İçeriğe geç
parazade
Yapay Zeka

Veri Madenciliği Nedir?

İngilizce: Data Mining

Yayın: · Son güncelleme:

Veri Madenciliği Nedir? Kısaca

Veri madenciliği, büyük veri kümelerinde önceden bilinmeyen örüntüleri, ilişkileri ve eğilimleri istatistik ve makine öğrenmesi yöntemleriyle ortaya çıkarma sürecidir. Sınıflandırma, kümeleme, birliktelik kuralları ve anomali tespiti başlıca teknikleridir.

Veri Madenciliği nedir?
İçindekiler
  1. Veri madenciliği nedir?
  2. Veri madenciliği ne demek, hangi yöntemleri kullanır?
  3. Örnek
  4. Nelere dikkat etmeli?

Veri madenciliği, adından da anlaşılacağı gibi, büyük miktardaki veriyi "kazarak" değerli bilgi çıkarma işidir. Burada aranan şey veri değil, verinin içinde gizli olan örüntülerdir.

Veri madenciliği nedir?

Bir market zincirinin milyonlarca satış fişi, bir bankanın işlem kayıtları ya da bir sitenin tıklama verileri, insan gözüyle incelenemeyecek kadar büyüktür. Veri madenciliği bu kayıtlarda tekrarlayan örüntüleri, beklenmedik ilişkileri ve sıra dışı durumları otomatik yöntemlerle bulur.

Akademik literatürde veri madenciliği, daha geniş bir süreç olan "veritabanlarında bilgi keşfi"nin (KDD) analiz adımı olarak da tanımlanır.

Veri madenciliği ne demek, hangi yöntemleri kullanır?

  • Sınıflandırma: Kayıtları önceden tanımlı gruplara ayırma (ör. riskli / risksiz başvuru).
  • Kümeleme: Benzer kayıtları etiket olmadan gruplama (ör. müşteri segmentleri).
  • Birliktelik kuralları: Birlikte görülen öğeleri bulma (ör. "A ürününü alanlar çoğunlukla B'yi de alır").
  • Regresyon: Sayısal bir değeri tahmin etme.
  • Anomali tespiti: Genel örüntüden sapan kayıtları yakalama (ör. şüpheli işlemler).

Örnek

Varsayımsal bir market, fiş verilerinde ekmek alan müşterilerin önemli bir kısmının aynı alışverişte süt de aldığını fark edebilir. Bu bilgi raf düzeninde ya da kampanya planlamasında kullanılabilir. Bu tür analize pazar sepeti analizi denir.

Nelere dikkat etmeli?

  • Bulunan her örüntü anlamlı değildir; çok sayıda ilişki tarandığında bazıları tesadüfen ortaya çıkar.
  • Korelasyon, nedensellik göstermez.
  • Kişisel verilerin işlenmesi gizlilik ve mevzuat açısından dikkat gerektirir; verinin hangi amaçla toplandığı ve nasıl kullanılacağı şeffaf olmalıdır.

Sıkça Sorulan Sorular

Veri madenciliği ile makine öğrenmesi arasındaki fark nedir?

Makine öğrenmesi, veriden öğrenen algoritmalar geliştirmeye odaklanan bir yöntemler bütünüdür. Veri madenciliği ise bu algoritmaları da kullanarak büyük veride örüntü keşfetmeyi amaçlayan uygulamaya dönük bir süreçtir.

Veri madenciliği hangi alanlarda kullanılır?

Perakendede sepet analizi, bankacılıkta dolandırıcılık tespiti, sağlıkta risk gruplarının belirlenmesi ve pazarlamada müşteri segmentasyonu yaygın örneklerdir. Üretimde arıza öncesi belirtilerin tespiti de bu alana girer.

İlgili terimler

Metin Madenciliği(Text Mining)Metin madenciliği, e-posta, yorum, rapor ve haber gibi yapılandırılmamış metin verilerinden doğal dil işleme ve istatistik yöntemleriyle anlamlı bilgi, örüntü ve eğilim çıkarma sürecidir.Birliktelik Kuralı(Association Rule Learning)Birliktelik kuralı öğrenmesi, büyük veri setlerinde birlikte sık görülen öğeleri bulup bunları 'A varsa B de olma eğilimindedir' biçiminde kurallar olarak ifade eden ve destek, güven ve lift gibi ölçülerle değerlendiren bir veri madenciliği yöntemidir.Kümeleme(Clustering)Kümeleme (clustering), önceden etiketlenmemiş verileri ortak özelliklerine göre birbirine benzeyen gruplara (kümelere) ayıran bir denetimsiz öğrenme yöntemidir. Müşteri segmentasyonu ve anormallik tespiti tipik kullanım alanlarıdır.Büyük Veri(Big Data)Büyük veri (big data), geleneksel veritabanı ve analiz araçlarıyla makul sürede saklanamayacak ya da işlenemeyecek kadar büyük, hızlı üretilen ve çeşitli biçimlerdeki veri kümelerini ifade eder. Genellikle hacim, hız ve çeşitlilik özellikleriyle tanımlanır.Sınıflandırma(Classification)Sınıflandırma (classification), bir makine öğrenmesi modelinin her girdiyi önceden tanımlanmış kategorilerden (sınıflardan) birine ya da birkaçına atadığı denetimli öğrenme görevidir. Spam filtresi ve dolandırıcılık tespiti tipik örneklerdir.Anomali Tespiti(Anomaly Detection)Anomali tespiti, bir veri setinde ya da veri akışında genel örüntüden belirgin biçimde sapan, olağan dışı gözlemleri veya davranışları otomatik olarak belirleme işlemidir; dolandırıcılık, siber saldırı ve arıza tespitinde kullanılır.Pazar Sepeti Analizi(Market Basket Analysis)Pazar sepeti analizi, müşterilerin aynı alışverişte hangi ürünleri birlikte satın alma eğiliminde olduğunu satış verilerinden bulan ve birliktelik kuralı yöntemlerine dayanan bir veri madenciliği uygulamasıdır.