Günümüzde bellek kapasitesi GigaByte ve TeraByte’tan Giriş sonra Peta, Exa ve Zetta ön ekleriyle ifade edilen
İletişim ve bilişim teknolojilerinde yaşanan gelişmeler boyutlara ulaşmıştır. Bunun sonucu olarak milyarlarca dünyada her şeyin hızla değişmesine neden olmaktadır. Byte veri fiziksel olarak çok küçük boyutlardaki donanım İşletmeler açısından ele alındığında bu değişimler; ögelerinde saklanabilir hâle gelmiştir. ekonomik koşullarda, iş yapma biçimlerinde, müşteri beklentilerinde, müşteri eğilimlerinde, rakiplerin 1990’lara gelindiğinde veri miktarının sürekli katlanarak stratejilerinde vb. ortaya çıkmaktadır. İşletmelerin bu arttığı veri tabanları içinden, faydalı bilgilerin nasıl değişimlere ayak uydurabilmesi, rakipleriyle yarışabilmesi çıkarılabileceği araştırma konusu olmuştur. Bu amaçla ve varlıklarını başarılı bir biçimde sürdürebilmesi için, yapılan çalışmalardan en önemlisi, 1989’da KDD işletmelerde karar verici konumunda olan yöneticilerin, (Knowledge Discovery in Database) IJCAI-89 Veri doğru kararlar vererek doğru stratejiler belirlemeleri Tabanlarında Bilgi Keşfi Çalışma Grubu toplantısıdır. gerekmektedir. 1991 yılında ise KDD (IJCAI)-89’un sonuç bildirgesi sayılabilecek “Knowledge Discovery in Real Databases: A Günümüzde bilişim teknolojisinde gelinen noktada çok Report on the IJCAI-89 Workshop” makalesi ile Bilgi büyük miktarda verinin kolaylıkla elde edilmesi ve Keşfi ve Veri Madenciliği ile ilgili temel tanım ve kaydedilerek saklanması olanaklı hâle gelmiştir. Bununla kavramlar ortaya konmuştur. 1992 yılında veri birlikte veriler tek başlarına bir anlam ifade etmeyip belirli madenciliği için ilk yazılım geliştirilmiştir. 2000’li bir amaca yönelik olarak işlendiklerinde anlamlı bilgilere yıllarda veri madenciliği sürekli gelişmiş ve hemen hemen dönüşürler. Verilerin analiz edilmesinde kullanılan tüm alanlara uygulanmaya başlanmıştır. İşletmeler, geleneksel yöntemler veri miktarında meydana gelen günümüzde yoğun olarak Müşteri İlişkileri Yönetimi büyük artış karşısında yetersiz kalmaya başlamıştır. Veri (CRM) ve Kurumsal Kaynak Planlaması (ERP) gibi madenciliğinin ortaya çıkışı da büyük miktarda veriyi uygulamalar ve teknikler aracılığıyla veri madenciliği analiz edebilme ve işleyebilme ihtiyacından yapmaktadır. S:4, Tablo 1.1de Veri Madenciliği Tarihsel kaynaklanmıştır. Veri madenciliği tek başına çözümün Süreci Tablosu incelenebilir. kendisi olmayıp çözüme ulaştıracak kararın verilmesine destek sağlayacak bilgilerin ortaya çıkarılmasında Veri Madenciliğine Etki Eden Disiplinler
kullanılan bir araçtır. Bu yeni yaklaşımların temelinde istatistik, makine öğrenimi, veritabanı sistemleri önemli bir yer tutmaktadır. Veri Madenciliğinin Tarihsel Gelişimi Veri madenciliğinin tarihi bilgisayarların hayatımıza İstatistik, verilerin analizi ve değerlendirilmesi girmesiyle başlamıştır. Verilerin depolanması ihtiyacı ile konusunda geçmişten günümüze yoğun bir biçimde birlikte, 1960’lı yıllardan itibaren teknoloji dünyası veri kullanılan bir disiplindir. 1990’lardan sonra, ilgilenilen tabanı kavramı ile tanışmıştır. 1960’ların sonunda ise basit verinin yığınlar içinden çekilip çıkarılması ve analizinin öğrenmeli bilgisayarlar geliştirilmiştir. yapılarak kullanıma hazır hâle getirilmesi sürecinde istatistik, veri madenciliği ile ortak bir platformda ve sıkı Perseptron, insan beyninde yer alan sinir hücrelerinin bir çalışma birlikteliği içinde olmuştur. (nöronların) ilk yapay modeline verilen isim olup algılayıcı, fark edici anlamındadır. 1957 yılında Frank Makine öğrenimi, insan öğrenmesinde söz konusu olan Rosenblatt tarafından geliştirilen ve tekrar eden, benzerlik özelliklerin algoritmalar yardımıyla bilgisayarlara da gösteren özelliklerin bilgisayar tarafından uygulanabileceği ve bilgisayarların da insanlar gibi algılanabilmesini sağlayan bir algoritmadır. öğrenebileceği düşüncesini temel alan bir disiplindir. Bu Perseptron’ların yalnızca çok basit olan kuralları öğrenmeler sonucunda çıkarımlarda bulunarak geçmiş veri öğrenebileceği, bazı basit mantıksal işlemlerde ise yetersiz örnekleri yardımıyla gelecekte daha iyi sonuçlar üretme kaldığı 1969’da Minsky ve Papert tarafından ortaya konusunda veri madenciliği uygulamasına katkıda konulmuştur. Zaman içinde giderek büyüyen veri bulunurlar.
tabanlarının organizasyonu, düzenlenmesi ve yönetimi de Görselleştirme; verilerin daha kolay anlaşılmasına, analiz zorlaşmıştır. Bu zorlukların üstesinden gelebilmek edilmesine ve geleceğe yönelik tahminlerde amacıyla ise veri modelleme kavramı ortaya atılmıştır. bulunulmasına önemli katkı sağlamaktadır. Veri
İlk veri modelleri; Hiyerarşik Veri Modeli ve Ağ Veri madenciliğinde kullanılan görselleştirme teknikleri ilk Modeli olarak adlandırılan basit veri modelleridir. zamanlarda sadece iki boyutlu serpilme ve serpilme matris 1970’lerde İlişkisel Veri Tabanı Yönetim Sistemleri çizimleri ya da üç boyutlu grafikler biçimindeydi. Ancak uygulamaları kullanılmaya başlanmış, bu konuyla zaman içinde, verilerin öznitelik sayılarındaki artış klasik ilgilenen uzmanlar basit kurallara dayanan uzman istatistiğin sunduğu iki veya üç boyutlu grafiklerin yetersiz sistemler geliştirmişler ve basit anlamda makine kalması sonucunu da birlikte getirmiştir. Yer Konum veri öğrenimini sağlamışlardır. 1980’lerde veri tabanı yönetim analizi, sinyal işleme, görüntü analizi gibi teknikler sistemleri yaygınlaşmış ve pek çok farklı alanda uygulanır görselleştirme amacıyla kullanılan tekniklere verilebilecek olmuştur. örneklerdir.
Veritabanı; gelişigüzel veri yığınları olmayıp birbiriyle Üst veri, veri ambarında yer alan veriler hakkındaki ilişkili olan ve amaca uygun biçimde düzenlenmiş, tanımlamalar olup veri ambarına ilişkin veri kataloğu mantıksal ve fiziksel olarak tanımlanmış veriler olarak düşünülebilir. Veri deposu ise veri ambarının bir bütünüdür. Veritabanı yönetim sistemi ise kısaca alt kümesi olup işletmenin yalnızca belirli bir bölümünü veritabanı tanımlamak, veritabanı oluşturmak, ya da belirli bir iş sürecini, daha özel bir fonksiyon alanını veritabanında işlem yapmak, veritabanının farklı kullanıcı ilgilendiren parçasıdır. Veri ambarı tüm işletmeyi yetkilerini belirlemek, veritabanının bakımını ve ilgilendirirken veri deposu tek bir konuya ya da özel bir yedeklemesini yapmak için geliştirilmiş programlar amaca yönelik verileri içerir. bütünüdür. Veritabanı ve veri tabanı yönetim sisteminin OLAP (Online Analytical Processing - Çevrimiçi Analitik birlikte oluşturduğu bütün veritabanı sistemi olarak ifade İşleme) veri ambarında yer alan veriler üzerinde çok edilmektedir. boyutlu, çok yönlü analiz ve sorgulama yapılmasını Örüntü, olaylar ve nesneler arasında düzenli ve sistematik sağlayan sistemlerdir. OLAP işlemini gerçekleştirmek bir biçimde tekrarlanan ilişki modellerini ifade etmek için üzere veri ambarı ile etkileşim içinde olan OLAP kullanılan bir kavramdır. sunucuları, karmaşık analitik sorguların kısa sürede gerçekleştirilmesine imkân veren çok boyutlu veri Örüntü tanıma: Olaylar ve nesneler arasında daha modelini kullanırlar. Çok boyutlu veri modeli örneği için önceden tanımlanmış, düzenli ve sistematik biçimde tekrar S:9, Şekil:1,3 incelenebilir. eden ilişkileri bir model olarak kabul eden ve bu modelin (örüntünün) benzerlerini ya da en benzerini veritabanı Veri madenciliği, veriden örüntülerin çıkarılması içinden arama ve bulmaya yönelik teknolojidir. Örüntünün amacıyla çeşitli algoritmaların uygulanmasıdır. Elde konusu yazılı bir metin olabileceği gibi parmak izi, ses, edilen örüntü ve kurallar karar vermeye ve bu kararların yüz tanıma, kan hücrelerinin karşılaştırılması, el sonuçlarını tahmin etmeye destek olacak biçimde yazılarının belirlenmesi gibi alanlar da olabilir. kullanılabilecektir.
Veri Madenciliği Kavramı Veritabanlarında Bilgi Keşfi Süreci
İşletme politikalarının ve stratejik kararların temel ögesi Veritabanlarında bilgi keşfi, veriden faydalı bilginin veri ve veriden elde edilmiş güvenilir, güncel ve doğru keşfedilmesi sürecinin tamamıdır. Veri madenciliği ise bu bilgidir. sürecin bir adımı olup veriden örüntülerin belirlenmesi ve aktarımı için özel algoritmaların uygulanması işlemlerine Veri, ham gözlemler, işlenmemiş gerçekler ya da karşılık gelmektedir. Veritabanlarında Bilgi Keşfi izlenimlerdir ve harf, rakam, çeşitli sembol, işaretler sürecinin adımları S:11, Şekil 1.4’te incelenebilir. yardımıyla temsil edilir. Bilgi Keşfi sürecinde izlenmesi gereken temel aşamalar; Enformasyon, verinin bir anlam oluşturacak şekilde düzenlenmiş hâlidir. 1. Amacın Tanımlanması 2. Veriler Üzerinde Ön İşlemlerin Yapılması Bilgi, verinin işlenmiş ve dönüştürülmüş halidir. Karar 3. Modelin Kurulması ve Değerlendirilmesi vermede etkili olan asıl unsur veriden ziyade bilgidir. 4. Modelin Kullanılması ve Yorumlanması İhtiyaç duyulan veriye hızlı ve kolay biçimde erişebilmek 5. Modelin İzlenmesi amacıyla, verilerin yönetimi sorununun çözümünde Sıralanan bu aşamalara bütünsel olarak bakıldığında, veri veritabanı sistemleri, verileri işleyip anlamlı bilgilere madenciliği sürecinde; dönüştürmek amacıyla yeni yöntem ve yaklaşımlar belirleme zorunluluğunun çözümü için veri madenciliği • Veri madenciliği öncesindeki işlemler, yöntemleri geliştirilmiştir. Veritabanlarında kayıtlı olan • Veri madenciliği işlemleri, veriler madenlerden çıkarılıp işlenmeyi bekleyen değerli • Veri madenciliği sonrasındaki işlemler maddelere benzetilebilir. Bu nedenle büyük miktarda yığın veri içinden bilgiye ulaşmak amacıyla kullanılan teknikler biçiminde bir uygulamanın söz konusu olduğu görülebilir.
bütünü de veri madenciliği adı altında ele alınmaktadır. Amacın Tanımlanması Veri madenciliği çalışmaları yapmak için var olması Bu aşamada, işletmenin ya da kurumun veri madenciliğini gereken iki temel öge veri ve veritabanıdır. hangi amaca yönelik olarak gerçekleştirmek istediği Veri ambarı işletmelerde iç veri kaynakları ile dış veri belirlenir. Buna ek olarak, elde edilecek sonuçların başarı kaynaklarının birleştirilmesi ve düzenlenmesi ile düzeylerinin nasıl ölçüleceği de tanımlanmalıdır. Ayrıca, oluşturulmuş, üzerinde veri madenciliği işlemlerinin süreç sonunda yapılacak değerlendirme ve öngörülerin gerçekleştirileceği veriyi sağlayan daha geniş ve özel yanlış olması durumunda katlanılacak maliyetlere ve veritabanlarına verilen isimdir. Veri ambarı doğru olması durumunda elde edilecek kazanımlara ilişkin oluşturulmasına ilişkin süreç ve ilgili olduğu diğer ögeler tahminlere de yer verilmelidir. S:8, Şekil 1.2’de incelenebilir.
Veriler Üzerinde Ön İşlemler Yapılması Verilerin Yeniden Yapılandırılması
Verilerin veri madenciliği için hazırlanması anlamındadır. Veri madenciliği amacıyla kullanılan model, teknik ve Ön işlemler aşamasında yeterli özenin gösterilmemesi, algoritmalar belirli yapılardaki veriler üzerinde model kurma aşamasından ön işlemler aşamasına tekrar uygulanabilir. Eldeki verilerin kullanılacak algoritmaya tekrar geri dönülmesine ve verinin yeniden uygun hâle getirilmesi, diğer bir ifadeyle yeniden düzenlenmesine neden olacaktır. Veriler üzerindeki ön yapılandırılması gerekir. Bazı algoritmalar ise yalnızca 0 işlemler genel olarak; Verilerin toplanması ve ve 1’lerle temsil edilen veriler üzerinde çalışır. birleştirilmesi, verilerin temizlenmesi, verilerin yeniden a. Verilerin normalizasyonu: Farklı değerlerdeki yapılandırılması biçiminde sınıflandırılabilir. Veriler verilerin 0,0-1,0 gibi aralıklardaki değerlerle temsil Üzerinde Yapılan Ön İşlemler S:13, Şekil1,5’de edilmesi işlemine normalizasyon denir. incelenebilir. Normalizasyon işlemi için kullanılabilen Verilerin Toplanması ve Birleştirilmesi yöntemlerden bir kısmı; min-maks normalizasyonu, Öncelikle tanımlanan amaca ve probleme uygun verilerin sıfır-ortalama normalizasyonu ve ondalıklı neler olduğu ve bu verilerin hangi kaynaklarda yer aldığı normalizasyon biçiminde sıralanabilir. araştırılır. Gerekli verilerin toplanmasında öncelikli olarak b. Verilerin azaltılması: Bellek kapasitelerinin artmış kurumun kendi veritabanı ve veri kaynaklarından olması ve bilgisayar sistemlerinin ucuzlaması yararlanılır. Bu tür veriler iç kaynaklı verilerdir. Kamuya sonucunda veri tabanlarında gerekli olsun ya da ait kurumsal veri tabanlarından veya veri pazarlayan farklı olmasın çok miktarda veri tutulmaktadır. Verilerin kuruluşların veri tabanlarından da yararlanılabilir. azaltılması amacıyla geliştirilen çeşitli yöntemler Örneklenen veri kaynakları ise dış veri kaynaklarıdır. bulunmaktadır. Bu yöntemlerden bazıları; boyut sayısını azaltma, veri sıkıştırma, temel bileşenler Verilerin Temizlenmesi analizi, faktör analizi biçiminde sıralanabilir
Kayıp ya da eksik değerleri tamamlamak, aykırı değerleri c. Verilerin dönüştürülmesi: Analize konu olan belirleyerek gürültüyü ortadan kaldırmak ve verilerdeki veri kümesinin gerekli veriyi içermesi ancak tutarsızlıkları, uyumsuzlukları gidermek için kullanılan verinin kullanılan algoritmaya uygun yapıda birçok yaklaşımı ve tekniği kapsar. Veritabanlarındaki olmaması durumunda gerçekleştirilir. Verilerin kayıtlarda eksik olan veriler Kayıp verilerdir. Kayıp dönüştürülmesi, algoritmada doğrudan veriler çeşitli nedenlerden kaynaklanabilir; veri toplamada kullanılacak biçimde verinin kendi içinde yanlış araçların kullanılması, veri girişinde hata yapılması yeniden düzenlenmesini ifade etmektedir ya da veri toplama aşamasında sorulara eksik cevap Modelin Kurulması ve Değerlendirilmesi verilmesi bu nedenlerden bazılarıdır. Veri hazırlama ve model kurma aşamaları, en iyi olduğu Gürültülü Veri: Veritabanlarında doğru olmayacak kadar düşünülen modele ulaşılıncaya kadar tekrarlanır. uç değerler, aykırı değer ya da sıra dışı değer olarak tanımlanır. Bu şekildeki aykırı değerler ya da farklı Modelin Kullanılması ve Yorumlanması
sebeplerle yanlış girilmiş değerler genel olarak gürültülü Kurulan ve geçerliliği sınanarak uygulanmak üzere kabul veri olarak tanımlanır edilen modelin kullanıldığı aşamadır. Probleme çözüm getirmediği düşünülüyorsa süreç yenilenmelidir. Kayıp verilerin neden olacağı olumsuzlukları ortadan kaldırmak amacıyla kullanılan yaklaşımlar: Modelin İzlenmesi
a. Kayıp veri içeren kaydı veri kümesinden çıkarmak, Ne kadar doğru ve iyi bir model kurulmuş olsa da sistem b. Kayıp verileri tek tek yazmak, zaman içinde ortaya çıkacak değişimlerden c. Kayıp verilerin hepsi için aynı veriyi girmek, etkilenebilecektir. Bu nedenle model kullanılmaya d. Kayıp veri yerine tüm verilerin ortalama değerinin başlandıktan sonra, sistemin ne kadar iyi çalıştığının girilmesi, sürekli olarak izlenmesi ve ölçülmesi bir gerekliliktir
e. Kayıtlarda yer alan diğer değişkenler yardımıyla Veri Madenciliğinde Kullanılan Modeller kayıp verilerin tahmin edilmesidir. Veri madenciliği büyük hacimli verilerin işlenmesi için Verilerdeki gürültünün temizlenmesi amacıyla kullanılan geliştirilmiş algoritmalar ile geleneksel veri analiz yaklaşımlar ise; yöntemlerinin karması olan bir teknolojidir. Veri madenciliği a. Bölümleme yöntemiyle gürültünün temizlenmesi, yazılımlarının öğrenme özelliği vardır. Yazılımlar b. Sınır değerleri kullanılarak gürültünün kendilerine verilen örnek veriler üzerinde inceleme yaparak temizlenmesi, kullandıkları algoritmalarla bu verilerden bazı sonuçlar ve c. Kümeleme yöntemiyle düzeltme yapılması ve kurallar çıkarırlar. Yazılımın veriler üzerinde yaptığı bu inceleme işlemine öğrenme adı verilir. Yazılım bu gürültünün temizlenmesi, çıkarımları verilerin kalan kısmına uygulayarak ne kadar d. Regresyon yöntemiyle düzeltme yapılması ve gürültünün temizlenmesidir. öğrendiği konusunda kendini sınar. Bu sınama sonucunda eğer gerekli görürse başlangıçta yaptığı çıkarımlarını yeniler.
Yenilenen çıkarımlar (sonuçlar, kurallar) üzerinde yapılan k-en yakın komşu: Temel olarak algoritma sınıfları belli ayrı bir işlemle doğrulama gerçekleştirilir. Aşırı öğrenme olan bir örnek kümesindeki gözlem değerlerini inceler. algoritmanın çıkardığı kuralların sadece üzerinde çalıştığı Daha sonra elde edilen bu bilgi sisteme eklenen verinin ait veriler için geçerli olmasını, dışarıdan başka verilere olduğu sınıfın tespitinde kullanılır. Sınıflandırma uygulandığında ise geçersiz olması durumunu ifade eder. yapılırken veritabanındaki her bir kayıdın diğer kayıtlarla Veri madenciliğinde kullanılan modeller; Tahmin edici olan uzaklığı hesaplanır. Ancak, bir kayıt için diğer modeller, Tanımlayıcı modeller olmak üzere temelde iki kayıtlardan sadece k adedi göz önüne alınır. Gözlem başlık altında incelenebilir (S:19, Şekil:1.6 ). değerlerinin arasındaki uzaklıkların hesaplanmasında “Öklid” uzaklık formülü kullanılır. Tahmin Edici Modeller Eldeki verilerden hareketle bir model geliştirilmesi ve Bayes sınıflandırması: Elde var olan, mevcut sınıflanmış geliştirilen bu model kullanılarak önceden sonuçları verileri kullanarak yeni bir verinin mevcut sınıflardan bilinmeyen veri kümeleri için sonuçların tahmin herhangi birine girme olasılığını hesaplayan yöntemdir.
edilmesini amaçlar. Tahmin edici modeller özellikle karar Tanımlayıcı Modeller verme süreci açısından büyük önem taşır. Tahmin edici Bu modeller tahmin edici modellerin aksine analiz edilen modellere ilişkin yazılımlardaki öğrenme, daha çok bir verilerin özelliklerini incelemek için kullanılan insanın öğrenme biçimine benzetilebilir. modellerdir. En yaygın kullanılan tanımlayıcı modeller; Denetimli öğrenmede ilgili veriler seçilen algoritmaya kümeleme, birliktelik kuralları, sıra örüntü analizi ve uygun olarak hazırlandıktan sonra, ilk aşamada verinin bir özetleme biçiminde sıralanabilir. kısmı modelin öğrenimi, diğer kısmı ise modelin Kümeleme: Kümeleme, verileri birbirlerine olan geçerliliğinin test edilmesi için ayrılır. Modelin öğrenimi, benzerliklerine göre anlamlı ve/ veya kullanışlı gruplara öğrenim kümesi kullanılarak gerçekleştirildikten sonra, ayırmaktır. test kümesi ile modelin doğruluk derecesi belirlenir. Denetimsiz öğrenmede, kümeleme analizinde olduğu gibi Birliktelik kuralları: Birliktelik kuralları veriler ilgili örneklerin gözlenmesi ve bu örneklerin özellikleri arasındaki güçlü birliktelik özelliklerini tanımlayan arasındaki benzerliklerden hareket ederek sınıfların örüntüleri keşfetmek için kullanılan analiz yöntemidir. tanımlanması amaçlanmaktadır. Sıra örüntü analizi: Birliktelik kurallarına benzer bir yapıda Tahmin edici modeller kendi içinde regresyon modelleri olup aynı zamanda olayların zaman sıralarıyla ilgilenir. ve sınıflandırma modelleri biçiminde ikiye ayrılır. Özetleme: Karakterizasyon veya genelleştirme olarak da Regresyon Modelleri: Regresyon, bağımsız değişkenler adlandırılan özetleme, verileri basit tanımları yapılmış alt ile bağımlı değişkenler arasındaki ilişkiyi en iyi gruplar içine yerleştirme işlemidir tanımlayan fonksiyonu elde etmek için uygulanan istatistiksel tekniktir. Veri Madenciliğinin Diğer Veri Analizi Yaklaşımları ile Karşılaştırılması Sınıflandırma Modelleri: Sınıflama, veri sınıfı ve • Veri madenciliği ile analizde herhangi bir kavramlarını tanımlama ve ayırt etmeyi sağlayan bir hipoteze gerek duyulmaz. model kümesini bulma sürecidir. Sınıflandırmada, veriler istatistik ve/ veya makine öğrenimi yöntemleri • Veri madenciliği algoritmaları eşitlikleri kullanılarak önceden belirlenen sınıflara atanır. Sınıflama otomatik olarak geliştirir. modelleri, sınıflar önceden incelenen veriler aracılığıyla • İstatistiksel analizler genellikle sayısal veriler oluşturulduğundan, denetimli öğrenme modelleridir. üzerinde gerçekleştirilirken veri madenciliği sayısal verilere ek olarak metin, ses vb. gibi farklı Regresyon ve sınıflandırma modellerinden en yaygın veri türleri üzerinde de işlem yapabilir. kullanılanlar; • İstatistiksel analizde, kirli veri analiz sırasında
Karar ağaçları: Sınıflandırma problemlerinde en çok bulunur ve filtre edilirken veri madenciliği kullanılan algoritmalardan biridir. temizlenmiş veri üzerinde gerçekleştirilir. • Veri madenciliğinin sonuçlarını değerlendirmek Yapay sinir ağları: Yapay sinir ağları karmaşık ve yorumlamak kolay olmayıp uzman hesaplamaları gerçekleştiren biyolojik sinir sistemlerini istatistikçilere gereksinim duyulur. model alır. Bu yöntemle oluşturulan modellerin yorumlanması diğerlerine göre daha zordur Veri Madenciliğinin Uygulandığı Alanlar
Genetik algoritmalar: Karmaşık eniyileme Veri madenciliğinin yoğun ve başarılı bir biçimde problemlerinin çözümünde kullanılan bir teknolojidir. kullanıldığı başlıca alanlar; pazarlama, finans (bankacılık, Doğrudan bir veri madenciliği modeli değildir. sigortacılık, borsa), perakendecilik, sağlık, telekomünikasyon, endüstri ve mühendislik, eğitim, tıp, Zaman serisi analizi: Zaman değişkeni ile ilişkilendirilmiş biyoloji, genetik, kamu, istihbarat ve güvenlik biçiminde verilerin tahmin edilmesi problemlerinde kullanılır. sıralanabilir.