KDD প্রক্রিয়া (Knowledge Discovery in Databases)
KDD বা Knowledge Discovery in Databases হলো ডেটায় জ্ঞান আবিষ্কারের বিস্তৃত প্রক্রিয়া। এটি নির্দিষ্ট ডেটা মাইনিং কৌশলগুলির উচ্চ-স্তरीয় অ্যাপ্লিকেশনের ওপর জোর দেয়। এটি কৃত্রিম বুদ্ধিমত্তা, মেশিন লার্নিং, প্যাটার্ন রিকগনিশন, ডেটাবেস, পরিসংখ্যান, পেশাদার সিস্টেমের জন্য জ্ঞান অধিগ্রহণ এবং ডেটা ভিজ্যুয়ালাইজেশন শৃঙ্খলার গবেষকদের জন্য আকর্ষণীয় বিষয়।
জ্ঞান আবিষ্কার প্রক্রিয়া পুনরাবৃত্তিমূলক এবং ইন্টারেক্টিভ, যাতে নয়টি ধাপ থাকে। প্রতিটি পর্যায়ে এটি পুনরাবৃত্তিমূলক, যার মানে হলো পূর্বের ধাপে ফিরে যাওয়া প্রয়োজন হতে পারে। এই প্রক্রিয়ার অনেক সৃজনশীল পদ্ধতি রয়েছে কারণ প্রতিটি ধাপ ও অ্যাপ্লিকেশন টাইপের জন্য সঠিক সিদ্ধান্তের জন্য কোনো একক সূত্র বা সম্পূর্ণ বৈজ্ঞানিক শ্রেণিবিন্যাস তৈরি করা সম্ভব নয়। তাই প্রতিটি পর্যায়ের প্রক্রিয়া এবং বহুবিধ প্রয়োজন ও সম্ভাবনা বুঝতে হয়।
KDD প্রক্রিয়ার ৯টি ধাপ:
বোঝাপড়া বিকাশ করা (Developing an understanding) − এটি মূল প্রস্তুতিমূলক ধাপ। এটি রূপান্তর, অ্যালগরিদম, রিপ্রেজেন্টেশন ইত্যাদি বিভিন্ন সিদ্ধান্তের জন্য কী করা উচিত সেটা শেখার প্রেক্ষাপট তৈরি করে। KDD প্রজেক্টের দায়িত্বপ্রাপ্ত ব্যক্তিদের অবশ্যই এন্ড-ইউজারের লক্ষ্য এবং যে পরিবেশে জ্ঞান আবিষ্কার প্রক্রিয়া ঘটবে সেটা (প্রাসঙ্গিক পূর্বজ্ঞান সহ) শিখতে এবং চরিত্রচিত্রণ করতে হবে।
টার্গেট ডেটা সেট তৈরি করা (Creating a target data set) − এটি একটি ডেটা সেট বেছে নেওয়া বা ভেরিয়েবল বা ডেটা স্যাম্পলের একটি সাবসেট টার্গেট করা, যার ওপর আবিষ্কার বাস্তবায়ন করা হবে। এই প্রক্রিয়া অত্যন্ত গুরুত্বপূর্ণ কারণ ডেটা মাইনিং উপলব্ধ ডেটা থেকে শেখে ও খুঁজে বের করে। এটি মডেল তৈরির জন্য প্রমাণ ভিত্তি। যদি কিছু গুরুত্বপূর্ণ অ্যাট্রিবিউট অনুপস্থিত থাকে, তবে সমগ্র অধ্যটনই ব্যর্থ হতে পারে, তাই যত বেশি অ্যাট্রিবিউট বিবেচনা করা হয় তত ভালো।
ডেটা ক্লিনিং ও প্রি-প্রসেসিং (Data cleaning and pre-processing) − ডেটা ক্লিনিং বলতে ডেটা পরিশোধন বুঝায় - অনুপস্থিত মান পূরণ করা, নয়েজি ডেটা মসৃণ করা, আউটলায়ার চিহ্নিত ও অপসারণ করা, এবং ডেটার অসঙ্গতি দূর করা।
এক্সপ্লোরেটরি অ্যানালাইসিস ও মডেল/হাইপোথেসিস নির্বাচন (Exploratory analysis and model and hypothesis selection) − এটি ডেটা মাইনিং অ্যালগরিদম এবং ডেটা প্যাটার্ন অনুসন্ধানের পদ্ধতি নির্বাচন করা। এই প্রক্রিয়ায় নির্ধারণ করা হয় কোন মডেল ও প্যারামিটার উপযুক্ত এবং KDD প্রক্রিয়ার দীর্ঘমেয়াদী মাপদণ্ডের সাথে নির্দিষ্ট ডেটা-মাইনিং পদ্ধতিকে মিলানো।
ডেটা মাইনিং (Data mining) − এটি নির্দিষ্ট রিপ্রেজেন্টেশনাল ফর্ম বা そনাকার রিপ্রেজেন্টেশনের সেটে আগ্রহের প্যাটার্ন অনুসন্ধান করতে ব্যবহৃত হয়, যাতে ক্লাসিফিকেশন রুল বা ট্রি, রিগ্রেশন, এবং ক্লাস্টারিং থাকে। ব্যবহারকারী পূর্বের ধাপগুলো সঠিকভাবে বাস্তবায়ন করে ডেটা-মাইনিং পদ্ধতিকে অনেক বেশি সাহায্য করতে পারেন।
আবিষ্কৃত জ্ঞান ওপর কাজ করা (Acting on the discovered knowledge) − এটি জ্ঞানকে সরাসরি ব্যবহার করা, অন্য সিস্টেমে জ্ঞান সংহত করাเพর додаitive অ্যাকশনের জন্য, বা সহজে ডকুমেন্ট করে আগ্রহী পক্ষের কাছে রিপোর্ট করা। এই প্রক্রিয়ায় পূর্বে স্বীকৃত (বা নিষ্কাশিত) জ্ঞানের সাথে সম্ভাব্য দ্বন্দ্ব চেক ও সমাধান করা থাকে।
