|
데이터마이닝의 기법
1. 연관성측정(ASSOCIATIONS)
2. 순차적 패턴발견(SEQUENCES)
3. 클러스터링(CLUSTERING)
4. 의사결정수(Decision Trees)
5. 신경망모형(Neural Networks)
Ⅵ. 데이터마이닝의 기술 활용
1. 비즈니스 데이터마이닝(Business Data mining)
2. 웹
|
|
|
신경망이 가지는 적용상의 문제점 어느 정도 보완 가능.
데이터마이닝에서의 신경망모형
(1) 신경망에 적합한 모형
성향분석 (discrete behaviors)
… 응답자 ↔ 무응답자
… 구매자 ↔ 비구매자
… 일회성 고객 ↔ 지속적인 고객
… 대량구매고객
|
|
|
데이터마이닝의 기법
1. 연관성측정(ASSOCIATIONS)
2. 순차적 패턴발견(SEQUENCES)
3. 클러스터링(CLUSTERING)
4. 의사결정수(Decision Trees)
5. 신경망모형(Neural Networks)
Ⅵ. 데이터마이닝의 기술 활용
1. 비즈니스 데이터마이닝(Business Data mining)
2. 웹
|
|
|
통해 얻을 수 있는 효과 (다양한 성공사례)
Ⅱ. ERP(전사적 자원관리) 도입의 성공요인과 실패요인 (다양한 기업의 ERP 성공사례)
Ⅲ. 데이터마이닝 기법 (5가지)
1. 연관규칙
2. 순차패턴
3. 클러스터링
4. 의사결정나무
5. 신경망모형
|
|
|
마이닝에 쓰이는 분석기법들을 주로 사용
3. 데이터마이닝 작업유형 및 활용
작업유형
분석기법
분류규칙
판별분석
의사결정나무
신경망
예측
회귀, 시계열분석
동시발생 매트릭스
의사결정나무
신경망
연관규칙
장바구니분석
연결분석
동
|
|
 |
데이터마이닝.
1. 데이터마이닝의 개념과 특징
2. 데이터마이닝 프로세스
3. 연관규칙분석
4. 로지스틱 회귀분석(logistic regression)
9강 CRM을 위한 데이터마이닝2
1. 군집분석
2. 의사결정나무
3. 인공신경망
4. 모형의 평가
10강. CRM전략
|
|
|
데이터마이닝을 이용한 고객세분화 7
1. 데이터마이닝의 개요 7
2. 연구방법 9
(1) 자료의 구성 10
(2) 실험데이터의 기초 분석 10
3. 변수선정 11
(1) 성별과 연 구매회수와의 독립성 검정 12
(2) 입력변수 특성 13
4. 신경망 모형의 구성 17
5. 실
|
|
|
기법이 강조되면서 고객중심주의가 진화한 것이다. 처음에는 고객만족이더니 이제는 너나할 것 없이 고객감동을 표방한다. 지식경영이니 감성경영이니 하는 것들도 그 앞에 고객중심이라는 수식어가 붙는다. 고객중심의 지식경영이나 고객
|
|
|
데이터마이닝 기법 연구, 김종민, 최경호, 이동휘, 정보·보안논문지 제12권 제2호 (2012년 5월) pp.61-70 1598-7329
특수기술 샘플 군집화를 이용한 개선된 아다부스트 알고리즘, 백열민, 김중근, 김회율, 한국방송공학회지 제18권 제4호 통권 제73호 (20
|
|
|
data analysis for the survey was carried out through mean, standard deviation, oneway ANOVA and scheff. More specifically, it investigated (1) What kinds of life events are the most stressful ones to ; (2) Do these differ according to grade level. The results are as follows. First, study and career
|
|
 |
모형을 구축했습니다. 그 결과 예측모형의 정확도를 80.7%, 83.61%의 높은 performance를 도출할 수 있었습니다.이러한 경험을 바탕으로 SKT의 data hub등과 같은 페이지에 데이터를 확보하는데 이바지할 수 있는 데이터 수집 업무를 진행하고 싶습니다
|
|
 |
고 활용하는 방법을 익힐 수 있었습니다.
대학원 과정에서는 기계학습과 데이터마이닝 기법을 활용한 사회적 문제 해결 연구를 수행하고자 합니다. 특히, 다음과 같은 연구 주제에 집중하고자 합니다.
- 사회적 문제 해결을 위한 데이터 분석:
|
|
 |
data 간의 연관분석 결과를 보고서로 작성하여 제출하였습니다. 이 자료는 TM영업부 부장님께 전해졌고, 이 자료를 바탕으로 기존 DB의 활용 다각화에 대한 회의가 진행되었습니다.
통계학도로서 실무에서 데이터마이닝 기법을 활용하고 그 결
|
|
 |
데이터의 비율이 매우 낮다는 특성을 파악해 문제를 ‘High Imbalanced Data 처리’, ‘오버피팅 해결 ’로 단순화할 수 있었습니다. 이상치 데이터의 영향을 줄이기 위해 현업에서 사용하는 Grading 등 기법을 공부해 소수의 문제가 되는 파라미터만
|
|
 |
데이터베이스에 저장되어 처리될 수 있어야 한다.
셋째로는, 수많은 고객의 거래정보를 저장, 처리, 분석할 수 있는 데이터 웨
어하우스, 데이터 마이닝의 데이터 처리 관련 기술들이 필요하다. 다양한 통
계적 분석 기법, 분석 모델 등을 통한
|
|
메뉴펼치기
