Ambiente logico per il Clustering Spazio-Temporale

Introduzione 1 Introduzione L’aumento esponenziale della quantità di dati disponibili in formato elettronico, e in particolare in database, ha fatto nascere l’esigenza di studiare tecniche sofisticate per analizzare tali dati. Il settore di ricerca che si occupa di sviluppare tecniche di analisi di grandi quantità di dati prende il nome di Knowledge Discovery (KDD). I dati possono essere di origini più svariate come database contenenti i dati rilevati da un satellite geostazionario, da un osservatorio astronomico, da centraline per il rilevamento sismico, da un osservatorio marino, l’esplorazione delle risorse naturali oppure analisi di mercato, l’anagrafica di una città, l’inventario di una grossa industria. Applicazioni di questo tipo, normalmente contengono centinaia di terabyte di dati. Il Data Mining è un passo del processo di KDD che si occupa di scoprire conoscenza di rilievo, pattern, associazioni, cambiamenti, anomalie e strutture significative da questa grande quantità di dati. Dal punto di vista della tecnologia, rappresenta la confluenza di vari settori di ricerca come l’apprendimento automatico, sistemi di basi di dati, visualizzazione dei dati, statistica e teoria dell’informazione. Il processo di data mining consiste, in generale, nei seguenti passi: 1. Pulizia, i dati con rumore, errori o mancanze devono essere opportunamente trattati; 2. Integrazione, dove risorse multiple di dati eterogenee possono essere integrate in una sola; 3. Selezione, i dati rilevanti all’analisi sono recuperati dal database; 4. Trasformazione, dove i dati sono trasformati in una forma appropriata per essere estratti attraverso operazioni di integrazione; 5. Data Mining, la fase dove sono applicati metodi intelligenti per estrarre i pattern;