDcit en les bases de dades. Est\u00E0 \u00EDntimament lligat a la supervisi\u00F3 de processos industrials, ja que resulta molt \u00FAtil per aprofitar les dades emmagatzemades a les bases de dades. Les bases de la mineria de dades es troben en la intel\u00B7lig\u00E8ncia artificial i en l'an\u00E0lisi estad\u00EDstica. Mitjan\u00E7ant els models extrets utilitzant t\u00E8cniques de mineria de dades s'aborda la soluci\u00F3 a problemes de predicci\u00F3, classificaci\u00F3 i segmentaci\u00F3 de mem\u00F2ria."@ca . . . . "Datu-meatzaritza (inglesez data mining) estatistikaren (datu-analisiaren) eta konputazio-zientzien esparru bat da, datu-multzo erraldoietan ereduak aurkitzea helburu duena; informazioaren erauzte-prozesu horretan adimen artifizialeko, estatistikako eta ikasketa automatikoko metodoak erabiltzen dira. KDD (knowledge discovery in databases) izenez ezagutzen den prozesuaren zati bat besterik ez da. Izan ere, KDD prozesuak datu-meatzaritza aplikatu aurretik datuak biltzea, aukeratzea, garbitzea eta eraldatzea eskatu ohi du. Ondoren emaitzak ebaluatu, interpretatu eta azken erabakiak hartu behar izaten dira."@eu . . . . . . . . . . . . . "Eksploracja danych, pozyskiwanie danych, dr\u0105\u017Cenie danych, wydobywanie danych \u2013 jeden z etap\u00F3w procesu uzyskiwania wiedzy z baz danych. Idea eksploracji danych polega na wykorzystaniu szybko\u015Bci komputera do znajdowania ukrytych dla cz\u0142owieka (w\u0142a\u015Bnie z uwagi na ograniczone mo\u017Cliwo\u015Bci czasowe) prawid\u0142owo\u015Bci w danych zgromadzonych w hurtowniach danych. Istnieje wiele technik eksploracji danych, kt\u00F3re wywodz\u0105 si\u0119 z ugruntowanych dziedzin nauki, takich jak statystyka (statystyczna analiza wielowymiarowa) i uczenie maszynowe."@pl . . . . . . . . . . . . . . . . "L'estrazione di dati o data mining \u00E8 l'insieme di tecniche e metodologie che hanno per oggetto l'estrazione di informazioni utili da grandi quantit\u00E0 di dati (es. banche dati, data warehouse, ecc.), attraverso metodi automatici o semi-automatici (es. apprendimento automatico) e l'utilizzo scientifico, aziendale, industriale o operativo delle stesse."@it . . "Datu-meatzaritza"@eu . "1123384957"^^ . . . . . . . . . . . . "45781"^^ . . . . . . . . . . . . "Data mining ([dejta majnyn], angl. dolov\u00E1n\u00ED z dat \u010Di vyt\u011B\u017Eov\u00E1n\u00ED dat) je analytick\u00E1 metodologie z\u00EDsk\u00E1v\u00E1n\u00ED netrivi\u00E1ln\u00EDch skryt\u00FDch a potenci\u00E1ln\u011B u\u017Eite\u010Dn\u00FDch informac\u00ED z dat. N\u011Bkdy se ch\u00E1pe jako analytick\u00E1 sou\u010D\u00E1st dob\u00FDv\u00E1n\u00ED znalost\u00ED z datab\u00E1z\u00ED (knowledge discovery in databases, KDD), jindy se tato dv\u011B ozna\u010Den\u00ED ch\u00E1pou jako souzna\u010Dn\u00E1. \u010Casto doch\u00E1z\u00ED tak\u00E9 k p\u0159ekryvu s term\u00EDnem data science, kter\u00FD b\u00FDv\u00E1 obvykle ch\u00E1p\u00E1n \u0161\u00ED\u0159eji ne\u017E data mining."@cs . . . "\u0395\u03BE\u03CC\u03C1\u03C5\u03BE\u03B7 \u03B4\u03B5\u03B4\u03BF\u03BC\u03AD\u03BD\u03C9\u03BD (\u03AE \u03B1\u03BD\u03B1\u03BA\u03AC\u03BB\u03C5\u03C8\u03B7 \u03B3\u03BD\u03CE\u03C3\u03B7\u03C2 \u03B1\u03C0\u03CC \u03B2\u03AC\u03C3\u03B5\u03B9\u03C2 \u03B4\u03B5\u03B4\u03BF\u03BC\u03AD\u03BD\u03C9\u03BD) (\u03B1\u03B3\u03B3\u03BB. data mining) \u03B5\u03AF\u03BD\u03B1\u03B9 \u03B7 \u03B5\u03BE\u03B5\u03CD\u03C1\u03B5\u03C3\u03B7 \u03BC\u03B9\u03B1\u03C2 (\u03B5\u03BD\u03B4\u03B9\u03B1\u03C6\u03AD\u03C1\u03BF\u03C5\u03C3\u03B1\u03C2, \u03B1\u03C5\u03C4\u03BF\u03BD\u03CC\u03B7\u03C4\u03B7\u03C2, \u03BC\u03B7 \u03C0\u03C1\u03BF\u03C6\u03B1\u03BD\u03BF\u03CD\u03C2 \u03BA\u03B1\u03B9 \u03C0\u03B9\u03B8\u03B1\u03BD\u03CC\u03BD \u03C7\u03C1\u03AE\u03C3\u03B9\u03BC\u03B7\u03C2) \u03C0\u03BB\u03B7\u03C1\u03BF\u03C6\u03BF\u03C1\u03AF\u03B1\u03C2 \u03AE \u03C0\u03C1\u03BF\u03C4\u03CD\u03C0\u03C9\u03BD \u03B1\u03C0\u03CC \u03BC\u03B5\u03B3\u03AC\u03BB\u03B5\u03C2 \u03B2\u03AC\u03C3\u03B5\u03B9\u03C2 \u03B4\u03B5\u03B4\u03BF\u03BC\u03AD\u03BD\u03C9\u03BD \u03BC\u03B5 \u03C7\u03C1\u03AE\u03C3\u03B7 \u03B1\u03BB\u03B3\u03BF\u03C1\u03AF\u03B8\u03BC\u03C9\u03BD \u03BF\u03BC\u03B1\u03B4\u03BF\u03C0\u03BF\u03AF\u03B7\u03C3\u03B7\u03C2 \u03AE \u03BA\u03B1\u03B9 \u03C4\u03C9\u03BD \u03B1\u03C1\u03C7\u03CE\u03BD \u03C4\u03B7\u03C2 \u03C3\u03C4\u03B1\u03C4\u03B9\u03C3\u03C4\u03B9\u03BA\u03AE\u03C2, \u03C4\u03B7\u03C2 \u03C4\u03B5\u03C7\u03BD\u03B7\u03C4\u03AE\u03C2 \u03BD\u03BF\u03B7\u03BC\u03BF\u03C3\u03CD\u03BD\u03B7\u03C2, \u03C4\u03B7\u03C2 \u03BC\u03B7\u03C7\u03B1\u03BD\u03B9\u03BA\u03AE\u03C2 \u03BC\u03AC\u03B8\u03B7\u03C3\u03B7\u03C2 \u03BA\u03B1\u03B9 \u03C4\u03C9\u03BD \u03C3\u03C5\u03C3\u03C4\u03B7\u03BC\u03AC\u03C4\u03C9\u03BD \u03B2\u03AC\u03C3\u03B5\u03C9\u03BD \u03B4\u03B5\u03B4\u03BF\u03BC\u03AD\u03BD\u03C9\u03BD. \u03A3\u03C4\u03CC\u03C7\u03BF\u03C2 \u03C4\u03B7\u03C2 \u03B5\u03BE\u03CC\u03C1\u03C5\u03BE\u03B7\u03C2 \u03B4\u03B5\u03B4\u03BF\u03BC\u03AD\u03BD\u03C9\u03BD \u03B5\u03AF\u03BD\u03B1\u03B9 \u03B7 \u03C0\u03BB\u03B7\u03C1\u03BF\u03C6\u03BF\u03C1\u03AF\u03B1 \u03C0\u03BF\u03C5 \u03B8\u03B1 \u03B5\u03BE\u03B1\u03C7\u03B8\u03B5\u03AF \u03BA\u03B1\u03B9 \u03C4\u03B1 \u03C0\u03C1\u03CC\u03C4\u03C5\u03C0\u03B1 \u03C0\u03BF\u03C5 \u03B8\u03B1 \u03C0\u03C1\u03BF\u03BA\u03CD\u03C8\u03BF\u03C5\u03BD \u03BD\u03B1 \u03AD\u03C7\u03BF\u03C5\u03BD \u03B4\u03BF\u03BC\u03AE \u03BA\u03B1\u03C4\u03B1\u03BD\u03BF\u03B7\u03C4\u03AE \u03C0\u03C1\u03BF\u03C2 \u03C4\u03BF\u03BD \u03AC\u03BD\u03B8\u03C1\u03C9\u03C0\u03BF \u03AD\u03C4\u03C3\u03B9 \u03CE\u03C3\u03C4\u03B5 \u03BD\u03B1 \u03C4\u03BF\u03BD \u03B2\u03BF\u03B7\u03B8\u03AE\u03C3\u03BF\u03C5\u03BD \u03BD\u03B1 \u03C0\u03AC\u03C1\u03B5\u03B9 \u03C4\u03B9\u03C2 \u03BA\u03B1\u03C4\u03AC\u03BB\u03BB\u03B7\u03BB\u03B5\u03C2 \u03B1\u03C0\u03BF\u03C6\u03AC\u03C3\u03B5\u03B9\u03C2."@el . . . . "\uB370\uC774\uD130 \uB9C8\uC774\uB2DD"@ko . . . . "\u0395\u03BE\u03CC\u03C1\u03C5\u03BE\u03B7 \u03B4\u03B5\u03B4\u03BF\u03BC\u03AD\u03BD\u03C9\u03BD (\u03AE \u03B1\u03BD\u03B1\u03BA\u03AC\u03BB\u03C5\u03C8\u03B7 \u03B3\u03BD\u03CE\u03C3\u03B7\u03C2 \u03B1\u03C0\u03CC \u03B2\u03AC\u03C3\u03B5\u03B9\u03C2 \u03B4\u03B5\u03B4\u03BF\u03BC\u03AD\u03BD\u03C9\u03BD) (\u03B1\u03B3\u03B3\u03BB. data mining) \u03B5\u03AF\u03BD\u03B1\u03B9 \u03B7 \u03B5\u03BE\u03B5\u03CD\u03C1\u03B5\u03C3\u03B7 \u03BC\u03B9\u03B1\u03C2 (\u03B5\u03BD\u03B4\u03B9\u03B1\u03C6\u03AD\u03C1\u03BF\u03C5\u03C3\u03B1\u03C2, \u03B1\u03C5\u03C4\u03BF\u03BD\u03CC\u03B7\u03C4\u03B7\u03C2, \u03BC\u03B7 \u03C0\u03C1\u03BF\u03C6\u03B1\u03BD\u03BF\u03CD\u03C2 \u03BA\u03B1\u03B9 \u03C0\u03B9\u03B8\u03B1\u03BD\u03CC\u03BD \u03C7\u03C1\u03AE\u03C3\u03B9\u03BC\u03B7\u03C2) \u03C0\u03BB\u03B7\u03C1\u03BF\u03C6\u03BF\u03C1\u03AF\u03B1\u03C2 \u03AE \u03C0\u03C1\u03BF\u03C4\u03CD\u03C0\u03C9\u03BD \u03B1\u03C0\u03CC \u03BC\u03B5\u03B3\u03AC\u03BB\u03B5\u03C2 \u03B2\u03AC\u03C3\u03B5\u03B9\u03C2 \u03B4\u03B5\u03B4\u03BF\u03BC\u03AD\u03BD\u03C9\u03BD \u03BC\u03B5 \u03C7\u03C1\u03AE\u03C3\u03B7 \u03B1\u03BB\u03B3\u03BF\u03C1\u03AF\u03B8\u03BC\u03C9\u03BD \u03BF\u03BC\u03B1\u03B4\u03BF\u03C0\u03BF\u03AF\u03B7\u03C3\u03B7\u03C2 \u03AE \u03BA\u03B1\u03B9 \u03C4\u03C9\u03BD \u03B1\u03C1\u03C7\u03CE\u03BD \u03C4\u03B7\u03C2 \u03C3\u03C4\u03B1\u03C4\u03B9\u03C3\u03C4\u03B9\u03BA\u03AE\u03C2, \u03C4\u03B7\u03C2 \u03C4\u03B5\u03C7\u03BD\u03B7\u03C4\u03AE\u03C2 \u03BD\u03BF\u03B7\u03BC\u03BF\u03C3\u03CD\u03BD\u03B7\u03C2, \u03C4\u03B7\u03C2 \u03BC\u03B7\u03C7\u03B1\u03BD\u03B9\u03BA\u03AE\u03C2 \u03BC\u03AC\u03B8\u03B7\u03C3\u03B7\u03C2 \u03BA\u03B1\u03B9 \u03C4\u03C9\u03BD \u03C3\u03C5\u03C3\u03C4\u03B7\u03BC\u03AC\u03C4\u03C9\u03BD \u03B2\u03AC\u03C3\u03B5\u03C9\u03BD \u03B4\u03B5\u03B4\u03BF\u03BC\u03AD\u03BD\u03C9\u03BD. \u03A3\u03C4\u03CC\u03C7\u03BF\u03C2 \u03C4\u03B7\u03C2 \u03B5\u03BE\u03CC\u03C1\u03C5\u03BE\u03B7\u03C2 \u03B4\u03B5\u03B4\u03BF\u03BC\u03AD\u03BD\u03C9\u03BD \u03B5\u03AF\u03BD\u03B1\u03B9 \u03B7 \u03C0\u03BB\u03B7\u03C1\u03BF\u03C6\u03BF\u03C1\u03AF\u03B1 \u03C0\u03BF\u03C5 \u03B8\u03B1 \u03B5\u03BE\u03B1\u03C7\u03B8\u03B5\u03AF \u03BA\u03B1\u03B9 \u03C4\u03B1 \u03C0\u03C1\u03CC\u03C4\u03C5\u03C0\u03B1 \u03C0\u03BF\u03C5 \u03B8\u03B1 \u03C0\u03C1\u03BF\u03BA\u03CD\u03C8\u03BF\u03C5\u03BD \u03BD\u03B1 \u03AD\u03C7\u03BF\u03C5\u03BD \u03B4\u03BF\u03BC\u03AE \u03BA\u03B1\u03C4\u03B1\u03BD\u03BF\u03B7\u03C4\u03AE \u03C0\u03C1\u03BF\u03C2 \u03C4\u03BF\u03BD \u03AC\u03BD\u03B8\u03C1\u03C9\u03C0\u03BF \u03AD\u03C4\u03C3\u03B9 \u03CE\u03C3\u03C4\u03B5 \u03BD\u03B1 \u03C4\u03BF\u03BD \u03B2\u03BF\u03B7\u03B8\u03AE\u03C3\u03BF\u03C5\u03BD \u03BD\u03B1 \u03C0\u03AC\u03C1\u03B5\u03B9 \u03C4\u03B9\u03C2 \u03BA\u03B1\u03C4\u03AC\u03BB\u03BB\u03B7\u03BB\u03B5\u03C2 \u03B1\u03C0\u03BF\u03C6\u03AC\u03C3\u03B5\u03B9\u03C2."@el . . . . . . . "\u6570\u636E\u6316\u6398\uFF08\u82F1\u8A9E\uFF1Adata mining\uFF09\u662F\u4E00\u4E2A\u8DE8\u5B66\u79D1\u7684\u8BA1\u7B97\u673A\u79D1\u5B66\u5206\u652F \u3002\u5B83\u662F\u7528\u4EBA\u5DE5\u667A\u80FD\u3001\u673A\u5668\u5B66\u4E60\u3001\u7EDF\u8BA1\u5B66\u548C\u6570\u636E\u5E93\u7684\u4EA4\u53C9\u65B9\u6CD5\u5728\u76F8\u5C0D\u8F03\u5927\u578B\u7684\u6570\u636E\u96C6\u4E2D\u53D1\u73B0\u6A21\u5F0F\u7684\u8BA1\u7B97\u8FC7\u7A0B\u3002 \u6570\u636E\u6316\u6398\u8FC7\u7A0B\u7684\u603B\u4F53\u76EE\u6807\u662F\u4ECE\u4E00\u4E2A\u6570\u636E\u96C6\u4E2D\u63D0\u53D6\u4FE1\u606F\uFF0C\u5E76\u5C06\u5176\u8F6C\u6362\u6210\u53EF\u7406\u89E3\u7684\u7ED3\u6784\uFF0C\u4EE5\u8FDB\u4E00\u6B65\u4F7F\u7528\u3002\u9664\u4E86\u539F\u59CB\u5206\u6790\u6B65\u9AA4\uFF0C\u5B83\u8FD8\u6D89\u53CA\u5230\u6570\u636E\u5E93\u548C\u6570\u636E\u7BA1\u7406\u65B9\u9762\u3001\u3001\u6A21\u578B\u4E0E\u63A8\u65AD\u65B9\u9762\u8003\u91CF\u3001\u5174\u8DA3\u5EA6\u5EA6\u91CF\u3001\u590D\u6742\u5EA6\u7684\u8003\u8651\uFF0C\u4EE5\u53CA\u53D1\u73B0\u7ED3\u6784\u3001\u53EF\u89C6\u5316\u53CA\u5728\u7EBF\u66F4\u65B0\u7B49\u540E\u5904\u7406\u3002\u6570\u636E\u6316\u6398\u662F\u201C\u8CC7\u6599\u5EAB\u77E5\u8B58\u767C\u73FE\u201D\uFF08Knowledge-Discovery in Databases, KDD\uFF09\u7684\u5206\u6790\u6B65\u9AA4 \uFF0C\u672C\u8D28\u4E0A\u5C5E\u4E8E\u673A\u5668\u5B66\u4E60\u7684\u8303\u7574\u3002 \u7C7B\u4F3C\u8BCD\u8BED\u201C\u8CC7\u6599\u63A1\u7926\u201D\u3001\u201C\u6570\u636E\u6355\u9C7C\u201D\u548C\u201C\u6570\u636E\u63A2\u6D4B\u201D\u6307\u7528\u6570\u636E\u6316\u6398\u65B9\u6CD5\u6765\u91C7\u6837\uFF08\u53EF\u80FD\uFF09\u8FC7\u5C0F\u4EE5\u81F4\u65E0\u6CD5\u53EF\u9760\u5730\u7EDF\u8BA1\u63A8\u65AD\u51FA\u6240\u53D1\u73B0\u4EFB\u4F55\u6A21\u5F0F\u7684\u6709\u6548\u6027\u7684\u66F4\u5927\u603B\u4F53\u6570\u636E\u96C6\u7684\u90E8\u5206\u3002\u4E0D\u8FC7\u8FD9\u4E9B\u65B9\u6CD5\u53EF\u4EE5\u5EFA\u7ACB\u65B0\u7684\u5047\u8BBE\u6765\u68C0\u9A8C\u66F4\u5927\u6570\u636E\u603B\u4F53\u3002"@zh . . . "Miner\u00EDa de datos"@es . . "Datamining"@nl . "\u062A\u0646\u0642\u064A\u0628 \u0641\u064A \u0627\u0644\u0628\u064A\u0627\u0646\u0627\u062A"@ar . . . . . . . . . . . . . . . . . . . . . . "\uB370\uC774\uD130\uB9C8\uC774\uB2DD(data mining), \uB610\uB294 \uC790\uB8CC\uCC44\uAD74(\u8CC7\u6599\u63A1\u6398)\uC740, \uB300\uADDC\uBAA8\uB85C \uC800\uC7A5\uB41C \uB370\uC774\uD130\uC548\uC5D0\uC11C \uCCB4\uACC4\uC801\uC774\uACE0 \uC790\uB3D9\uC801\uC73C\uB85C \uD1B5\uACC4\uC801\uADDC\uCE59\uC774\uB098 \uC9DC\uC784\uC744 \uBD84\uC11D\uD558\uC5EC, \uAC00\uCE58\uC788\uB294 \uC815\uBCF4\uB97C \uBE7C\uB0B4\uB294 \uACFC\uC815\uC774\uB2E4. \uB2E4\uB978 \uB9D0\uB85C\uB294, KDD(\uB370\uC774\uD130\uBCA0\uC774\uC2A4\uC18D\uC758 \uC54E\uBC1C\uACAC, knowledge-discovery in databases)\uB77C\uACE0\uB3C4 \uC77C\uCEEB\uB294\uB2E4."@ko . . . . "Data mining is the process of extracting and discovering patterns in large data sets involving methods at the intersection of machine learning, statistics, and database systems. Data mining is an interdisciplinary subfield of computer science and statistics with an overall goal of extracting information (with intelligent methods) from a data set and transforming the information into a comprehensible structure for further use. Data mining is the analysis step of the \"knowledge discovery in databases\" process, or KDD. Aside from the raw analysis step, it also involves database and data management aspects, data pre-processing, model and inference considerations, interestingness metrics, complexity considerations, post-processing of discovered structures, visualization, and online updating. The term \"data mining\" is a misnomer because the goal is the extraction of patterns and knowledge from large amounts of data, not the extraction (mining) of data itself. It also is a buzzword and is frequently applied to any form of large-scale data or information processing (collection, extraction, warehousing, analysis, and statistics) as well as any application of computer decision support system, including artificial intelligence (e.g., machine learning) and business intelligence. The book Data mining: Practical machine learning tools and techniques with Java (which covers mostly machine learning material) was originally to be named Practical machine learning, and the term data mining was only added for marketing reasons. Often the more general terms (large scale) data analysis and analytics\u2014or, when referring to actual methods, artificial intelligence and machine learning\u2014are more appropriate. The actual data mining task is the semi-automatic or automatic analysis of large quantities of data to extract previously unknown, interesting patterns such as groups of data records (cluster analysis), unusual records (anomaly detection), and dependencies (association rule mining, sequential pattern mining). This usually involves using database techniques such as spatial indices. These patterns can then be seen as a kind of summary of the input data, and may be used in further analysis or, for example, in machine learning and predictive analytics. For example, the data mining step might identify multiple groups in the data, which can then be used to obtain more accurate prediction results by a decision support system. Neither the data collection, data preparation, nor result interpretation and reporting is part of the data mining step, although they do belong to the overall KDD process as additional steps. The difference between data analysis and data mining is that data analysis is used to test models and hypotheses on the dataset, e.g., analyzing the effectiveness of a marketing campaign, regardless of the amount of data. In contrast, data mining uses machine learning and statistical models to uncover clandestine or hidden patterns in a large volume of data. The related terms data dredging, data fishing, and data snooping refer to the use of data mining methods to sample parts of a larger population data set that are (or may be) too small for reliable statistical inferences to be made about the validity of any patterns discovered. These methods can, however, be used in creating new hypotheses to test against the larger data populations."@en . . . . . . "Databrytning, informationsutvinning eller datautvinning, av engelskans data mining, betecknar verktyg f\u00F6r att s\u00F6ka efter m\u00F6nster, samband och trender i stora datam\u00E4ngder. Verktygen anv\u00E4nder ber\u00E4kningsmetoder f\u00F6r multivariat statistisk analys kombinerat med ber\u00E4kningseffektiva algoritmer f\u00F6r maskininl\u00E4rning och m\u00F6nsterigenk\u00E4nning h\u00E4mtade fr\u00E5n artificiell intelligens."@sv . . . . . . . . . . . . . . . . . . . . . . . . . . . "Datamining (gegevensdelving, datadelving) is het gericht zoeken naar (statistische) verbanden tussen verschillende gegevensverzamelingen met als doel profielen op te stellen voor wetenschappelijk, journalistiek of commercieel gebruik. Zo'n verzameling gegevens kan gevormd worden door gebeurtenissen in een praktijksituatie te registreren (aankoopgedrag van consumenten, symptomen bij pati\u00EBnten, et cetera) of door de resultaten van eerder uitgevoerde wetenschappelijke onderzoeken met elkaar te vergelijken en te herinterpreteren. De naam komt voort uit de overeenkomsten tussen het zoeken naar statistische verbanden en het graven (mining) naar iets waardevols in een grote berg gegevens (big data). Datamining helpt bedrijven en wetenschappers de essenti\u00EBle informatie te selecteren. Er kan een model mee gecre\u00EBerd worden dat het gedrag van mensen of systemen kan voorspellen."@nl . . . . . "Data mining"@cs . . . "42253"^^ . . . "Data mining is the process of extracting and discovering patterns in large data sets involving methods at the intersection of machine learning, statistics, and database systems. Data mining is an interdisciplinary subfield of computer science and statistics with an overall goal of extracting information (with intelligent methods) from a data set and transforming the information into a comprehensible structure for further use. Data mining is the analysis step of the \"knowledge discovery in databases\" process, or KDD. Aside from the raw analysis step, it also involves database and data management aspects, data pre-processing, model and inference considerations, interestingness metrics, complexity considerations, post-processing of discovered structures, visualization, and online updating."@en . . "Data mining"@en . . "\uB370\uC774\uD130\uB9C8\uC774\uB2DD(data mining), \uB610\uB294 \uC790\uB8CC\uCC44\uAD74(\u8CC7\u6599\u63A1\u6398)\uC740, \uB300\uADDC\uBAA8\uB85C \uC800\uC7A5\uB41C \uB370\uC774\uD130\uC548\uC5D0\uC11C \uCCB4\uACC4\uC801\uC774\uACE0 \uC790\uB3D9\uC801\uC73C\uB85C \uD1B5\uACC4\uC801\uADDC\uCE59\uC774\uB098 \uC9DC\uC784\uC744 \uBD84\uC11D\uD558\uC5EC, \uAC00\uCE58\uC788\uB294 \uC815\uBCF4\uB97C \uBE7C\uB0B4\uB294 \uACFC\uC815\uC774\uB2E4. \uB2E4\uB978 \uB9D0\uB85C\uB294, KDD(\uB370\uC774\uD130\uBCA0\uC774\uC2A4\uC18D\uC758 \uC54E\uBC1C\uACAC, knowledge-discovery in databases)\uB77C\uACE0\uB3C4 \uC77C\uCEEB\uB294\uB2E4."@ko . . "Penggalian data (bahasa Inggris: data mining) adalah ekstraksi pola yang menarik dari data dalam jumlah besar. Suatu pola dikatakan menarik apabila pola tersebut tidak sepele, implisit, tidak diketahui sebelumnya, dan berguna. Pola yang disajikan haruslah mudah dipahami, berlaku untuk data yang akan diprediksi dengan derajat kepastian tertentu, berguna, dan baru. Penggalian data memiliki beberapa nama alternatif, meskipun definisi eksaknya berbeda, seperti KDD (knowledge discovery in database), analisis pola, arkeologi data, pemanenan informasi, dan intelegensia bisnis. Penggalian data diperlukan saat data yang tersedia terlalu banyak (misalnya data yang diperoleh dari perusahaan, e-commerce, data saham, data sensus dan data bioinformatika), tetapi tidak tahu pola apa yang bisa didapatkan."@in . "\u30C7\u30FC\u30BF\u30DE\u30A4\u30CB\u30F3\u30B0\uFF08\u82F1\u8A9E: data mining\uFF09\u3068\u306F\u3001\u7D71\u8A08\u5B66\u3001\u30D1\u30BF\u30FC\u30F3\u8A8D\u8B58\u3001\u4EBA\u5DE5\u77E5\u80FD\u7B49\u306E\u30C7\u30FC\u30BF\u89E3\u6790\u306E\u6280\u6CD5\u3092\u5927\u91CF\u306E\u30C7\u30FC\u30BF\u306B\u7DB2\u7F85\u7684\u306B\u9069\u7528\u3059\u308B\u3053\u3068\u3067\u77E5\u8B58\u3092\u53D6\u308A\u51FA\u3059\u6280\u8853\u306E\u3053\u3068\u3067\u3042\u308B\u3002DM\u3068\u7565\u3057\u3066\u547C\u3070\u308C\u308B\u4E8B\u3082\u3042\u308B\u3002\u901A\u5E38\u306E\u30C7\u30FC\u30BF\u306E\u6271\u3044\u65B9\u304B\u3089\u306F\u60F3\u50CF\u304C\u53CA\u3073\u306B\u304F\u3044\u3001\u30D2\u30E5\u30FC\u30EA\u30B9\u30C6\u30A3\u30AF\uFF08heuristic\u3001\u767A\u898B\u7684\uFF09\u306A\u77E5\u8B58\u7372\u5F97\u304C\u53EF\u80FD\u3067\u3042\u308B\u3068\u3044\u3046\u671F\u5F85\u3092\u542B\u610F\u3057\u3066\u3044\u308B\u3053\u3068\u304C\u591A\u3044\u3002\u3068\u304F\u306B\u30C6\u30AD\u30B9\u30C8\u3092\u5BFE\u8C61\u3068\u3059\u308B\u3082\u306E\u3092\u30C6\u30AD\u30B9\u30C8\u30DE\u30A4\u30CB\u30F3\u30B0\u3001\u305D\u306E\u306A\u304B\u3067\u3082\u30A6\u30A7\u30D6\u30DA\u30FC\u30B8\u3092\u5BFE\u8C61\u306B\u3057\u305F\u3082\u306E\u3092\u30A6\u30A7\u30D6\u30DE\u30A4\u30CB\u30F3\u30B0\u3068\u547C\u3076\u3002\u82F1\u8A9E\u3067\u306F\"data mining\"\u306E\u8A9E\u306E\u76F4\u63A5\u306E\u8D77\u6E90\u3068\u306A\u3063\u305F\u7814\u7A76\u5206\u91CE\u3067\u3042\u308Bknowledge-discovery in databases\uFF08\u30C7\u30FC\u30BF\u30D9\u30FC\u30B9\u304B\u3089\u306E\u77E5\u8B58\u767A\u898B\uFF09\u306E\u982D\u6587\u5B57\u3092\u3068\u3063\u3066KDD\u3068\u3082\u547C\u3070\u308C\u308B\u3002"@ja . . . "\u6570\u636E\u6316\u6398"@zh . . . . . . . . . "Mineria de dades"@ca . . . . "Penggalian data (bahasa Inggris: data mining) adalah ekstraksi pola yang menarik dari data dalam jumlah besar. Suatu pola dikatakan menarik apabila pola tersebut tidak sepele, implisit, tidak diketahui sebelumnya, dan berguna. Pola yang disajikan haruslah mudah dipahami, berlaku untuk data yang akan diprediksi dengan derajat kepastian tertentu, berguna, dan baru. Penggalian data memiliki beberapa nama alternatif, meskipun definisi eksaknya berbeda, seperti KDD (knowledge discovery in database), analisis pola, arkeologi data, pemanenan informasi, dan intelegensia bisnis. Penggalian data diperlukan saat data yang tersedia terlalu banyak (misalnya data yang diperoleh dari perusahaan, e-commerce, data saham, data sensus dan data bioinformatika), tetapi tidak tahu pola apa yang bisa didapatkan"@in . . . . "La miner\u00EDa de datos o exploraci\u00F3n de datos (es la etapa de an\u00E1lisis de \"knowledge discovery in databases\" o KDD) es un campo de la estad\u00EDstica y las ciencias de la computaci\u00F3n referido al proceso que intenta descubrir patrones en grandes vol\u00FAmenes de conjuntos de datos.\u200B\u200B Utiliza los m\u00E9todos de la inteligencia artificial, aprendizaje autom\u00E1tico, estad\u00EDstica y sistemas de bases de datos. El objetivo general del proceso de miner\u00EDa de datos consiste en extraer informaci\u00F3n de un conjunto de datos y transformarla en una estructura comprensible para su uso posterior. Adem\u00E1s de la etapa de an\u00E1lisis en bruto, supone aspectos de gesti\u00F3n de datos y de bases de datos, de procesamiento de datos, del modelo y de las consideraciones de inferencia, de m\u00E9tricas de intereses, de consideraciones de la teor\u00EDa de la complejidad computacional, de post-procesamiento de las estructuras descubiertas, de la visualizaci\u00F3n y de la actualizaci\u00F3n en l\u00EDnea. El t\u00E9rmino es un concepto de moda, y es frecuentemente mal utilizado para referirse a cualquier forma de datos a gran escala o procesamiento de la informaci\u00F3n (recolecci\u00F3n, extracci\u00F3n, almacenamiento, an\u00E1lisis y estad\u00EDsticas), pero tambi\u00E9n se ha generalizado a cualquier tipo de sistema inform\u00E1tico de apoyo a decisiones, incluyendo la inteligencia artificial, aprendizaje autom\u00E1tico y la inteligencia empresarial. En el uso de la palabra, el t\u00E9rmino clave es el descubrimiento, com\u00FAnmente se define como \"la detecci\u00F3n de algo nuevo\". Incluso el popular libro \"La miner\u00EDa de datos: sistema de pr\u00E1cticas herramientas de aprendizaje y t\u00E9cnicas con Java\" (que cubre todo el material de aprendizaje autom\u00E1tico) originalmente iba a ser llamado simplemente \"la m\u00E1quina de aprendizaje pr\u00E1ctico\", y el t\u00E9rmino \"miner\u00EDa de datos\" se a\u00F1adi\u00F3 por razones de marketing. A menudo, los t\u00E9rminos m\u00E1s generales \"(gran escala) el an\u00E1lisis de datos\", o \"an\u00E1lisis\". O cuando se refieren a los m\u00E9todos actuales, la inteligencia artificial y aprendizaje autom\u00E1tico, son m\u00E1s apropiados. La tarea de miner\u00EDa de datos real es el an\u00E1lisis autom\u00E1tico o semi-autom\u00E1tico de grandes cantidades de datos para extraer patrones interesantes hasta ahora desconocidos, como los grupos de registros de datos (an\u00E1lisis cl\u00FAster), registros poco usuales (la detecci\u00F3n de anomal\u00EDas) y dependencias (miner\u00EDa por reglas de asociaci\u00F3n). Esto generalmente implica el uso de t\u00E9cnicas de bases de datos como los \u00EDndices espaciales. Estos patrones pueden entonces ser vistos como una especie de resumen de los datos de entrada, y pueden ser utilizados en el an\u00E1lisis adicional o, por ejemplo, en el aprendizaje autom\u00E1tico y an\u00E1lisis predictivo. Por ejemplo, el paso de miner\u00EDa de datos podr\u00EDa identificar varios grupos en los datos, que luego pueden ser utilizados para obtener resultados m\u00E1s precisos de predicci\u00F3n por un sistema de soporte de decisiones. Ni la recolecci\u00F3n de datos, la preparaci\u00F3n de datos, ni la interpretaci\u00F3n de los resultados y la informaci\u00F3n son parte de la etapa de miner\u00EDa de datos, pero que pertenecen a todo el proceso KDD como pasos adicionales.\u200B Los t\u00E9rminos relacionados con la obtenci\u00F3n de datos, la pesca de datos y espionaje de los datos se refieren a la utilizaci\u00F3n de m\u00E9todos de miner\u00EDa de datos a las partes de la muestra de un conjunto de datos de poblaci\u00F3n m\u00E1s grandes establecidas que son (o pueden ser) demasiado peque\u00F1as para las inferencias estad\u00EDsticas fiables que se hizo acerca de la validez de cualquier patr\u00F3n descubierto. Estos m\u00E9todos pueden, sin embargo, ser utilizados en la creaci\u00F3n de nuevas hip\u00F3tesis que se prueban contra poblaciones de datos m\u00E1s grandes."@es . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . "La miner\u00EDa de datos o exploraci\u00F3n de datos (es la etapa de an\u00E1lisis de \"knowledge discovery in databases\" o KDD) es un campo de la estad\u00EDstica y las ciencias de la computaci\u00F3n referido al proceso que intenta descubrir patrones en grandes vol\u00FAmenes de conjuntos de datos.\u200B\u200B Utiliza los m\u00E9todos de la inteligencia artificial, aprendizaje autom\u00E1tico, estad\u00EDstica y sistemas de bases de datos. El objetivo general del proceso de miner\u00EDa de datos consiste en extraer informaci\u00F3n de un conjunto de datos y transformarla en una estructura comprensible para su uso posterior. Adem\u00E1s de la etapa de an\u00E1lisis en bruto, supone aspectos de gesti\u00F3n de datos y de bases de datos, de procesamiento de datos, del modelo y de las consideraciones de inferencia, de m\u00E9tricas de intereses, de consideraciones de la teor\u00ED"@es . . . . . "L\u2019exploration de donn\u00E9es, connue aussi sous l'expression de fouille de donn\u00E9es, forage de donn\u00E9es, prospection de donn\u00E9es, data mining, ou encore extraction de connaissances \u00E0 partir de donn\u00E9es, a pour objet l\u2019extraction d'un savoir ou d'une connaissance \u00E0 partir de grandes quantit\u00E9s de donn\u00E9es, par des m\u00E9thodes automatiques ou semi-automatiques. Elle se propose d'utiliser un ensemble d'algorithmes issus de disciplines scientifiques diverses telles que les statistiques, l'intelligence artificielle ou l'informatique, pour construire des mod\u00E8les \u00E0 partir des donn\u00E9es, c'est-\u00E0-dire trouver des structures int\u00E9ressantes ou des motifs selon des crit\u00E8res fix\u00E9s au pr\u00E9alable, et d'en extraire un maximum de connaissances. L'utilisation industrielle ou op\u00E9rationnelle de ce savoir dans le monde professionnel permet de r\u00E9soudre des probl\u00E8mes tr\u00E8s divers, allant de la gestion de la relation client \u00E0 la maintenance pr\u00E9ventive, en passant par la d\u00E9tection de fraudes ou encore l'optimisation de sites web. C'est aussi le mode de travail du journalisme de donn\u00E9es. L'exploration de donn\u00E9es fait suite, dans l'escalade de l'exploitation des donn\u00E9es de l'entreprise, \u00E0 l'informatique d\u00E9cisionnelle. Celle-ci permet de constater un fait, tel que le chiffre d'affaires, et de l'expliquer comme le chiffre d'affaires d\u00E9clin\u00E9 par produits, tandis que l'exploration de donn\u00E9es permet de classer les faits et de les pr\u00E9voir dans une certaine mesure ou encore de les \u00E9clairer en r\u00E9v\u00E9lant par exemple les variables ou param\u00E8tres qui pourraient faire comprendre pourquoi le chiffre d'affaires de tel point de vente est sup\u00E9rieur \u00E0 celui de tel autre."@fr . . . . . . . .