মাইনিং মেথডোলজির বিভিন্ন দিক কী? জ্ঞান ধরণ, মাল্টিডাইমেনশন, ইন্টারডিসিপ্লিনারি, অনিশ্চিততা, প্যাটার্ন ইভ্যালুয়েশন

মাইনিং মেথডোলজির বিভিন্ন দিক রয়েছে, যেগুলো নিম্নরূপ:

১. নানা ধরনের এবং নতুন জ্ঞান মাইন করা (Mining various and new kinds of knowledge)

ডেটা মাইনিং ডেটা অ্যানালাইসিস এবং নলেজ ডিসকভারির একটি ব্যাপক স্পেকট্রাম কভার করে, ডেটা ক্যারেক্টারাইজেশন এবং ডিসক্রিমিনেশন থেকে শুরু করে রিলেশন ও কোরিলেশন অ্যানালাইসিস, ক্লাসিফিকেশন, রিগ্রেশন, ক্লাস্টারিং, আউটলায়ার মেথড, সিকোয়েন্স মেথড, এবং ট্রেন্ড ও কম্পিউটেশনাল অ্যানালাইসিস পর্যন্ত। এই সার্ভিসগুলো একই ডাটাবেসকে বিভিন্ন উপায়ে ব্যবহার করতে পারে এবং বেশ কিছু ডেটা মাইনিং কৌশলের উন্নতি দরকার। অ্যাপ্লিকেশনের বৈচিত্র্যের কারণে, নতুন মাইনিং সার্ভিস অবিরত উদ্ভূত হচ্ছে, যা ডেটা মাইনিংকে একটি শক্তিশালী ও দ্রুত বর্ধমান ফিল্ড বানাচ্ছে।

উদাহরণস্বরূপ, ডেটা নেটওয়ার্কে কার্যকর নলেজ ডিসকভারির জন্য, ইন্টিগ্রেটেড ক্লাস্টারিং এবং র‍্যাঙ্কিং উচ্চ নেটওয়ার্কে হাই-কোয়ালিটি ক্লাস্টার এবং অবজেক্ট র‍্যাঙ্ক আবিষ্কার করতে পারে।

২. মাল্টিডাইমেনশনাল স্পেসে জ্ঞান মাইন করা (Mining knowledge in multidimensional space)

বড় ডেটাসেটে জ্ঞান খোঁজার সময়, তথ্যকে মাল্টিডাইমেনশনাল স্পেসে বিশ্লেষণ করা যেতে পারে। এখানে ডাইমেনশন (অ্যাট্রিবিউট) সেটের মধ্যে আকর্ষণীয় প্যাটার্ন বিভিন্ন অ্যাবস্ট্রাকশন লেভেলে খুঁজে বের করা হয়। এমন মাইনিংকে (এক্সপ্লোরেটরি) মাল্টিডাইমেনশনাল ডেটা মাইনিং বলা হয়।

অনেক ক্ষেত্রে, ডেটা সংগ্রহ করা বা বিবেচনা করা যেতে পারে একটি মাল্টিডাইমেনশনাল ডেটা কিউব হিসেবে। কিউব স্পেসে জ্ঞান মাইন করা ডেটা মাইনিং-এর ক্ষমতা এবং আদান-প্রদানশীলতা বাড়ায়।

৩. ডেটা মাইনিং — একটি ইন্টারডিসিপ্লিনারি প্রচেষ্টা (Data mining — an interdisciplinary effort)

ডেটা মাইনিং-এর ক্ষমতা একাধিক ডিসিপ্লিন থেকে নতুন কৌশল একীకరণ করে উন্নত করা যায়। উদাহরণস্বরূপ, ন্যাচারেল ল্যাঙ্গুয়েজ টেক্সট সহ ডেটা মাইন করার জন্য, ডেটা মাইনিং পদ্ধতিকে ইনফরমেশন রিট্রিভাল এবং ন্যাচারেল ল্যাঙ্গুয়েজ প্রসেসিং পদ্ধতির সাথে ফিউজ করা যৌক্তিক।

৪. নেটওয়ার্কড এনভায়রনমেন্টে আবিষ্কারের ক্ষমতা বাড়ানো (Boosting the power of discovery in a networked environment)

কিছু ডেটা অবজেক্ট একটি কানেক্টেড বা ইন্টারকানেক্টেড এনভায়রনমেন্টে থাকে, সেটি হয় ওয়েব, ডেটাবেস অ্যাসোসিয়েশন, ফাইল, বা রেকর্ড। একাধিক ডেটা অবজেক্টের মধ্যে সিমান্টিক সংযোগ ডেটা মাইনিং-এ লাভের জন্য ব্যবহার করা যায়। একটি অবজেক্ট সেটে প্রাপ্ত জ্ঞান একটি "অ্যাসোসিয়েটেড" বা সিমান্টিক্যালি সংযুক্ত অন্য অবজেক্ট সেটে নলেজ ডিসকভারি উন্নত করতে ব্যবহার করা যায়।

৫. অনিশ্চিততা, নויז, বা অসম্পূর্ণ ডেটা হ্যান্ডেলিং (Handling uncertainty, noise, or incompleteness of data)

ডেটা নויז, এরর, এক্সসেপশন, অ্যাম্বিগুইটি ধারণ করতে পারে, অথবা অসম্পূর্ণ হতে পারে। এরর এবং নויז ডেটা মাইনিং ফেজকে বিভ্রান্ত করতে পারে, যার ফলে ভুল প্যাটার্ন উদ্ভূত হতে পারে। ডেটা ক্লিনিং, ডেটা প্রিপ্রসেসিং, আউটলায়ার ডিটেকশন ও রিমুভাল, এবং অ্যাম্বিগুইটি রিজনিং হল এমন পদ্ধতির উদাহরণ যেগুলো ডেটা মাইনিং প্রসেসের সাথে একীકৃত করা উচিত।

৬. প্যাটার্ন ইভ্যালুয়েশন এবং প্যাটার্ন-অথবা কন্স্ট্রেইন্ট-গাইডেড মাইনিং (Pattern evaluation and pattern- or constraint-guided mining)

ডেটা মাইনিং প্রসেস দ্বারা উৎপন্ন সব প্যাটার্ন আকর্ষণীয় নয়। একটি প্যাটার্ন কীভাবে আকর্ষণীয় হতে পারে সেটি ব্যবহারকারী থেকে ব্যবহারকারীতে ভিন্ন হতে পারে। তাই, সাবজেক্টিভ মাপের ওপর ভিত্তি করে আবিষ্কৃত প্যাটার্নের আকর্ষণীয়তা মূল্যায়ন করার কৌশল দরকার।

এগুলো একটি নির্দিষ্ট ব্যবহারকারী শ্রেণীর সংক্রান্তে প্যাটার্নের মান গণনা করে, ব্যবহারকারীর বিশ্বাস বা প্রত্যাশার ওপর ভিত্তি করে। আরও, আকর্ষণীয়তা মাপ বা ব্যবহারকারী-নির্দিষ্ট কন্স্ট্রেইন্ট ব্যবহার করে ডিসকভারি প্রসেস গাইড করলে, আরও আকর্ষণীয় প্যাটার্ন তৈরি করা যায় এবং সার্চ স্পেস কমানো যায়।