数据挖掘 - 翻译成印度尼西亚

• data mining
• penambangan data
• penggalian data

在 中文 中使用 数据挖掘 的示例及其翻译为 印度尼西亚

学生将完成一个以计算，编程，数据库，数据挖掘，财务风险和分析等基础知识为基础的程序，这是他们可能希望从事的几乎所有应用数学研究的学习基础。
Siswa akan menyelesaikan program yang dilandasi oleh dasar-dasar komputasi, pemrograman, basis data, penambangan data, risiko keuangan, dan analisis, yang merupakan akar studi untuk hampir semua upaya matematika terapan yang mungkin ingin mereka kejar.

为了实现收入最大化，基于广告定位的平台可能会转向数据挖掘和算法个性化/说服，让人们尽可能长时间地盯着屏幕。
Untuk memaksimalkan pendapatan, platform berdasarkan penargetan iklan kemungkinan akan beralih ke penggalian data dan personalisasi/ persuasi algoritmik agar orang-orang tetap terpaku pada layar selama mungkin.

更具体地说，研究主要集中在：分析客户关系管理/客户智能（即使用数据挖掘技术来揭示知识的数据库（KDD）），以及市场/营销调研。
Lebih khusus, penelitian ini terutama berfokus pada: Manajemen Hubungan Pelanggan Analitik/ intelijen pelanggan( yaitu, menggunakan teknik data mining untuk mengungkap Pengetahuan dalam Database( KDD)), serta riset pasar/ pemasaran.

更具体地说，研究主要集中在：分析客户关系管理/客户智能（即使用数据挖掘技术来揭示知识的数据库（KDD）），以及市场/营销调研。
Lebih khusus lagi, kajian ini tertumpu pada: Pengurusan Hubungan Pelanggan Analisa/ perisikan pelanggan( iaitu, menggunakan teknik penambangan data untuk mendedahkan Pengetahuan dalam Pangkalan Data( KDD)), serta penyelidikan pasaran/ pemasaran.

在这些丰富的数据环境，从数据挖掘，机器学习，统计可视化，计算统计和列入计划的其他计算机密集型统计方法方法已经成为包括政府机构和私营部门日益流行。
Dalam data yang kaya lingkungan metode ini dari data mining, pembelajaran mesin, visualisasi statistik, statistik komputasi dan metode statistik komputer-intensif lainnya termasuk dalam program telah menjadi semakin populer dengan kedua lembaga pemerintah dan sektor swasta.

在包括医疗保健和零售在内的多个行业，你可以使用数据挖掘来检测诈骗和其它滥用行为--比传统的识别此类活动的方法要快得多。
Di beberapa industri, termasuk perawatan kesehatan dan ritel, kita dapat menggunakan penambangan data untuk mendeteksi penipuan dan pelanggaran lainnya- jauh lebih cepat daripada dengan metode tradisional untuk mengidentifikasi kegiatan tersebut.

制造企业可以使用数据挖掘在生产过程中发现模式，从而可以精确地识别出瓶颈和有缺陷的方法，并设法提高效率。
PERUSAHAAN MANUFAKTUR dapat menggunakan data mining untuk mencari pola dalam proses produksi, sehingga mereka dapat secara tepat mengidentifikasi bottleneck dan metode yang salah dan menemukan cara untuk meningkatkan efisiensi.

他们将统计和数据挖掘方面丰富的，复杂的遗产与最新的，最先进的结构结合，以确保您的模型尽可能快的运行（甚至是在巨大的企业环境中）。
SAS menggabungkan warisan yang kaya dan canggih dalam statistik dan penambangan data dengan kemajuan arsitektur baru untuk memastikan model Anda berjalan secepat mungkin- bahkan di lingkungan perusahaan besar.

数据科学：商业与管理的毕业生不仅有知识，有专长的数据分析和数据挖掘领域，而且在经济，管理和大数据的法律观点。
Ilmu Data: Bisnis dan Tata lulusan tidak hanya akan memiliki pengetahuan dan keahlian di bidang analisis data dan data mining, tetapi juga dalam ekonomi, manajemen dan perspektif hukum pada data besar.

该计划还包括研究现代语言和智能系统的程序开发，方法和技术的工具，以及用于构建企业信息系统和数据挖掘的现代软件解决方案。
Program ini juga mencakup studi bahasa modern dan alat untuk pengembangan program, metode dan teknologi sistem cerdas, serta solusi perangkat lunak modern untuk membangun sistem informasi perusahaan dan penambangan data.

通过建模，仿真，数据挖掘，并通过计算机分析和工程的具体现象的研究中，您将学习如何运用非凡的技术和工艺来回答世界上最复杂的问题为您的计算和数据科学学位课程的一部分。
Melalui pemodelan, simulasi, data mining, dan studi tentang fenomena tertentu melalui analisis komputer dan teknik, Anda akan belajar untuk menerapkan teknologi yang luar biasa dan proses untuk menjawab pertanyaan yang paling rumit di dunia sebagai bagian dari gelar Komputasi dan Ilmu data Anda.

机器学习和数据挖掘通常采用相同的方法并且显着重叠，但是机器学习侧重于预测，基于从训练数据中学习的已知属性，数据挖掘侧重于发现（先前）数据中的未知属性（这是数据库中知识发现的分析步骤。
Pembelajaran mesin dan penambangan data sering menggunakan metode yang sama dan tumpang tindih secara signifikan, tetapi sementara pembelajaran mesin berfokus pada prediksi, berdasarkan pada properti yang diketahui dipelajari dari data pelatihan, penambangan data berfokus pada penemuan( sebelumnya) properti yang tidak diketahui dalam data( ini adalah langkah analisis penemuan pengetahuan dalam database).

在我们的程序，你将工作在真实世界的项目，学习必要的技能，在数据可视化，统计建模，数据挖掘，优化和模拟，以熟练地分析大量的数据集，并产生可操作的见解成功。
Dalam program kami, Anda akan bekerja pada proyek-proyek dunia nyata dan mempelajari keterampilan yang diperlukan untuk berhasil dalam visualisasi data, pemodelan statistik, data mining, optimasi, dan simulasi untuk mahir menganalisis dataset besar dan menghasilkan wawasan ditindaklanjuti.

这两个研究团体（通常有单独的会议和单独的期刊，ECMLPKDD是一个主要的例外）之间的大部分混淆来自他们使用的基本假设：在机器学习中，性能通常根据能力来评估再现已知知识，而在知识发现和数据挖掘（KDD）中，关键任务是发现以前未知的知识。
Sebagian besar kebingungan antara kedua komunitas penelitian ini( yang sering mengadakan konferensi terpisah dan jurnal terpisah, ECML PKDD menjadi pengecualian utama) berasal dari asumsi dasar yang mereka gunakan: dalam mechine learning, kinerja biasanya dievaluasi sehubungan dengan kemampuan untuk mereproduksi pengetahuan yang diketahui, sedangkan dalam penemuan pengetahuan dan data mining( KDD) tugas utamanya adalah penemuan pengetahuan yang sebelumnya tidak diketahui.

这两个研究对象之间的许多混淆(它们通常有单独的会议和单独的期刊，ECMLPKDD是一个主要的例外)来自于它们所使用的基本假设：在机器学习中，性能通常是根据重复生产已知知识的能力来评估的，而在知识发现和数据挖掘(KDD)中，关键任务是发现以前未知的知识。
Banyak kebingungan antara dua komunitas penelitian ini( yang sering memiliki konferensi dan jurnal terpisah, ECML PKDD menjadi pengecualian utama) berasal dari asumsi dasar mereka bekerja: dalam pembelajaran mesin, kinerja biasanya dievaluasi sehubungan dengan kemampuan untuk mereproduksi pengetahuan yang diketahui, sedangkan dalam penemuan pengetahuan dan penambangan data( KDD) tugas utama adalah penemuan pengetahuan yang sebelumnya tidak diketahui.

这两个研究团体（通常有单独的会议和单独的期刊，ECMLPKDD是一个主要的例外）之间的大部分混淆来自他们使用的基本假设：在机器学习中，性能通常根据能力来评估再现已知知识，而在知识发现和数据挖掘（KDD）中，关键任务是发现以前未知的知识。
Banyak kebingungan antara dua komunitas penelitian ini( yang sering memiliki konferensi dan jurnal terpisah, ECML PKDD menjadi pengecualian utama) berasal dari asumsi dasar mereka bekerja: dalam pembelajaran mesin, kinerja biasanya dievaluasi sehubungan dengan kemampuan untuk mereproduksi pengetahuan yang diketahui, sedangkan dalam penemuan pengetahuan dan penambangan data( KDD) tugas utama adalah penemuan pengetahuan yang sebelumnya tidak diketahui.

这两个研究对象之间的许多混淆(它们通常有单独的会议和单独的期刊，ECMLPKDD是一个主要的例外)来自于它们所使用的基本假设：在机器学习中，性能通常是根据重复生产已知知识的能力来评估的，而在知识发现和数据挖掘(KDD)中，关键任务是发现以前未知的知识。
Sebagian besar kebingungan antara kedua komunitas penelitian ini( yang sering mengadakan konferensi terpisah dan jurnal terpisah, ECML PKDD menjadi pengecualian utama) berasal dari asumsi dasar yang mereka gunakan: dalam mechine learning, kinerja biasanya dievaluasi sehubungan dengan kemampuan untuk mereproduksi pengetahuan yang diketahui, sedangkan dalam penemuan pengetahuan dan data mining( KDD) tugas utamanya adalah penemuan pengetahuan yang sebelumnya tidak diketahui.

数据挖掘.
Data Mining.

国际数据挖掘.
Data Mining International.

数据挖掘和机器学习;
Data mining dan pembelajaran mesin;