1) Massive data sets and high dimen

1) Massive data sets and high dimensionality. Huge data sets create combinatorially explosive search space for model induction, and increase the chances that a data mining al¬gorithm will find spurious patterns that are not generally valid. Possible solutions include robust and efficient al¬gorithms, sampling approximation methods and parallel processing.
2) User interaction and prior knowledge. Data mining is in-herently an interactive and iterative process. Users may interact at various stages, and domain knowledge may be
used either in the form of a high-level specification of the model, or at a more detailed level. Visualization of the ex¬tracted model is also desirable.
3) Overfitting and assessing the statistical significance. Data sets used for mining are usually huge and available from distributed sources. As a result, often the presence of spu¬rious data points leads to overfitting of the models. Regu¬larization and resampling methodologies need to be em¬phasized for model design.
4) Understandability ofpatterns. It is necessary to make the discoveries more understandable to humans. Possible so¬lutions include rule structuring, natural language repre-sentation, and the visualization of data and knowledge.
5) Nonstandard and incomplete data. The data can be missing and/or noisy.
6) Mixed media data. Learning from data that is represented by a combination of various media, like (say) numeric, symbolic, images and text.
7) Management of changing data and knowledge. Rapidly changing data, in a database that is modified/deleted/aug¬mented, may make previously discovered patterns invalid. Possible solutions include incremental methods for updating the patterns.
8) Integration. Data mining tools are often only a part of the entire decision making system. It is desirable that they integrate smoothly, both with the database and the final decision making procedure.

Hasil (Bahasa Indonesia) 1:

1) besar set data dan dimensi tinggi. Kumpulan data besar membuat ruang combinatorially peledak pencarian untuk induksi model, dan meningkatkan kemungkinan bahwa data pertambangan al¬gorithm akan menemukan pola palsu yang tidak umumnya berlaku. Solusi yang mungkin termasuk al¬gorithms kuat dan efisien, sampling metode pendekatan dan pemrosesan paralel.2) interaksi pengguna dan pengetahuan. Data pertambangan adalah proses yang interaktif dan berkelanjutan di herently. Pengguna dapat berinteraksi di berbagai tahapan, dan domain pengetahuan mungkindigunakan baik dalam bentuk spesifikasi tingkat tinggi model, atau pada tingkat yang lebih rinci. Visualisasi model ex¬tracted juga diharapkan.3) overfitting dan menilai signifikansi Statistik. Kumpulan data yang digunakan untuk pertambangan ini biasanya sangat besar dan tersedia dari sumber. Akibatnya, sering kehadiran titik data spu¬rious mengarah ke overfitting model. Regu¬larization dan resampling metodologi perlu em¬phasized untuk model desain.4) understandability ofpatterns. Hal ini diperlukan untuk membuat penemuan yang lebih dimengerti manusia. So¬lutions mungkin termasuk aturan penataan, bahasa alam tersembunyi mewakili-sentation dan visualisasi data dan pengetahuan.5) data yang tidak standar dan lengkap. Data dapat hilang dan/atau bising.6) campuran media data. Belajar dari data yang diwakili oleh kombinasi dari berbagai media, seperti (katakanlah) angka, simbol, gambar dan teks.7) manajemen perubahan data dan pengetahuan. Cepat berubah data dalam database yang dimodifikasi/dihapus/aug¬mented, dapat membuat pola sebelumnya ditemukan tidak valid. Solusi yang mungkin termasuk inkremental metode untuk pembaruan pola.8) integrasi. Alat pertambangan data yang sering hanya bagian dari sistem pengambilan keputusan seluruh. Sangat diharapkan bahwa mereka mengintegrasikan lancar, baik dengan database dan prosedur pengambilan keputusan akhir.

Hasil (Bahasa Indonesia) 2:

1) data set besar-besaran dan dimensi tinggi. Set data yang besar membuat ruang pencarian combinatorially peledak untuk model induksi, dan meningkatkan kemungkinan bahwa al¬gorithm data mining akan menemukan pola palsu yang tidak umumnya berlaku. Solusi yang mungkin termasuk al¬gorithms kuat dan efisien, metode pendekatan sampling dan pemrosesan paralel.
2) Interaksi pengguna dan pengetahuan sebelumnya. Data mining adalah di-herently proses interaktif dan iteratif. Pengguna dapat berinteraksi pada berbagai tahap, dan pengetahuan domain dapat
digunakan baik dalam bentuk spesifikasi tingkat tinggi dari model, atau pada tingkat yang lebih rinci. Visualisasi model ex¬tracted juga diinginkan.
3) Overfitting dan menilai signifikansi statistik. Set data yang digunakan untuk pertambangan biasanya besar dan tersedia dari sumber didistribusikan. Akibatnya, sering adanya titik data spu¬rious menyebabkan overfitting model. Regu¬larization dan resampling metodologi perlu em¬phasized untuk model desain.
4) ofpatterns Understandability. Hal ini diperlukan untuk membuat penemuan lebih dimengerti manusia. Kemungkinan so¬lutions termasuk aturan penataan, alam bahasa Repre-sentation, dan visualisasi data dan pengetahuan.
5) Data tidak standar dan tidak lengkap. Data dapat hilang dan / atau berisik.
6) media data Campuran. Belajar dari data yang diwakili oleh kombinasi dari berbagai media, seperti (katakanlah) numerik, simbolik, gambar dan teks.
7) Pengelolaan mengubah data dan pengetahuan. Cepat berubah data, dalam database yang diubah / dihapus / aug¬mented, dapat membuat pola yang ditemukan sebelumnya tidak valid. Solusi yang mungkin termasuk metode tambahan untuk memperbarui pola.
8) Integrasi. Alat data mining sering hanya bagian dari seluruh sistem pengambilan keputusan. Sangat diharapkan bahwa mereka mengintegrasikan dengan lancar, baik dengan database dan prosedur pengambilan keputusan akhir.