序論：寫(xiě)作是一種深度的自我表達(dá)。它要求我們深入探索自己的思想和情感，挖掘那些隱藏在內(nèi)心深處的真相，好投稿為您帶來(lái)了七篇數(shù)據(jù)挖掘技術(shù)論文范文，愿它們成為您寫(xiě)作過(guò)程中的靈感催化劑，助力您的創(chuàng)作。

篇(1)

數(shù)據(jù)挖掘技術(shù)是一種新型的技術(shù)，在現(xiàn)代數(shù)據(jù)存儲(chǔ)以及測(cè)量技術(shù)的迅猛發(fā)展過(guò)程中，人們可以進(jìn)行信息的大量測(cè)量并進(jìn)行存儲(chǔ)。但是，在大量的信息背后卻沒(méi)有一種有效的手段和技術(shù)進(jìn)行直觀的表達(dá)和分析。而數(shù)據(jù)挖掘技術(shù)的出現(xiàn)，是對(duì)目前大數(shù)據(jù)時(shí)代的一種應(yīng)急手段，使得有關(guān)計(jì)算機(jī)數(shù)據(jù)處理技術(shù)得到加快發(fā)展。數(shù)據(jù)挖掘技術(shù)最早是從機(jī)器學(xué)習(xí)的概念中而產(chǎn)生的，在對(duì)機(jī)器的學(xué)習(xí)過(guò)程中，一般不采用歸納或者較少使用這種方法，這是一種非常機(jī)械的操作辦法。而沒(méi)有指導(dǎo)性學(xué)習(xí)的辦法一般不從這些環(huán)境得出反饋，而是通過(guò)沒(méi)有干預(yù)的情況下進(jìn)行歸納和學(xué)習(xí)，并建立一種理論模型。數(shù)據(jù)挖掘技術(shù)是屬于例子歸納學(xué)習(xí)的一種方式，這種從例子中進(jìn)行歸納學(xué)習(xí)的方式是介于上述無(wú)指導(dǎo)性學(xué)習(xí)以及較少使用歸納學(xué)習(xí)這兩種方式之間的一種方式。因此，可以說(shuō)，數(shù)據(jù)挖掘技術(shù)的特征在出自于機(jī)器學(xué)習(xí)的背景下，與其相比機(jī)器主要關(guān)心的是如何才能有效提高機(jī)器的學(xué)習(xí)能力，但數(shù)據(jù)挖掘技術(shù)主要關(guān)心如何才能找到有用、有價(jià)值的信息。其第二個(gè)特征是，與機(jī)器學(xué)習(xí)特點(diǎn)相比較而言，機(jī)器關(guān)心的是小數(shù)據(jù)，而數(shù)據(jù)挖掘技術(shù)所面臨的對(duì)象則是現(xiàn)實(shí)中海量規(guī)模的數(shù)據(jù)庫(kù)，其作用主要是用來(lái)處理一些異常現(xiàn)象，特別是處理殘缺的、有噪音以及維數(shù)很高的數(shù)據(jù)項(xiàng)，甚至是一些不同類(lèi)型數(shù)據(jù)。以往的數(shù)據(jù)處理方法和現(xiàn)代的數(shù)據(jù)挖掘技術(shù)相比較而言，其不同點(diǎn)是以往的傳統(tǒng)數(shù)據(jù)處理方法前提是把理論作為一種指導(dǎo)數(shù)據(jù)來(lái)進(jìn)行處理，在現(xiàn)代數(shù)據(jù)挖掘技術(shù)的出發(fā)角度不同，主要運(yùn)用啟發(fā)式的歸納學(xué)習(xí)進(jìn)行理論以及假設(shè)來(lái)處理的。

2、數(shù)據(jù)挖掘技術(shù)主要步驟

數(shù)據(jù)挖掘技術(shù)首先要建立數(shù)據(jù)倉(cāng)庫(kù)，要根據(jù)實(shí)際情況而定，在易出現(xiàn)問(wèn)題的有關(guān)領(lǐng)域建立有效的數(shù)據(jù)庫(kù)。主要是用來(lái)把數(shù)據(jù)庫(kù)中的所有的存儲(chǔ)數(shù)據(jù)進(jìn)行分析，而目前的一些數(shù)據(jù)庫(kù)雖然可以進(jìn)行大量的存儲(chǔ)數(shù)據(jù)，同時(shí)也進(jìn)行了一系列的技術(shù)發(fā)展。比如，系統(tǒng)中的在線(xiàn)分析處理，主要是為用戶(hù)查詢(xún)，但是卻沒(méi)有查詢(xún)結(jié)果的分析能力，而查詢(xún)的結(jié)果仍舊由人工進(jìn)行操作，依賴(lài)于對(duì)手工方式進(jìn)行數(shù)據(jù)測(cè)試并建模。其次，在數(shù)據(jù)庫(kù)中存儲(chǔ)的數(shù)據(jù)選一數(shù)據(jù)集，作為對(duì)數(shù)據(jù)挖掘算法原始輸入。此數(shù)據(jù)集所涉及到數(shù)據(jù)的時(shí)變性以及統(tǒng)一性等情況。然后，再進(jìn)行數(shù)據(jù)的預(yù)處理，在處理中主要對(duì)一些缺損數(shù)據(jù)進(jìn)行補(bǔ)齊，并消除噪聲，此外還應(yīng)對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化的處理。隨后，再對(duì)數(shù)據(jù)進(jìn)行降維和變換。如果數(shù)據(jù)的維數(shù)比較高，還應(yīng)找出維分量高的數(shù)據(jù)，對(duì)高維數(shù)數(shù)據(jù)空間能夠容易轉(zhuǎn)化為檢點(diǎn)的低維數(shù)數(shù)據(jù)空間進(jìn)行處理。下一步驟就是確定任務(wù)，要根據(jù)現(xiàn)實(shí)的需要，對(duì)數(shù)據(jù)挖掘目標(biāo)進(jìn)行確定，并建立預(yù)測(cè)性的模型、數(shù)據(jù)的摘要等。隨后再?zèng)Q定數(shù)據(jù)挖掘的算法，這一步驟中，主要是對(duì)當(dāng)前的數(shù)據(jù)類(lèi)型選擇有效的處理方法，此過(guò)程非常重要，在所有數(shù)據(jù)挖掘技術(shù)中起到較大作用。隨后再對(duì)數(shù)據(jù)挖掘進(jìn)行具體的處理和結(jié)果檢驗(yàn)，在處理過(guò)程中，要按照不同的目的，選擇不同的算法，是運(yùn)用決策樹(shù)還是分類(lèi)等的算法，是運(yùn)用聚類(lèi)算法還是使用回歸算法，都要認(rèn)真處理，得出科學(xué)的結(jié)論。在數(shù)據(jù)挖掘結(jié)果檢驗(yàn)時(shí)，要注意幾個(gè)問(wèn)題，要充分利用結(jié)論對(duì)照其他的信息進(jìn)行校核，可對(duì)圖表等一些直觀的信息和手段進(jìn)行輔助分析，使結(jié)論能夠更加科學(xué)合理。需要注意的是要根據(jù)用戶(hù)來(lái)決定結(jié)論有用的程度。最后一項(xiàng)步驟是把所得出的結(jié)論進(jìn)行應(yīng)用到實(shí)際，要對(duì)數(shù)據(jù)挖掘的結(jié)果進(jìn)行仔細(xì)的校驗(yàn)，重點(diǎn)是解決好以前的觀點(diǎn)和看法有無(wú)差錯(cuò)，使目前的結(jié)論和原先看法的矛盾有效解除。

3、數(shù)據(jù)挖掘技術(shù)的方法以及在電力營(yíng)銷(xiāo)系統(tǒng)中的應(yīng)用和發(fā)展

數(shù)控挖掘技術(shù)得到了非常廣泛的應(yīng)用，按照技術(shù)本身的發(fā)展出現(xiàn)了較多方法。例如，建立預(yù)測(cè)性建模方法，也就是對(duì)歷史數(shù)據(jù)進(jìn)行分析并歸納總結(jié)，從而建立成預(yù)測(cè)性模型。根據(jù)此模型以及當(dāng)前的其他數(shù)據(jù)進(jìn)行推斷相關(guān)聯(lián)的數(shù)據(jù)。如果推斷的對(duì)象屬于連續(xù)型的變量，那么此類(lèi)的推斷問(wèn)題可屬回歸問(wèn)題。根據(jù)歷史數(shù)據(jù)來(lái)進(jìn)行分析和檢測(cè)，再做出科學(xué)的架設(shè)和推定。在常用的回歸算法以及非線(xiàn)性變換進(jìn)行有效的結(jié)合，能夠使許多問(wèn)題得到解決。電力營(yíng)銷(xiāo)系統(tǒng)中的數(shù)據(jù)挖掘技術(shù)應(yīng)用中關(guān)聯(lián)規(guī)則是最為關(guān)鍵的技術(shù)應(yīng)用之一。這種應(yīng)用可以有效地幫助決策人員進(jìn)行當(dāng)前有關(guān)數(shù)據(jù)以及歷史數(shù)據(jù)的規(guī)律分析，最后預(yù)測(cè)出未來(lái)情況。把關(guān)聯(lián)規(guī)則成功引入電力營(yíng)銷(xiāo)分析，通過(guò)FP-Growth算法對(duì)電力營(yíng)銷(xiāo)的有關(guān)數(shù)據(jù)進(jìn)行關(guān)聯(lián)規(guī)則分析，從中得出各種電量銷(xiāo)售的影響因素以及外部因素、手電水平等的關(guān)聯(lián)信息，以便更好地為電力的市場(chǎng)營(yíng)銷(xiāo)策略提供參謀和決策。對(duì)電力營(yíng)銷(xiāo)系統(tǒng)的應(yīng)用中，時(shí)間序列挖掘以及序列挖掘非常經(jīng)典、系統(tǒng)，是應(yīng)用最為廣泛的一種預(yù)測(cè)方法。這種方法的應(yīng)用中，對(duì)神經(jīng)網(wǎng)絡(luò)的研究非常之多。因此，在現(xiàn)實(shí)中應(yīng)用主要把時(shí)間序列挖掘以及神經(jīng)網(wǎng)絡(luò)兩者進(jìn)行有效地結(jié)合，然后再分析有關(guān)電力營(yíng)銷(xiāo)數(shù)據(jù)。此外，有關(guān)專(zhuān)家還提出應(yīng)用一種時(shí)間窗的序列挖掘算法，這種方式可以進(jìn)行有效地報(bào)警處理，使電力系統(tǒng)中的故障能夠準(zhǔn)確的定位并診斷事故。此算法對(duì)電力系統(tǒng)的分析和挖掘能力的提高非常有效，還可判定電力系統(tǒng)的運(yùn)行是否穩(wěn)定，對(duì)錯(cuò)誤模型的分析精度達(dá)到一定的精確度。

4、結(jié)語(yǔ)

篇(2)

（1）確定業(yè)務(wù)對(duì)象：做好業(yè)務(wù)對(duì)象的明確是數(shù)據(jù)域挖掘的首要步驟，挖掘的最后結(jié)構(gòu)是不可預(yù)測(cè)的，但是探索的問(wèn)題必須是有預(yù)見(jiàn)的，明確業(yè)務(wù)對(duì)象可以避免數(shù)據(jù)挖掘的盲目性，從而大大提高成功率。

（2）數(shù)據(jù)準(zhǔn)備：首先，對(duì)于業(yè)務(wù)目標(biāo)相關(guān)的內(nèi)部和外部數(shù)據(jù)信息進(jìn)行查找，從中找出可以用于數(shù)據(jù)挖掘的信息；其次，要對(duì)數(shù)據(jù)信息的內(nèi)容進(jìn)行全面細(xì)致分析，確定需要進(jìn)行挖掘操作的類(lèi)型；然后，結(jié)合相應(yīng)的挖掘算法，將數(shù)據(jù)轉(zhuǎn)化稱(chēng)為相應(yīng)的分析模型，以保證數(shù)據(jù)挖掘的順利進(jìn)行。

（3）數(shù)據(jù)挖掘：在對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)化后，就可以結(jié)合相應(yīng)的挖掘算法，自動(dòng)完成相應(yīng)的數(shù)據(jù)分析工作。

（4）結(jié)果分析：對(duì)得到的數(shù)據(jù)分析結(jié)果進(jìn)行評(píng)價(jià)，結(jié)合數(shù)據(jù)挖掘操作明確分析方法，一般情況下，會(huì)用到可視化技術(shù)。

（5）知識(shí)同化：對(duì)分析得到的數(shù)據(jù)信息進(jìn)行整理，統(tǒng)一到業(yè)務(wù)信息系統(tǒng)的組成結(jié)構(gòu)中。這個(gè)步驟不一定能夠一次完成，而且其中部分步驟可能需要重復(fù)進(jìn)行。

二、數(shù)據(jù)挖掘技術(shù)在水利工程管理中的實(shí)施要點(diǎn)

水利工程在經(jīng)濟(jì)和社會(huì)發(fā)展中是非常重要的基礎(chǔ)設(shè)施，做好水利工程管理工作，確保其功能的有效發(fā)揮，是相關(guān)管理人員需要重點(diǎn)考慮的問(wèn)題。最近幾年，隨著社會(huì)經(jīng)濟(jì)的飛速發(fā)展，水利工程項(xiàng)目的數(shù)量和規(guī)模不斷擴(kuò)大，產(chǎn)生的水利科學(xué)數(shù)據(jù)也在不斷增加，這些數(shù)據(jù)雖然繁瑣，但是在許多科研生產(chǎn)活動(dòng)和日常生活中都是不可或缺的。例如，在對(duì)洪澇、干旱的預(yù)防以及對(duì)生態(tài)環(huán)境問(wèn)題的處理方面，獲取完整的水利科學(xué)數(shù)據(jù)是首要任務(wù)。那么，針對(duì)日益繁雜的海量水利科學(xué)數(shù)據(jù)，如何對(duì)有用的信息知識(shí)進(jìn)行提取呢？數(shù)據(jù)挖掘技術(shù)的應(yīng)用有效的解決了這個(gè)問(wèn)題，可以從海量的數(shù)據(jù)信息中，挖掘出潛在的、有利用價(jià)值的知識(shí)，為相關(guān)決策提供必要的支持。

1.強(qiáng)化數(shù)據(jù)庫(kù)建設(shè)

要想對(duì)各類(lèi)數(shù)據(jù)進(jìn)行科學(xué)有效的收集和整理，就必須建立合理完善的數(shù)據(jù)庫(kù)。對(duì)于水利工程而言，應(yīng)該建立分類(lèi)數(shù)據(jù)庫(kù)，如水文、河道河情、水量調(diào)度、防洪、汛情等，確保數(shù)據(jù)的合理性、全面性和準(zhǔn)確性，選擇合適的方法，對(duì)有用數(shù)據(jù)進(jìn)行挖掘。

2.合理選擇數(shù)據(jù)挖掘算法

（1）關(guān)聯(lián)規(guī)則挖掘算法：關(guān)聯(lián)規(guī)則挖掘問(wèn)題最早提出于1993年，在當(dāng)前數(shù)據(jù)挖掘領(lǐng)域，從事務(wù)數(shù)據(jù)庫(kù)中發(fā)現(xiàn)關(guān)聯(lián)規(guī)則，已經(jīng)成為一個(gè)極其重要的研究課題。關(guān)聯(lián)規(guī)則挖掘的主要目的，是尋找和挖掘隱藏在各種數(shù)據(jù)之間的相互關(guān)系，通過(guò)量化的數(shù)據(jù)，來(lái)描述事務(wù)A的出現(xiàn)對(duì)于事務(wù)B出現(xiàn)可能產(chǎn)生的影響，關(guān)聯(lián)規(guī)則挖掘就是給定一組Item以及相應(yīng)的記錄組合，通過(guò)對(duì)記錄組合的分析，推導(dǎo)出Item間存在的相關(guān)性。當(dāng)前對(duì)于關(guān)聯(lián)規(guī)則的描述，一般是利用支持度和置信度，支出度是指產(chǎn)品集A、B同時(shí)出現(xiàn)的概率，置信度則是在事務(wù)集A出現(xiàn)的前提下，B出現(xiàn)的概率。通過(guò)相應(yīng)的關(guān)聯(lián)分析，可以得出事務(wù)A、B同時(shí)出現(xiàn)的簡(jiǎn)單規(guī)則，以及每一條規(guī)則的支持度和置信度，支持度高則表明規(guī)則被經(jīng)常使用，置信度高則表明規(guī)則相對(duì)可靠，通過(guò)關(guān)聯(lián)分析，可以明確事務(wù)A、B的關(guān)聯(lián)程度，決定兩種事務(wù)同時(shí)出現(xiàn)的情況。

（2）自頂而下頻繁項(xiàng)挖掘算法：對(duì)于長(zhǎng)頻繁項(xiàng)，如果采用關(guān)聯(lián)規(guī)則挖掘算法，需要進(jìn)行大量的計(jì)算分析，不僅耗時(shí)耗力，而且影響計(jì)算的精準(zhǔn)度，這時(shí)，就可以采用自頂而下頻繁項(xiàng)挖掘算法，這種算法是一種相對(duì)優(yōu)秀的長(zhǎng)頻繁項(xiàng)挖掘算法，利用了事務(wù)項(xiàng)目關(guān)聯(lián)信息表、項(xiàng)目約簡(jiǎn)、關(guān)鍵項(xiàng)目以及投影數(shù)據(jù)庫(kù)等新概念與投影、約簡(jiǎn)等新方法，在對(duì)候選集進(jìn)行生成的過(guò)程中，應(yīng)該對(duì)重復(fù)分支進(jìn)行及時(shí)修剪，提升算法的實(shí)際效率，從而有效解決了長(zhǎng)頻繁項(xiàng)的挖掘問(wèn)題。結(jié)合計(jì)算機(jī)實(shí)驗(yàn)以及算法分析，可以看出，這種方法是相對(duì)完善的，同時(shí)也是十分有效的。不過(guò)需要注意的是，當(dāng)支持度較大、頻繁項(xiàng)相對(duì)較短時(shí)，利用關(guān)聯(lián)規(guī)則挖掘中典型的Apriori方法，可以起到更好的效果。

（3）頻繁項(xiàng)雙向挖掘算法：這種算法是一種融合了自頂向下以及自底向上的雙向挖掘算法，可以較好的解決長(zhǎng)頻繁項(xiàng)以及段頻繁項(xiàng)的挖掘問(wèn)題，主挖掘方向是利用自頂向下挖掘策略，但是結(jié)合自底向上方法生成的非頻繁項(xiàng)集，可以對(duì)候選集進(jìn)行及時(shí)修剪，提升算法的實(shí)際效率。

三、結(jié)語(yǔ)

篇(3)

[參考文獻(xiàn)]

[1]董西明.客戶(hù)關(guān)系管理及其應(yīng)用[J].學(xué)術(shù)交流，2004（8）

[2]王光玲.CRM—企業(yè)管理理念新發(fā)展[J].經(jīng)濟(jì)論壇，2003（9）

[3]崔京波，陳穎.論CRM及應(yīng)用[J].科學(xué)與管理，2005（6）

[4]田丹.淺析供應(yīng)鏈環(huán)境下的客戶(hù)關(guān)系管理（CRM）[J].商情（教育經(jīng)濟(jì)研究），2008（3）

[5]左臻.淺談客戶(hù)關(guān)系管理[J].科技情報(bào)開(kāi)發(fā)與經(jīng)濟(jì)，2005（5）

[6]徐輝.淺析客戶(hù)關(guān)系管理[J].商業(yè)經(jīng)濟(jì)，2008（10）

[7]姚德全，于冬梅.客戶(hù)關(guān)系管理在企業(yè)發(fā)展中的重要性[J].科技創(chuàng)新與應(yīng)用，2013（8）

參考文獻(xiàn)

[1]郭愈強(qiáng)，樊瑋.數(shù)據(jù)挖掘技術(shù)在民航CRM中的應(yīng)用[J]，計(jì)算機(jī)工程，2005（31）：169-171.

[2]劉彬，白萬(wàn)民.淺析數(shù)據(jù)挖掘技術(shù)在CRM中的應(yīng)用[J].電子世界，2014，01（17）：16-17.

[3]楊虎猛，朱汝岳.金融業(yè)分型CRM系統(tǒng)探索與應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件，2013，07（30）：259-261.

[4]徐國(guó)慶，段春梅.數(shù)據(jù)挖掘技術(shù)在CRM中的應(yīng)用研究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2012，02（12）：38-40.

[5]王一鴻.體檢中心CRM構(gòu)建及數(shù)據(jù)挖掘的應(yīng)用研究[D].華東理工大學(xué)，2011.

[6]潘光強(qiáng).基于數(shù)據(jù)挖掘的CRM設(shè)計(jì)與應(yīng)用研究[D].安徽工業(yè)大學(xué)，2011.

參考文獻(xiàn)：

[1]廖雯.基于客戶(hù)生命周期的CRM策略研究[J].商，2015（17）：15-15.

[2]陳杭.電子商務(wù)的營(yíng)銷(xiāo)資源在CRM策略中有效分配探討[J].現(xiàn)代商業(yè)，2015（11）：42-43.

[3]金子琦.紛享銷(xiāo)客中國(guó)式CRM商業(yè)邏輯大復(fù)盤(pán)[J].創(chuàng)業(yè)邦，2015（10）：90-91.

篇(4)

[關(guān)鍵詞]數(shù)據(jù)挖掘 風(fēng)險(xiǎn)評(píng)估 集裝箱

一、引言

隨著我國(guó)對(duì)外貿(mào)易的快速發(fā)展，進(jìn)境箱量顯著增長(zhǎng)。“十一五”期間，檢出攜帶疫情及有毒有害物質(zhì)箱數(shù)呈持續(xù)增長(zhǎng)趨勢(shì)。僅2010年度，共受理進(jìn)境集裝箱申報(bào)3699.06萬(wàn)箱，同比增長(zhǎng)14.04%，檢出攜帶疫情或有毒有害物質(zhì)的43.66萬(wàn)箱，比去年同期提高了28.20%。進(jìn)境檢出疫情箱數(shù)占查驗(yàn)箱數(shù)的比例（即查驗(yàn)檢出率）為3.26%，同比提高0.43個(gè)百分點(diǎn)。這反映出進(jìn)境集裝箱攜帶疫情及有毒有害物質(zhì)情況十分普遍，進(jìn)境集裝箱檢疫面臨形勢(shì)十分嚴(yán)峻。

目前，在進(jìn)境集裝箱檢疫工作中主要采用以人工判斷為主的經(jīng)驗(yàn)式方法，效率比較低，工作量繁重，經(jīng)驗(yàn)知識(shí)傳承性差。但是在多年來(lái)的實(shí)踐過(guò)程中，我們已經(jīng)積累了大量的經(jīng)驗(yàn)和數(shù)據(jù)。通過(guò)數(shù)據(jù)挖掘技術(shù)在已有的數(shù)據(jù)中發(fā)現(xiàn)未知的模式和知識(shí)可以為入境集裝箱風(fēng)險(xiǎn)進(jìn)行評(píng)估，并為檢疫業(yè)務(wù)決策提供輔助支持。

二、數(shù)據(jù)挖掘技術(shù)

數(shù)據(jù)挖掘（Data Mining）就是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識(shí)的過(guò)程。簡(jiǎn)而言之，數(shù)據(jù)挖掘其實(shí)是一類(lèi)深層次的數(shù)據(jù)分析方法。數(shù)據(jù)挖掘已廣泛應(yīng)用于生物醫(yī)學(xué)、金融、零售業(yè)、電信業(yè)、海關(guān)監(jiān)管等領(lǐng)域，并產(chǎn)生了巨大的效益。數(shù)據(jù)挖掘技術(shù)同樣能夠?qū)⒋罅康臋z疫數(shù)據(jù)提煉、轉(zhuǎn)化為可以理解和應(yīng)用的模式和知識(shí)來(lái)指導(dǎo)檢疫業(yè)務(wù)。

數(shù)據(jù)分類(lèi)（DataClassification）是數(shù)據(jù)挖掘技術(shù)的一個(gè)重要分支。從根本上說(shuō)，數(shù)據(jù)分類(lèi)就是通過(guò)對(duì)源數(shù)據(jù)的特點(diǎn)進(jìn)行歸納和描述。要進(jìn)行數(shù)據(jù)分類(lèi)，必須使用特定的分類(lèi)工具，方法主要包括：ID3算法、C4.5算法、SPRINT算法、SLIQ算法、EM算法、AQ算法、CN2算法等。數(shù)據(jù)分類(lèi)是數(shù)據(jù)挖掘的基本功能、重要功能，目前在商業(yè)、工業(yè)、軍事、生活、海關(guān)監(jiān)管上應(yīng)用最多，具有非常高的使用價(jià)值。

三、數(shù)據(jù)概念模型

根據(jù)從進(jìn)境集裝箱中檢出疫情及有毒有害物質(zhì)情況的不同，將檢出問(wèn)題分為7類(lèi)，分別是：①人類(lèi)傳染病和動(dòng)物傳染病病原體；②植物危性病、蟲(chóng)、雜草以及其它有害生物；③嚙齒動(dòng)物、蚊、蠅、蟑螂等病媒生物；④土壤、動(dòng)物尸體等禁止進(jìn)境物；⑤動(dòng)植物殘留物；⑥生活垃圾及其他有毒有害物質(zhì)；⑦其他問(wèn)題——7類(lèi)問(wèn)題，對(duì)應(yīng)每一類(lèi)問(wèn)題需要建立一個(gè)可用于數(shù)據(jù)挖掘的數(shù)據(jù)概念模型，其主要包括：

（1）7大類(lèi)問(wèn)題集裝箱同諸如：①來(lái)源地；②箱主公司；③承運(yùn)人；④貨運(yùn)方式等特征數(shù)據(jù)存在哪些未知的、潛在有用的模式和知識(shí)，明確對(duì)每類(lèi)問(wèn)題集裝箱產(chǎn)生影響的特征數(shù)據(jù)，建立一套對(duì)應(yīng)各類(lèi)問(wèn)題集裝箱的風(fēng)險(xiǎn)數(shù)據(jù)字典；

（2）CIQ數(shù)據(jù)庫(kù)中并不包含所有的特征數(shù)據(jù)，一些重要的特征數(shù)據(jù)需要通過(guò)與場(chǎng)站、貨運(yùn)公司的比對(duì)才能獲得。同時(shí)，要對(duì)數(shù)據(jù)進(jìn)行采集、清洗、轉(zhuǎn)換等步驟，建立可以用于數(shù)據(jù)挖掘的數(shù)據(jù)概念模型。

四、風(fēng)險(xiǎn)評(píng)估模型

對(duì)進(jìn)境集裝箱進(jìn)行風(fēng)險(xiǎn)評(píng)估主要用到數(shù)據(jù)挖掘中的重要分支——分類(lèi)技術(shù)，建立和完善風(fēng)險(xiǎn)評(píng)估模型關(guān)系到風(fēng)險(xiǎn)評(píng)估系統(tǒng)研究的成敗，主要研究?jī)?nèi)容如下：

（1）分類(lèi)技術(shù)有ID3算法、C4.5算法、SPRINT算法、SLIQ算法等，結(jié)合檢疫工作實(shí)際選擇合適的算法進(jìn)行數(shù)據(jù)挖掘，并在實(shí)踐中對(duì)模型進(jìn)行修正和完善；

（2）選擇和使用SAS公司提供的SAS/BASE、SAS/STAT、SAS/LAB等模塊化分析工具對(duì)7類(lèi)問(wèn)題集裝箱進(jìn)行逐類(lèi)數(shù)據(jù)挖掘、建模。

五、典型系統(tǒng)應(yīng)用開(kāi)發(fā)

基于上述的研究成果，設(shè)計(jì)實(shí)現(xiàn)一個(gè)基于數(shù)據(jù)挖掘技術(shù)的進(jìn)境集裝箱風(fēng)險(xiǎn)評(píng)估管理系統(tǒng)，重點(diǎn)關(guān)注下面系統(tǒng)，如圖1所示：

（1）面向檢疫查驗(yàn)人員設(shè)計(jì)并實(shí)現(xiàn)一個(gè)基于Web技術(shù)的軟件系統(tǒng)，通過(guò)此軟件，檢疫管理人員可以將已有風(fēng)險(xiǎn)評(píng)估模型軟件化，系統(tǒng)接收進(jìn)境集裝箱特征數(shù)據(jù)，自動(dòng)對(duì)風(fēng)險(xiǎn)進(jìn)行預(yù)評(píng)估。同時(shí)，將用于風(fēng)險(xiǎn)評(píng)估的數(shù)據(jù)獨(dú)立于CIQ數(shù)據(jù)庫(kù)存在，為以后進(jìn)一步完善風(fēng)險(xiǎn)評(píng)估模型提供數(shù)據(jù)庫(kù)支持。

（2）面向檢疫查驗(yàn)人員設(shè)計(jì)并實(shí)現(xiàn)一個(gè)軟件終端，考慮到檢疫查驗(yàn)一線(xiàn)人員工作環(huán)境分散、移動(dòng)的特點(diǎn)，重點(diǎn)面向主流嵌入式系統(tǒng)（Apple、Angel、Symban、Windows-Mobile等）和移動(dòng)終端（如手機(jī)、PDA、iPOD等）展開(kāi)研發(fā)。

圖 基于數(shù)據(jù)挖掘技術(shù)的風(fēng)險(xiǎn)評(píng)估系統(tǒng)

六、結(jié)論

針對(duì)出入境檢驗(yàn)檢疫部門(mén)在對(duì)進(jìn)境集裝箱檢疫查驗(yàn)中盲目性大、工作效率低等客觀實(shí)際，研究一個(gè)基于數(shù)據(jù)挖掘技術(shù)的進(jìn)境集裝箱風(fēng)險(xiǎn)評(píng)估模型，并將其軟件化、實(shí)用化，通過(guò)軟件自動(dòng)對(duì)進(jìn)境集裝箱進(jìn)行風(fēng)險(xiǎn)等級(jí)評(píng)估，指導(dǎo)日常檢疫查驗(yàn)工作，降低檢驗(yàn)查驗(yàn)的盲目性，提升檢疫查驗(yàn)人員的工作效率，提高把關(guān)成效。

參考文獻(xiàn)：

[1]舒軍生.數(shù)據(jù)挖掘技術(shù)在企業(yè)信用分類(lèi)管理系統(tǒng)中的應(yīng)用.安徽：安徽大學(xué)碩士論文.2010

[2]高燕. 基于數(shù)據(jù)挖掘技術(shù)的海關(guān)執(zhí)法評(píng)估系統(tǒng)的研究與開(kāi)發(fā).武漢：武漢理工大學(xué)碩士論文.2002

篇(5)

論文摘要：隨著數(shù)據(jù)庫(kù)技術(shù)和人工智能技術(shù)的不斷進(jìn)步，數(shù)據(jù)挖掘技術(shù)逐步發(fā)展起來(lái)，作為當(dāng)前計(jì)算機(jī)信息技術(shù)中的一項(xiàng)較為新興的技術(shù)，綜合運(yùn)用了數(shù)理統(tǒng)計(jì)、模式識(shí)別、計(jì)算智能、人工智能等多項(xiàng)先進(jìn)技術(shù)，主要是從大量的數(shù)據(jù)中來(lái)發(fā)現(xiàn)和挖掘一些隱含的有價(jià)值的知識(shí)，從大型的數(shù)據(jù)庫(kù)數(shù)據(jù)中挖掘一些人們比較感興趣的知識(shí)，本文主要講了數(shù)據(jù)挖掘技術(shù)的概念、數(shù)據(jù)挖掘技術(shù)在保護(hù)設(shè)備故障信息中的實(shí)現(xiàn)方法以及數(shù)據(jù)挖掘技術(shù)保護(hù)設(shè)備故障信息管理的基本功能等問(wèn)題。

數(shù)據(jù)挖掘技術(shù)作為當(dāng)前計(jì)算機(jī)信息技術(shù)中的一項(xiàng)較為新興的技術(shù)，綜合運(yùn)用了數(shù)理統(tǒng)計(jì)、模式識(shí)別、計(jì)算智能、人工智能等多項(xiàng)先進(jìn)技術(shù)，主要是從大量的數(shù)據(jù)中來(lái)發(fā)現(xiàn)和挖掘一些隱含的有價(jià)值的知識(shí)，也就是從大型的數(shù)據(jù)庫(kù)數(shù)據(jù)中挖掘一些人們比較感興趣的知識(shí)，這些被提取的知識(shí)通常會(huì)表現(xiàn)為模式、規(guī)律、規(guī)則和概念，將數(shù)據(jù)挖掘的所有對(duì)象定義成數(shù)據(jù)庫(kù)或者是文件系統(tǒng)以及其他的一些組織在一起的數(shù)據(jù)集合，數(shù)據(jù)挖掘技術(shù)也是現(xiàn)在智能理論系統(tǒng)的重要研究?jī)?nèi)容，已經(jīng)開(kāi)始被應(yīng)用于行政管理、醫(yī)學(xué)、金融、商業(yè)、工業(yè)等不同的領(lǐng)域當(dāng)中，在保護(hù)設(shè)備故障信息管理方面發(fā)揮出了積極的作用。

一、數(shù)據(jù)挖掘技術(shù)的概念

隨著數(shù)據(jù)庫(kù)技術(shù)和人工智能技術(shù)的不斷進(jìn)步，數(shù)據(jù)挖掘技術(shù)逐步發(fā)展起來(lái)，主要是指從大量的數(shù)據(jù)中發(fā)現(xiàn)和挖掘一些隱含的有價(jià)值的有用信息和知識(shí)，這些被提取的知識(shí)通常會(huì)表現(xiàn)為模式、規(guī)律、規(guī)則和概念，將數(shù)據(jù)挖掘的所有對(duì)象定義成數(shù)據(jù)庫(kù)或者是文件系統(tǒng)以及其他的一些組織在一起的數(shù)據(jù)集合，當(dāng)前數(shù)據(jù)挖掘技術(shù)已經(jīng)逐漸被應(yīng)用于了醫(yī)藥業(yè)、保險(xiǎn)業(yè)、制造業(yè)、電信業(yè)、銀行業(yè)、市場(chǎng)營(yíng)銷(xiāo)等不同的領(lǐng)域，隨著計(jì)算技術(shù)、網(wǎng)絡(luò)技術(shù)以及信息技術(shù)的不斷進(jìn)步，在故障診斷過(guò)程中所采集到的數(shù)據(jù)可以被廣泛地存儲(chǔ)在不同的數(shù)據(jù)庫(kù)當(dāng)中，如果依然采用傳統(tǒng)的數(shù)據(jù)處理方法來(lái)對(duì)這些海量的信息數(shù)據(jù)進(jìn)行分析處理，不僅會(huì)浪費(fèi)大量的實(shí)踐而且也很難挖掘到有效的信息數(shù)據(jù)，同時(shí)，盡管智能診斷以及專(zhuān)家系統(tǒng)等方式在故障的診斷過(guò)程中已經(jīng)被得到了廣泛的應(yīng)用，但是這些方法卻仍然存在著很多推理困難、知識(shí)瓶頸等一些尚未完全被解決的問(wèn)題，采用數(shù)據(jù)挖掘技術(shù)就可以比較有效地來(lái)解決這些難題，在故障診斷的過(guò)程中發(fā)揮其獨(dú)特的優(yōu)勢(shì)。從不同的角度進(jìn)行分析，數(shù)據(jù)挖掘技術(shù)可以分為不同的方法，就目前的發(fā)展現(xiàn)狀來(lái)看，常用的數(shù)據(jù)挖掘技術(shù)方法主要有遺傳算法、粗集方法、神經(jīng)網(wǎng)絡(luò)方法以及決策樹(shù)方法等。

二、數(shù)據(jù)挖掘技術(shù)在保護(hù)設(shè)備故障信息中的實(shí)現(xiàn)方法

1.基本原理。在設(shè)備出現(xiàn)故障時(shí)采用數(shù)據(jù)挖掘技術(shù)對(duì)設(shè)備進(jìn)行一系列的故障診斷，也就是說(shuō)根據(jù)這一設(shè)備的運(yùn)行記錄，對(duì)其運(yùn)行的趨勢(shì)進(jìn)行預(yù)測(cè)，并對(duì)其可能存在的運(yùn)行狀態(tài)進(jìn)行分類(lèi)，故障診斷的實(shí)質(zhì)就是一種模式識(shí)別方式，對(duì)機(jī)器設(shè)備的故障進(jìn)行診斷的過(guò)程也就是該模式匹配和獲取的過(guò)程。

2.對(duì)故障診斷的數(shù)據(jù)挖掘方法建模。針對(duì)機(jī)械故障的診斷來(lái)說(shuō)，首先就應(yīng)當(dāng)獲取一些關(guān)于本機(jī)組的一些運(yùn)行參數(shù)，既要包括機(jī)器在正常運(yùn)行以及平穩(wěn)工作時(shí)的信息數(shù)據(jù)，也應(yīng)當(dāng)包括機(jī)器在出現(xiàn)故障時(shí)的一些信息數(shù)據(jù)，在現(xiàn)場(chǎng)的監(jiān)控系統(tǒng)中往往就會(huì)存在著相應(yīng)的正常工作狀態(tài)下以及出現(xiàn)故障時(shí)的不同運(yùn)行參數(shù)，而數(shù)據(jù)挖掘的任務(wù)就是從這些雜亂無(wú)章的信息樣本庫(kù)中找出其中所隱藏著的內(nèi)在規(guī)律，并且從中提取各自故障的不同特征，在對(duì)故障的模式進(jìn)行劃分時(shí)，我們通常可以借助概率統(tǒng)計(jì)的方式，在對(duì)故障模式進(jìn)行識(shí)別時(shí)可以采用較為成熟的關(guān)聯(lián)規(guī)則理論，實(shí)現(xiàn)變量之間的關(guān)聯(lián)關(guān)系，并最終得到分類(lèi)所需要用到的一些規(guī)則，從而最終達(dá)到分類(lèi)的目的，依據(jù)這些規(guī)則，就可以對(duì)一些新來(lái)的數(shù)據(jù)進(jìn)行判斷，而且可以準(zhǔn)確地對(duì)故障進(jìn)行分類(lèi)，找出故障所產(chǎn)生的原因和解決故障的正確方法。

三、數(shù)據(jù)挖掘技術(shù)保護(hù)設(shè)備故障信息管理的基本功能

1.數(shù)據(jù)傳輸功能。數(shù)據(jù)挖掘技術(shù)保護(hù)設(shè)備故障信息管理與分析系統(tǒng)的主要數(shù)據(jù)來(lái)源就是故障信息的分站系統(tǒng)，而分站系統(tǒng)中的數(shù)據(jù)是各個(gè)子站的一個(gè)數(shù)據(jù)匯總，而保護(hù)設(shè)備故障信息管理與分析系統(tǒng)所采用的獲取數(shù)據(jù)的主要方式就是一些專(zhuān)門(mén)的通信程序構(gòu)建起系統(tǒng)與分站之間的聯(lián)系，將分站上的一些匯總數(shù)據(jù)傳輸?shù)焦收闲畔⑾到y(tǒng)的數(shù)據(jù)庫(kù)中，分析系統(tǒng)所具有的數(shù)據(jù)傳輸功能，在進(jìn)行數(shù)據(jù)的處理時(shí)又能做到不影響原先分站數(shù)據(jù)庫(kù)的正常運(yùn)行，并且具備抗干擾能力強(qiáng)、計(jì)算效率高的優(yōu)點(diǎn)。

2.數(shù)據(jù)的分析功能。系統(tǒng)在正常運(yùn)行時(shí)，會(huì)從故障信息子站或者是分站采集相關(guān)的數(shù)據(jù)并且對(duì)這些采集到的數(shù)據(jù)進(jìn)行分析整理，最終得到有用的數(shù)據(jù)信息，利用數(shù)據(jù)挖掘技術(shù)對(duì)龐大的故障數(shù)據(jù)進(jìn)行分析、分類(lèi)以及整理，能夠有效地找出有用的信息，歸并一些冗余的信息，對(duì)信息進(jìn)行有效地存儲(chǔ)和分類(lèi)。另外，數(shù)據(jù)挖掘技術(shù)還具有信息查詢(xún)的功能，可以進(jìn)行不同條件下的查詢(xún)，例如按時(shí)間段、報(bào)告類(lèi)型、設(shè)備型號(hào)以及單位等進(jìn)行查詢(xún)，實(shí)現(xiàn)查詢(xún)后的備份轉(zhuǎn)存等，根據(jù)故障信息系統(tǒng)所提供高的數(shù)據(jù)信息以及本系統(tǒng)庫(kù)中所保存的一些整定阻抗值，可以通過(guò)邏輯判斷生產(chǎn)繼電保護(hù)動(dòng)作的分析報(bào)告，主要包括對(duì)故障過(guò)程的簡(jiǎn)述、故障切除情況以及保護(hù)動(dòng)作情況等，可以便于繼電保護(hù)人員直觀的對(duì)保護(hù)裝置的動(dòng)作情況進(jìn)行分析。

四、結(jié)語(yǔ)

隨著企業(yè)自動(dòng)化程度的不斷提高以及數(shù)據(jù)庫(kù)技術(shù)的迅速發(fā)展，很多企業(yè)在一些重要的設(shè)備方面都安裝了監(jiān)測(cè)系統(tǒng)，對(duì)設(shè)備運(yùn)行過(guò)程中的一些重要參數(shù)和數(shù)據(jù)進(jìn)行采集，采用數(shù)據(jù)挖掘技術(shù)可以有效地解決設(shè)備故障診斷中的一些知識(shí)獲取瓶頸，將數(shù)據(jù)挖掘系統(tǒng)充分應(yīng)用到監(jiān)控系統(tǒng)中，有效解決故障診斷中的一些困難，事實(shí)證明，將數(shù)據(jù)挖掘技術(shù)應(yīng)用到故障診斷中是非常有效的，也是值得研究和學(xué)習(xí)的新型技術(shù)手段。

參考文獻(xiàn)：

[1]李勛,龔慶武,楊群瑛,羅思需,李社勇.基于數(shù)據(jù)挖掘技術(shù)的保護(hù)設(shè)備故障信息管理與分析系統(tǒng)[j].電力自動(dòng)化設(shè)備,2011,9

[2]李建業(yè),劉志遠(yuǎn),蔡乾,趙洪波.基于web的故障信息系統(tǒng)[j].電力信息化,2007,s1

篇(6)

>> 基于網(wǎng)絡(luò)數(shù)據(jù)挖掘的個(gè)性化電子商務(wù)推薦系統(tǒng)研究 基于大數(shù)據(jù)的社團(tuán)個(gè)性化推薦系統(tǒng) 基于swarm平臺(tái)和社交網(wǎng)絡(luò)的電子商務(wù)個(gè)性化推薦系統(tǒng)仿真模型的理論構(gòu)建 網(wǎng)絡(luò)數(shù)據(jù)挖掘在圖書(shū)館個(gè)性化推薦中的應(yīng)用研究 基于個(gè)性化推薦的網(wǎng)絡(luò)營(yíng)銷(xiāo) 基于數(shù)據(jù)挖掘的電子政務(wù)個(gè)性化推薦服務(wù)框架研究 基于數(shù)據(jù)挖掘的個(gè)性化智能推薦系統(tǒng)應(yīng)用研究 基于社交網(wǎng)絡(luò)的個(gè)性化知識(shí)服務(wù)模型研究 基于免疫進(jìn)化的網(wǎng)絡(luò)教學(xué)資源個(gè)性化推薦系統(tǒng)研究 移動(dòng)社會(huì)網(wǎng)絡(luò)中基于位置的個(gè)性化餐館推薦建模研究 基于IPTV的個(gè)性化推薦技術(shù)的研究 個(gè)性化好友推薦系統(tǒng)在社交網(wǎng)站上的應(yīng)用研究 基于社交網(wǎng)絡(luò)的社會(huì)化推薦算法研究 基于個(gè)性化混合推薦算法的網(wǎng)絡(luò)推薦系統(tǒng) 基于數(shù)據(jù)挖掘的個(gè)性化推薦在SNS中的應(yīng)用 基于Web使用數(shù)據(jù)挖掘的個(gè)性化推薦系統(tǒng)設(shè)計(jì) 基于小數(shù)據(jù)的高校圖書(shū)館個(gè)性化推薦 基于個(gè)性化推薦學(xué)習(xí)的網(wǎng)絡(luò)培訓(xùn)教學(xué)課程平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn) 基于網(wǎng)絡(luò)學(xué)習(xí)行為的個(gè)性化評(píng)價(jià)研究 社會(huì)化標(biāo)簽系統(tǒng)中基于本體的個(gè)性化推薦方法研究 常見(jiàn)問(wèn)題解答 當(dāng)前所在位置：l

[2]張婷婷. 社會(huì)化網(wǎng)絡(luò)中人際關(guān)系與人際傳播研究[D].長(zhǎng)沙：湖南大學(xué)，碩士學(xué)位論文，2012

[3]王萍. 社會(huì)化網(wǎng)絡(luò)的信息擴(kuò)散研究[J]. 情報(bào)雜志，2009，28（10）：39-42

篇(7)

南京大學(xué)的周志華教授曾專(zhuān)門(mén)撰文論述了數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)以及數(shù)據(jù)庫(kù)之間的關(guān)系，他提出：數(shù)據(jù)挖掘可以視為機(jī)器學(xué)習(xí)和數(shù)據(jù)庫(kù)的交叉，主要利用機(jī)器學(xué)習(xí)界提供的技術(shù)來(lái)分析海量數(shù)據(jù)，利用數(shù)據(jù)庫(kù)界提供的技術(shù)來(lái)管理海量數(shù)據(jù)。

組成數(shù)據(jù)挖掘的三大支柱包括統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)和數(shù)據(jù)庫(kù)領(lǐng)域內(nèi)的研究成果，其他還包含了可視化、信息科學(xué)等內(nèi)容。不同的教材從不同的方面結(jié)合其基礎(chǔ)學(xué)科知識(shí)講述數(shù)據(jù)挖掘技術(shù)，不同專(zhuān)業(yè)和技術(shù)背景的學(xué)生或數(shù)據(jù)挖掘研究人員和應(yīng)用人員可以根據(jù)自身的專(zhuān)業(yè)方向選擇不同的數(shù)據(jù)挖掘切入點(diǎn)。下面簡(jiǎn)單歸納目前比較主流的數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)方面的教材。

數(shù)據(jù)挖掘：概念與技術(shù)

原書(shū)名：Data Mining：Concepts and techniques

作者：Jiawei Han

本書(shū)主要從數(shù)據(jù)庫(kù)的角度(數(shù)據(jù)管理和數(shù)據(jù)計(jì)算的角度)講解數(shù)據(jù)挖掘，作者Jiawei Han現(xiàn)任UIUC CS Dept.教授。本書(shū)第2版在豐富和全面的第1版基礎(chǔ)上進(jìn)行了更新和改進(jìn)，并增添了新的重要課題，例如挖掘流數(shù)據(jù)、挖掘社會(huì)網(wǎng)絡(luò)和挖掘空間、多媒體和其他復(fù)雜數(shù)據(jù)。本書(shū)對(duì)數(shù)據(jù)挖掘基本概念、算法及其相關(guān)技術(shù)有比較全面的闡述，是國(guó)內(nèi)大多數(shù)高校指定教材，它不要求太高的數(shù)學(xué)基礎(chǔ)，非常適合數(shù)學(xué)功底一般的學(xué)生使用。

數(shù)據(jù)挖掘：實(shí)用機(jī)器學(xué)習(xí)技術(shù)(原書(shū)第2版)

原書(shū)名：Data Mining: Practical Machine Learning Tools and Techniques

作者：Ian H. Witten, Eibe Frank

本書(shū)主要從機(jī)器學(xué)習(xí)的角度，也有稱(chēng)從數(shù)據(jù)挖掘的應(yīng)用實(shí)現(xiàn)角度來(lái)講解數(shù)據(jù)挖掘，描述了各種算法、模型及其Java實(shí)現(xiàn)，重點(diǎn)是以應(yīng)用的觀點(diǎn)利用案例來(lái)說(shuō)明數(shù)據(jù)挖掘的算法模型，對(duì)于具體算法的原理介紹不是非常詳細(xì)。它對(duì)數(shù)據(jù)挖掘的Java軟件包Weka有比較深的介紹。該書(shū)作者都是Weka項(xiàng)目組主要成員。圖靈獎(jiǎng)獲得者Jim Gray如此評(píng)價(jià)：假如你需要對(duì)數(shù)據(jù)進(jìn)行分析和應(yīng)用，本書(shū)以及相關(guān)的Weka工具包是一個(gè)絕佳的起步。

數(shù)據(jù)挖掘原理

原書(shū)名：Principles of Data Mining

作者：David J. Hand

很多學(xué)科都面臨著一個(gè)普遍問(wèn)題，即如何存儲(chǔ)、訪(fǎng)問(wèn)異常龐大的數(shù)據(jù)集，并用模型來(lái)描述和理解它們。這些問(wèn)題使得人們對(duì)數(shù)據(jù)挖掘技術(shù)的興趣不斷增強(qiáng)。長(zhǎng)期以來(lái)，很多相互獨(dú)立的不同學(xué)科分別致力于數(shù)據(jù)挖掘的各個(gè)方面。本書(shū)把信息科學(xué)、計(jì)算科學(xué)和統(tǒng)計(jì)學(xué)在數(shù)據(jù)挖掘方面的應(yīng)用融合在一起，是第一本真正跨學(xué)科的教材。主要從統(tǒng)計(jì)學(xué)的角度來(lái)解析數(shù)據(jù)挖掘以及其與統(tǒng)計(jì)的關(guān)系。其中如建模、測(cè)量、評(píng)分函數(shù)、模型等術(shù)語(yǔ)都是從統(tǒng)計(jì)者的角度出發(fā)。書(shū)中并沒(méi)有具體說(shuō)明KDD與DM之間的關(guān)系，比較適于統(tǒng)計(jì)系和數(shù)學(xué)系的學(xué)生采用。

機(jī)器學(xué)習(xí)

原書(shū)名：Machine Learning

作者：Tom Mitchell

本書(shū)是CMU等許多國(guó)際知名大學(xué)機(jī)器學(xué)習(xí)課程的教材。目前發(fā)表的各種機(jī)器學(xué)習(xí)專(zhuān)著或論文基本都會(huì)引用這本書(shū)的內(nèi)容。作者Tom Mitchell是CMU的教授，美國(guó)人工智能協(xié)會(huì)的主席，《機(jī)器學(xué)習(xí)》雜志和“國(guó)際機(jī)器學(xué)習(xí)”年度會(huì)議的創(chuàng)始人，他在ML領(lǐng)域久負(fù)盛名。本書(shū)也是最經(jīng)典和采用率最高的機(jī)器學(xué)習(xí)教材。本書(shū)需要的數(shù)學(xué)基礎(chǔ)也很少，但對(duì)必要的背景介紹相當(dāng)豐富，非常適合初學(xué)者。

模式分類(lèi)(原書(shū)第2版)

原書(shū)名：Pattern classification