Reja: m a’lumotlar va bilimlar. Asosiy tushunchalar

Knowledge Discovery in Databases (KDD - ma’lumotlar bazasidan 
bilimlarni ajratib olish)-bu berilgan struktura yoki bog’lanishlarda yashiringan 
ma’lumotlarni topish maqsadida ma’lumotlarni avtomatik tahlil qilish vositalarini 
qo'llash yordamida inson tamonidan katta hajmdagi ma’lumotlarni tadqiq 
qilishning analitik jarayoni. Yashiringan struktura yoki bog’lanishlar xarakteri 
haqida tasavvurlar to'liq yoki qisman yo'q deb faraz qilinadi. KDD dastlabki 
fikrlash va to'liq bo'lmagan masala bayoni, ma’lumotlarni avtomatlashtirilgan 
tahlil uchun mos holatga keltirish va ularni dastlabki qayta ishlash, ma’lumotlarni 
avtomatik tadqiq qilish vositalari (Data mining) yashiringan struktura yoki 
bog’lanishlarni topish, topilgan modellarni ma’lumotlarni modellarini qurish va 
foydalanilmagan yangi modellarda sinovdan o'tkazish va topilgan modellarning 
inson tamonidan tavsiflanishidir.
Data mining (ma’lumotlarni qidirib topish) - xom ma’lumotlardan
- 
oldindan ma’lum bo'lmagan;
- 
trivial bo'lmagan;
- 
amaliy foydali;
93

---

- 
inson tamonidan tavsiflash uchun kerak bo'lgan yashirincha struktura 
yoki bog’lanishlarni ”Mashina” algoritmalari, sun’iy intellekt vositalari yordamida 
tadqiq etish va topishdan iborat [23, 24].
KDD texnologiyasi muammolarni yechish uchun mo'ljallangan. KDD - bu 
sun’iy intellekt, sonli matematik usullar, statistik va evristik yondashuvlarning eng 
so'ngi yutuqlarini o'zida mujassamlashtirgan sintetik soha. Bu texnalogiyaning 
maqsadi-ma’lumotlar omboridan oddiy usullar bilan topib bo'lmaydigan 
yashiringan model va munosabatlarni topishdan iborat. Mashina zimmasiga 
nafaqat “chalkash” amallar (Masalan, farazning statistic ahamiyatini tekshirish) 
balki, avval chalkash deb qabul qilinmagan amallar (yangi farazni ishlab chiqish) 
yuklanadi. KDD avval hatto tadqiqotchi xayoliga kelmagan, ularni qo'llash ham, 
alohida mijozni davolash ham, butun tibbiy muassasa faoliyati samaradorligini 
oshirishga imkon beruvchi ma’lumotlar orasidan o'zaro munosabatlarni ko'rishga 
imkon beradi.
Modelni qurish tadqiq etilayotgan hodisa xarakteristikalari orasidagi 
miqdoriy bog’lanishni o'rnatishga imkon beradi. Model xarita kabi reallikning 
abstrakt ifodasidir. Xarita airaportdan uyga yo'lni ko'rsatish mumkin, lekin u 
to'siq tufayli sodir bo'lgan to'qnashuvni yoki hozirgi paytda amalga oshirilayotgan 
ta’mirlash ishlarini va aylanish talab etilishini ko'rsata olmaydi. Model mavjud real 
munosabatlarga mos kelmagancha muvaffaqqiyatli natijalarga erishib bo'lmaydi. 
Ikki xil modellar mavjud: bashoratli va tavsiflovchi. Birinchisi boshqa ma’lumotlar 
majmuasi uchun oshkora natijalarni bashoratlaydigan modelni qurish uchun 
ma’lum natijaga ega biror ma’lumotlar majmuasidan foydalanadi. Ikkinchisi esa 
mavjud ma’lumotlardagi bog’lanishlarni tavsiflaydi. Bu modellar boshqaruv 
qarorlarini qabul qilish uchun foydalaniladi.
Albatta tajribali shifokor o'z mijozalari davolash uchun ko'pgina 
modellardan xabardor, uzoq muddat davomida kuzatilayotgan kasalliklar va 
turlicha ko'rsatkichlarning bog’lanishlari haqida ma’lumotlarga ega. KDD 
texnologiyalari nafaqat emperik tadqiqotlarni tasdiqlashi, balki bu texnalogiya 
yordamida oldin ma’lum bo'lmagan yangi modellarni qurish mumkin. Ajratilgan 
model absalyut bilimga davogarlik qilolmasa ham, analitikka muqobil statistik 
modelning o'zining ustunligi bilan ham bir qadar afzallik beradi. Hatto haqiqatdan 
topilgan o'zaro aloqa sababiy bo'lish yoki bo'lmasligi to'risida o'ylashga turtki 
bo'lishi, bu esa hodisani guruhlashtirishga va uni yaxshi tushunishga imkon beradi. 
Lekin modellar jamlanmasi, agar ularni ko'rsatkichlari bo'yicha turli guruhlarga va 
har bir muhit bo'yicha birlashtirsak, tibbiy xizmatni tashkil etishda jiddiy afzallik 
beradi. Bundan tashqari, hammavaqt nol bo'lmagan ehtimol mavjud, bu esa KDD 
usullari yordamida keyingi tahlili yoki ilmiy kashfiyoti, yoki ommoviy tibbiy 
xizmat ko'rsatishni tashkil etishni yaxshilashga olib keladigan model tuzushga 
muvoffiq bo'ladi.
KDD ning real sistemalarga nisbatan eng muhim maqsadi - bu jarayonlar 
mohiyatini tushunishni yaxshilash. 
Murakkab, lekin hali o'rganilmagan 
sistemalarga nisbatan optimal yechim tushunchasi ma’lum xususiyatga ega. Barcha 
masalalar uchun ham “Ideal” tushunishga erishishga intilish ma’noga ega emas.
94

---

Masalan, biznesda optimal yechim deb hamisha vaqt va resurs cheklashlariga mos 
tanlav tushuniladi. Hozirda esa odamlar boshqa odamlarga nisbatan biror yaxshi 
narsa qilishga intiladilar. Shunday qilib, agar biz kishi tasavvuruga eng yuqori 
darajada optimal yechimlarni izlash uchun KDD usullaridan foydalanishni istasak, 
u holda imtiyozlarni aniqlashtirish zarur. Ya’ni murakkab sistemalarda “Ideal” 
optimumga erishish uchun boshqa sistemalar bilan taqqoslash yo'li bilan 
aniqlanadigan doimiy yaxshilash usuliga nisbatan kamroq ahamiyatli bo'lib qolishi 
mumkin.
KDD - bu faqat tahlik vositalari jamlanmasi, lekin barcha hayotiy vaziyatlar 
uchun vosita emas. KDD ma’lumotlarning o'zini ham, qo'llanilgan usullar 
asoslarini tadqiqotchi tamonidan bilish va tushunish zarurligini e’tiborga oladi. Bu 
vositalar jamlanmasi faqat ma’lumotlardan modellar va munosabatlarni topishda 
analitiklarga yordam berishi mumkin. Topilgan model turli ko'rsatkichlarining 
o'zaro bog’lanishi ba’zi ko'rsatkichlarning oddiy statistik korrelyatsiyasi kabi 
modelning o'z - o'ziga o'zaro bog’lanishi haqida dalolat bera olmaydi. Har bir 
model odamlar tamonidan tahlil qilinishi kerak va real hayotda tekshirilishi lozim.
KDD jihozlari odatda foydalanuvchidan yashirin va uni foydalanilayotgan 
usullarni qo'llashdagi murakkablik va nozikliklarni oshkora bilishdan saqlasada, u 
foydalanuvchidan tashuvchi jixozlar va algoritmlar ishlash asoslarini tushunishni 
talab etadi.
KDD texnologiya shifokor - tahlilchi yoki menejerlarning o'rnini bosa 
olmaydi. Ularga o'zlari boshqaradigan ish sifatini yaxshilash uchun zamonaviy, 
qudratli vositani beradi. Albatta, ma’lumotlar omborida yangi bilimni topish 
texnologiyasi tadqiqotchi qo'yilgan savollarga javob beradi.
KDD va OLAP [23, 24]. M a’lumotlarni qayta ishlash bilan shuullanadigan 
odamlarda ko'pincha bitta savol uchrab turadi. Bu Data mining va OLAP (On-Line