动态数据挖掘过程中矛盾性知识的研究

目前知识发现领域中前沿的、棘手的但又是亟待解决的问题之一就是有关矛盾性知识的问题。本文在积累多年来对知识发现内在机理研究成果的基础上 ,进一步探求在动态大系统的知识发现过程中 ,矛盾性知识的概念模型及其突变规律 ,对当前主流的发展。

高校研究生招生数据挖掘过程模型的构建

近年来,我国研究生招生规模不断扩大,招生数据量持续增加。如何使用有效的信息化手段和方法,将海量的研究生招生数据转化为对研究生教育管理有价值的信息,显得尤为重要。在数据挖掘过程模型的基础上,结合高校研究生招生工作及数据特点,提出高校研究生招生数据挖掘过程模型。

数据挖掘过程的研究

数据挖掘作为决策支持新技术在近年来得到了迅速的发展,它能为决策者提供极有价值的信息或知识,从而产生不可估量的效益。论文从数据挖掘的概念和本质出发,主要针对其在商业领域中的应用,详细阐述了数据挖掘的过程。

数据挖掘过程模型及创新应用

随着数据库技术的成熟和数据应用的普及,人类积累的数据量的速度迅速增长。进入21世纪以后,随着互联网的出现和发展,企业内部网和企业外部网以及虚拟私有网慢慢的推广并应用了,此后,人们就可以跨越时空地在网上交换数据信息和协同工作,完成一些之前无法想象的事情。这样,展现在人们面前的已不是局限于本部门,本单位和本行业的庞大数据库,而是大量的数据,信息的海洋。当数据量极度增长时,如果没有有效的方法,由计算机及信息技术来提取有用信息和知识,只简简单单地用人脑去面对海量数据时,只能感到束手无策,所以,从数据库中发现知识及其核心技术——数据挖掘便应运而生了。

人工神经网络在数据挖掘中的潜在应用

神经网络的方法不常用于数据挖掘任务,因为他们可能具有复杂的结构,训练时间长,和不易理解的结果表示和常产生不可理解的模型,然而,神经网络具有对噪声数据的高承受能力和高精确度,是数据挖掘中的优先考虑。该文,做了调查来探索人工神经网络在数据挖掘技术中的应用,还研究了基于神经网络基础实现数据挖掘的关键技术和方法。

数据挖掘技术在高职院校信息化管理的应用

数据挖掘是当前一个热门的研究领域,是伴随着数据库和人工智能一同发展起来的,是一门新兴的数据处理技术。这门新兴的数据处理技术能够对保存在数据库中的大量的数据进行提取、转换、分析以及进行一些其他模型化的处理之后,最终被提取出来的数据就是有助于决策的关键性数据。本文对数据挖掘的概念和过程做了介绍,并简述了数据挖掘的主要方法和数据挖掘的过程,重点对数据挖掘技术在高职院校的信息化管理应用做了介绍。

用户行为分析与数据挖掘

用户行为分析基于消费者购买行为,用户扮演付款人和买家的角色。许多公司的关注不再是个人购买者,而是集体或组织购买行为,这有助于确定哪些用户值得开发和管理,通过制定独特的策略来吸引特定的用户。通过分析用户的行为,通过指定需求和兴趣来生成准确的个性化需求,为用户提供他们想要的产品,从而提高用户满意度,从而增加用户的粘性。虽然大规模信息技术一直在发展单独的交易和分析系统,数据挖掘基于开放式用户交易数据中的关系和模式,打通了两者之间的联系。

数据挖掘的前期准备

数据挖掘(Data Mining,简称DM)是从大量的数据中挖掘出隐含的、未知的、用户可能感兴趣的和对决策有潜在价值的知识和规则.数据挖掘融合了数据库、统计学、人工智能等学科的知识,能够提供多种功能:概念描述——根据数据的微观特征来表征数据集;关联分析——揭示事物之间的依赖或者关联关系;预测分析——根据历史数据和当前数据,预测未来数据;聚类分析——发现内在的规则,识别出紧密相关的观测值组群;异常检测——识别出特征显著不同于其他数据的观测值.

大数据时代的数据挖掘综述

随着海量数据的增加,大数据时代已走进公众的视线,数据挖掘被作为一种新的热门的挖掘技术,正在社会各领域的决策支持活动中扮演着重要的角色。本文分析了大数据的数据挖掘现状,阐述了数据挖掘的概念、特点及过程,阐述了数据挖掘的相关算法,最后与目前所研究出的新型成果相结合,对数据挖掘应用领域的未来趋势进行分析。在大数据环境下,数据挖掘可作为开发信息资源的一种新型的数据处理技术。

浅谈数据预处理理论

没有高质量的数据就没有高质量的挖掘,在数据挖掘过程中数据预处理至关重要。初步采集来的数据大体上都存在不完整,不一致等问题,无法直接进行数据挖掘,或挖掘结果差强人意。因此,数据预处理技术至关重要。根据统计,在一个完整的数据挖掘过程中,数据预处理要花费60%左右的时间,而后的挖掘工作仅占总工作量的10%左右。数据预处理主要包括数据清理、集成和归约。数据清理是处理数据中的遗漏和清洗脏数据,数据集成将多数据源中的数据进行合并处理,解决语义模糊性并整合成一致的数据存储,

大数据相关词条(续)

SEMMA（sample,explore,modify,model,and assess）是数据挖掘过程的英文缩写,意思是抽样,检查,修改,设立模型和评估. 熵（entropy）：指的是体系的混乱程度,它在控制论、概率论、数论、天体物理、生命科学等领域都有重要应用,在不同的学科中也有引申出的更为具体的定义,是各领域十分重要的参量.

一种基于运动目标的关联规则分析新方法及其在目标识别中的应用

针对运动目标数据挖掘过程中对目标的运动趋势无法充分体现、关联规则分析出现无效频繁项集且效率较低的问题,提出一种基于运动目标的关联规则分析新方法。该方法采用改进的FP_Growth算法同时对当前tn时刻的"静态状态"数据和t_n-t_(n-1)的"动态趋势"数据进行关联规则分析,可充分、高效、实用。

基于CRISP-DM模型的时序预测Web服务设计与实现

基于CRISP-DM(cross-industry standard process for data mining)模型设计与实现了一个时序预测Web服务,对网站资源的下载需求量进行预测。重点阐述了CRISP-DM模型应用于时序预测任务时的设计思想和实现的关键技术。测试结果表明,该时序预测Web服务具有较高的预测准确率,部署快速,使用方便,对解决同类问题具有一定的示范和参考价值。

数据挖掘技术探析

数据挖掘是数据库应用的一个新领域,融合了数据库、人工智能、统计学等多个领域的理论和技术。它是计算机行业发展最快的领域之一,它已经形成了一个独立领域。本文在基于数据挖掘的概念的基础上,提出了数据挖掘的相关技术以及数据挖掘过程。

基于ID3算法的机械制造业决策应用

针对机械制造业中质量管理不规范、决策效率偏低问题,以典型的机械制造企业为切入点,运用ID3决策树算法,以数据挖掘跨行业标准过程(CRISP-DM)对其质量管理信息进行数据挖掘。利用基于信息增益率的计算分类技术,生成了决策树模型,并将该模型在企业资源计划(ERP)中进行了初步实现。通过测试分析,该模型能有效提高管理决策效率,规范处理流程。