Knowledge extraction is the creation of knowledge from structured (relational databases, XML) and unstructured (text, documents, images) sources. The resulting knowledge needs to be in a machine-readable and machine-interpretable format and must represent knowledge in a manner that facilitates inferencing. Although it is methodically similar to information extraction (NLP) and ETL (data warehouse), the main criteria is that the extraction result goes beyond the creation of structured information or the transformation into a relational schema. It requires either the reuse of existing formal knowledge (reusing identifiers or ontologies) or the generation of a schema based on the source data.

Property Value
dbo:abstract
  • استخراج المعرفة هو إنشاء المعرفة من مصادر ( قواعد البيانات العلائقية ، XML ) ومصادر ( نص ، وثائق ، صور ) غير منظمة. يجب أن تكون المعرفة الناتجة بتنسيق يمكن قراءته آليًا وتفسيره آليًا ويجب أن تمثل المعرفة بطريقة تسهل الاستنتاج. على الرغم من أنها تشبه بشكل منهجي استخراج المعلومات ( NLP ) و ETL (مستودع البيانات) ، إلا أن المعيار الرئيسي هو أن نتيجة الاستخراج تتجاوز إنشاء المعلومات المهيكلة أو التحول إلى مخطط علائقي . يتطلب إما إعادة استخدام المعرفة الرسمية الحالية (إعادة استخدام المعرفات أو الأنطولوجيات ) أو إنشاء مخطط بناءً على البيانات المصدر. ويمكن لكل شخص استخراج البيانات ومعرفة قيمتها من خلال دراسة المحتوى العميق. تقوم مجموعة RDB2RDF W3C حاليًا بتوحيد لغة لاستخراج أطر وصف الموارد (RDF) من قواعد البيانات العلائقية . مثال شائع آخر لاستخراج المعرفة هو تحويل ويكيبيديا إلى بيانات منظمة وأيضًا رسم الخرائط للمعرفة الحالية (انظر DBpedia و Freebase ). (ar)
  • Dobývání znalostí z databází (KDD, Knowledge Discovery in Databases). Tento pojem definovat Usama Fayyad jako proces netriviálního objevování implicitních, dopředu neznámých a potenciálně použitelných znalostí v datech. Podle této definice se někteří jedinci mohou mylně domnívat, že KDD je synonymum pro Data mining ovšem není tomu tak. Data mining je pouze jedním krokem z celkového procesu dobývání znalostí z databází. (cs)
  • Knowledge Discovery in Databases (KDD), auf Deutsch Wissensentdeckung in Datenbanken, ergänzt das oft synonym gebrauchte Data-Mining um vorbereitende Untersuchungen und . Ziel des KDD ist die Erkennung bislang unbekannter fachlicher Zusammenhänge aus vorhandenen, meist großen Datenbeständen. In Abgrenzung zum Data-Mining umfasst KDD als Gesamtprozess auch die Vorbereitung der Daten sowie die Bewertung der Resultate. Der Begriff KDD wurde in wissenschaftlichen Kreisen von geprägt, während in der Praxis der Begriff Data-Mining geläufiger ist, der in der Statistik jedoch traditionell negativ besetzt ist. Die Teilschritte des KDD-Prozesses sind: 1. * Bereitstellung von Hintergrundwissen für den jeweiligen Fachbereich 2. * Definition der Ziele der Wissensfindung 3. * Datenauswahl 4. * Datenbereinigung 5. * Datenreduktion (z. B. durch Transformationen) 6. * Auswahl eines Modells, in dem das gefundene Wissen repräsentiert werden soll 7. * Data-Mining, die eigentliche Datenanalyse 8. * Interpretation der gewonnenen Erkenntnisse Üblicherweise werden diese Schritte mehrfach durchlaufen. Ein verbreitetes Vorgehensmodell ist der Cross-Industry Standard Process for Data-Mining (CRISP-DM). (de)
  • L'extraction de connaissances est le processus de création de connaissances à partir d'informations structurées (bases de données relationnelles, XML) ou non structurées (textes, documents, images). Le résultat doit être dans un format lisible par les ordinateurs. Le groupe RDB2RDF W3C est en cours de standardisation d'un langage d'extraction de connaissances au format RDF à partir de bases de données. En français on parle d'« extraction de connaissances à partir des données » (ECD). (fr)
  • 지식 추출은 구조화된 자료에서 지식을 생성하는 것을 의미한다. (ko)
  • Knowledge extraction is the creation of knowledge from structured (relational databases, XML) and unstructured (text, documents, images) sources. The resulting knowledge needs to be in a machine-readable and machine-interpretable format and must represent knowledge in a manner that facilitates inferencing. Although it is methodically similar to information extraction (NLP) and ETL (data warehouse), the main criteria is that the extraction result goes beyond the creation of structured information or the transformation into a relational schema. It requires either the reuse of existing formal knowledge (reusing identifiers or ontologies) or the generation of a schema based on the source data. The RDB2RDF W3C group is currently standardizing a language for extraction of resource description frameworks (RDF) from relational databases. Another popular example for knowledge extraction is the transformation of Wikipedia into structured data and also the mapping to existing knowledge (see DBpedia and Freebase). (en)
  • Extração de conhecimento (também conhecido como processo KDD, do inglês knowledge-discovery in databases) é um processo de extração de informações de base de dados, que cria relações de interesse que não são observadas pelo especialista no assunto, bem como auxilia a validação de conhecimento extraído. O crescimento rápido do volume das bases de dados em tamanho e dimensionalidade criou a necessidade e a oportunidade para extrair conhecimento destas. Neste contexto, surge no final da década de 1980, um novo ramo da computação, a extração de conhecimento, com o objetivo principal de encontrar uma maneira automatizada de explorar essas bases de dados e reconhecer os padrões existentes através da modelagem de fenômenos do mundo real. A extração de conhecimento refere-se às etapas que produzem conhecimentos a partir de dados relacionados, e sua principal característica é a extração não-trivial de informações implicitamente contidas em uma base de dados. Essas informações são de difícil detecção por métodos tradicionais de análise e devem ser potencialmente úteis para tomada de decisão. Enquanto os métodos tradicionais são capazes de tratar apenas as informações explícitas, a extração de conhecimento é capaz de detectar informações implícitas armazenadas nos bancos de dados. O processo é iterativo e, embora apresente uma definição semelhante também ao mineração de dados, deve ser composto de uma série de etapas seqüenciais, podendo haver retorno a etapas anteriores, isto é, as descobertas realizadas (ou a falta delas). Eventualmente, este processo conduz a novas hipóteses e descobertas. Neste caso, o usuário pode decidir pela retomada dos processos de mineração, ou uma nova seleção de atributos, por exemplo, para validar as hipóteses que surgiram ao longo do processo. O produto esperado da extração de conhecimento é uma informação relevante para ser utilizada pelos tomadores de decisão. Alguns autores, porém, defendem o ponto de vista de que o conhecimento descoberto não precisa necessariamente ser incorporado a um sistema de apoio à decisão (SAD). O campo de estudo é de interesse comum a diversas áreas, e as primeiras contribuições científicas e técnicas foram apresentadas por pesquisadores de áreas como: aprendizado de máquinas; banco de dados inteligente; computação de alto desempenho; estatística; inteligência artificial; visualização de dados; reconhecimento de padrões e sistemas especialistas. Foram desenvolvidas aplicações também para astronomia, biologia, seguros, marketing, medicina, entre outros. (pt)
  • Выделение знаний (англ. Knowledge extraction) — это создание знаний из структурированных (реляционных баз данных, XML) и неструктурированных источников (тексты, документы, изображения). Полученное знание должно иметь формат, позволяющий компьютерный ввод, и должно представлять знания так, чтобы облегчить логические выводы. Хотя по методике процесс подобен извлечению информации (обработке естественного языка, англ. Natural language processing, NLP) и процессу «Извлечения, Преобразования, Загрузки» (англ. Extract, Transform, Load, ETL, для хранилищ данных), главный критерий результата — создание структурированной информации или преобразование в реляционную схему. Это требует либо преобразования существующего формального знания (повторного использования идентификаторов или онтологий), либо генерацией схемы, основанной на исходных данных. Группа RDB2RDF W3C занимается стандартизацией языка для извлечения среды описания ресурса (англ. resource description frameworks, RDF) из реляционной базы данных. Другой популярный пример извлечения знаний — преобразование Википедии в структурированные данные и отображение в существующее знание (см. DBpedia и Freebase). (ru)
  • Видобуток знань є створення знань зі структурованих (реляційних баз даних, XML) і неструктурованих (тексти, документи, зображення) джерел. Отримане знання повинно бути збережене у форматі придатному для автоматичного читання та інтерпретації, також знання повинні бути представлені таким чином, щоб полегшити логічний висновок. Попри те, що це методично схоже на видобуток інформації (NLP) і ETL (зберігання даних), основними критеріями є те, що результат видобутку виходить за рамки створення структурованої інформації або перетворення її в реляційну схему. Це вимагає або повторного використання наявних формальних знань (повторне використання ідентифікаторів або онтологій) або генерацію схеми на основі вихідних даних. Група RDB2RDF W3C в даний час стандартизує мову для видобутку RDF (англ. Resource Description Framework) з реляційних баз даних. Ще одним популярним прикладом видобутку знань є перетворення Вікіпедії в структуровані данні, а також відображення до наявних знань (див. DBpedia і Freebase). (uk)
dbo:wikiPageExternalLink
dbo:wikiPageID
  • 31002435 (xsd:integer)
dbo:wikiPageLength
  • 53767 (xsd:integer)
dbo:wikiPageRevisionID
  • 980025450 (xsd:integer)
dbo:wikiPageWikiLink
dbp:bot
  • InternetArchiveBot (en)
dbp:date
  • February 2020 (en)
dbp:fixAttempted
  • yes (en)
dbp:wikiPageUsesTemplate
dct:subject
rdf:type
rdfs:comment
  • Dobývání znalostí z databází (KDD, Knowledge Discovery in Databases). Tento pojem definovat Usama Fayyad jako proces netriviálního objevování implicitních, dopředu neznámých a potenciálně použitelných znalostí v datech. Podle této definice se někteří jedinci mohou mylně domnívat, že KDD je synonymum pro Data mining ovšem není tomu tak. Data mining je pouze jedním krokem z celkového procesu dobývání znalostí z databází. (cs)
  • L'extraction de connaissances est le processus de création de connaissances à partir d'informations structurées (bases de données relationnelles, XML) ou non structurées (textes, documents, images). Le résultat doit être dans un format lisible par les ordinateurs. Le groupe RDB2RDF W3C est en cours de standardisation d'un langage d'extraction de connaissances au format RDF à partir de bases de données. En français on parle d'« extraction de connaissances à partir des données » (ECD). (fr)
  • 지식 추출은 구조화된 자료에서 지식을 생성하는 것을 의미한다. (ko)
  • استخراج المعرفة هو إنشاء المعرفة من مصادر ( قواعد البيانات العلائقية ، XML ) ومصادر ( نص ، وثائق ، صور ) غير منظمة. يجب أن تكون المعرفة الناتجة بتنسيق يمكن قراءته آليًا وتفسيره آليًا ويجب أن تمثل المعرفة بطريقة تسهل الاستنتاج. على الرغم من أنها تشبه بشكل منهجي استخراج المعلومات ( NLP ) و ETL (مستودع البيانات) ، إلا أن المعيار الرئيسي هو أن نتيجة الاستخراج تتجاوز إنشاء المعلومات المهيكلة أو التحول إلى مخطط علائقي . يتطلب إما إعادة استخدام المعرفة الرسمية الحالية (إعادة استخدام المعرفات أو الأنطولوجيات ) أو إنشاء مخطط بناءً على البيانات المصدر. ويمكن لكل شخص استخراج البيانات ومعرفة قيمتها من خلال دراسة المحتوى العميق. (ar)
  • Knowledge Discovery in Databases (KDD), auf Deutsch Wissensentdeckung in Datenbanken, ergänzt das oft synonym gebrauchte Data-Mining um vorbereitende Untersuchungen und . Ziel des KDD ist die Erkennung bislang unbekannter fachlicher Zusammenhänge aus vorhandenen, meist großen Datenbeständen. In Abgrenzung zum Data-Mining umfasst KDD als Gesamtprozess auch die Vorbereitung der Daten sowie die Bewertung der Resultate. Die Teilschritte des KDD-Prozesses sind: (de)
  • Knowledge extraction is the creation of knowledge from structured (relational databases, XML) and unstructured (text, documents, images) sources. The resulting knowledge needs to be in a machine-readable and machine-interpretable format and must represent knowledge in a manner that facilitates inferencing. Although it is methodically similar to information extraction (NLP) and ETL (data warehouse), the main criteria is that the extraction result goes beyond the creation of structured information or the transformation into a relational schema. It requires either the reuse of existing formal knowledge (reusing identifiers or ontologies) or the generation of a schema based on the source data. (en)
  • Выделение знаний (англ. Knowledge extraction) — это создание знаний из структурированных (реляционных баз данных, XML) и неструктурированных источников (тексты, документы, изображения). Полученное знание должно иметь формат, позволяющий компьютерный ввод, и должно представлять знания так, чтобы облегчить логические выводы. Хотя по методике процесс подобен извлечению информации (обработке естественного языка, англ. Natural language processing, NLP) и процессу «Извлечения, Преобразования, Загрузки» (англ. Extract, Transform, Load, ETL, для хранилищ данных), главный критерий результата — создание структурированной информации или преобразование в реляционную схему. Это требует либо преобразования существующего формального знания (повторного использования идентификаторов или онтологий), либо ге (ru)
  • Extração de conhecimento (também conhecido como processo KDD, do inglês knowledge-discovery in databases) é um processo de extração de informações de base de dados, que cria relações de interesse que não são observadas pelo especialista no assunto, bem como auxilia a validação de conhecimento extraído. O produto esperado da extração de conhecimento é uma informação relevante para ser utilizada pelos tomadores de decisão. Alguns autores, porém, defendem o ponto de vista de que o conhecimento descoberto não precisa necessariamente ser incorporado a um sistema de apoio à decisão (SAD). (pt)
  • Видобуток знань є створення знань зі структурованих (реляційних баз даних, XML) і неструктурованих (тексти, документи, зображення) джерел. Отримане знання повинно бути збережене у форматі придатному для автоматичного читання та інтерпретації, також знання повинні бути представлені таким чином, щоб полегшити логічний висновок. Попри те, що це методично схоже на видобуток інформації (NLP) і ETL (зберігання даних), основними критеріями є те, що результат видобутку виходить за рамки створення структурованої інформації або перетворення її в реляційну схему. Це вимагає або повторного використання наявних формальних знань (повторне використання ідентифікаторів або онтологій) або генерацію схеми на основі вихідних даних. (uk)
rdfs:label
  • استخراج المعرفة (ar)
  • Dobývání znalostí z databází (cs)
  • Knowledge Discovery in Databases (de)
  • Knowledge extraction (en)
  • Extraction de connaissances (fr)
  • 지식 추출 (ko)
  • Extração de conhecimento (pt)
  • Выделение знаний (ru)
  • Видобуток знань (uk)
owl:sameAs
prov:wasDerivedFrom
foaf:isPrimaryTopicOf
is dbo:product of
is dbo:wikiPageDisambiguates of
is dbo:wikiPageRedirects of
is dbo:wikiPageWikiLink of
is foaf:primaryTopic of