数据挖掘与若干概念的异同

讨论数据挖掘时,有些实业界的朋友会说“我们早就在做数据挖掘了”,但事实上多数企业只是建置了一些数据仓库,至多也仅仅是一些OLAP应用。事实上,与“数据挖掘”相关的概念包括数据仓库、OLAP、知识发现(KDD)、统计分析等,这些概念与数据挖掘的混淆容易使人们对数据挖掘产生模糊理解从而影响实际数据挖掘工作的开展,因此本文拟对这些相关概念进行初步厘清以利于数据挖掘研究与应用的发展。数据挖掘与数据仓库企业构建数据仓库时通常会嵌入一些在线查询工具,因此使得许多人对于数据仓库(DataWarehouse)和数据挖掘(DataMining)经常发生…     

数据挖掘课程实验总体框架设计

本文分析了数据挖掘课程实验总体框架设计的必要性,然后讨论了数据挖掘实验设计的基本原则,最后按照内容说明数据挖掘实验设计的具体内容以及存在的一些问题。     

相关性分析在关联规则挖掘中的应用

文章主要介绍了数据挖掘中关联规则的基本概念及用其挖掘的一些不足,并提出用统计学中的相关性分析来提高挖掘出的规则的准确度的方法。     

统计学与数据挖掘的比较分析

数据挖掘与统计学有着千丝万缕的联系,本文希望在等同的角度,从数据挖掘并非统计学分支的观点出发来阐释两门学科,既着眼于二者相重叠的地方,更重视二者的区别,并考虑一些其他与数据挖掘相关的问题。     

数据挖掘中抽样技术的应用

本文介绍了数据挖掘中抽样技术运用的历史与现状,总结了数据挖掘领域对抽样技术研究和使用中存在的问题,并指出了数据挖掘中抽样技术未来研究方向和发展前景。     

基于函数型数据分析的数据挖掘功能研究

数据挖掘功能是数据挖掘研究与应用的一个重要方面。数据挖掘功能用于指定数据挖掘任务中要找的模式类型。当前,数据挖掘的功能所处理的主要是传统的数据,对于函数型数据的研究还不是很多。文章探讨了数据挖掘中可以挖掘的几种函数型数据模式,包括数据描述、分类、聚类和回归。     

数据挖掘技术的应用及发展

数据挖掘是从大量的数据中发现其潜在规律的技术,是当前计算机科学及统计科学研究的热点之一。文章介绍了数据挖掘的概念、功能、数据挖掘过程、常用方法等;探讨了数据挖掘领域面临的问题;论述了数据挖掘与统计分析的关系,并对国内外研究现状及发展情况做了介绍。     

统计行业数据分析与数据挖掘应用———工具篇简

本文以大数据时代统计行业数据分析和数据挖掘应用为背景,论述了分析和挖掘软件的分类,以及几种主要工具的功能和演变,讲述了各种工具的优点和适用性,提出了一些我们运用工具到统计行业数据处理的建议,分析了开创新统计思维的重要性,倡导搭建适合中国国情的开源的统计行业数据分析和数据挖掘平台。     

数据挖掘在物流业的应用综述

数据挖掘作为快速有效地从海量数据中提取有效信息的工具,在现代物流业得到了广泛的应用.文章从数据挖掘的基本技术、数据挖掘在物流需求预测、物流决策以及客户关系管理等方面的应用现状及存在的问题出发,对目前这一领域内的研究进行了回顾和评论,并对数据挖掘在物流的发展前景进行了展望.     

数据挖掘的聚类方法

聚类是数据挖掘领域中的一个重要研究课题.本文介绍了数据挖掘领域中对聚类分析的典型要求、主要规则及数据挖掘领域中的聚类的有效性衡量.     

数据挖掘:挑战与机遇同在

20世纪90年代，美国的一些应用者和学者把在数据海洋中寻找知识的过程叫做“数据挖掘”。这是一种新的信息处理技术，其主要特点是对数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助决策的关键性数据。数据挖掘与传统的数据分析，如查询、报表、OLAP（联机应用分析）、统计分析等数据分析技术的本质区别是数据挖掘是在明确假设的前提下去挖掘信息、发现知识。     

国外数据挖掘应用研究与发展分析

目前“数据挖掘(Data Mining,DM)”这一术语在学术界还没有一个公认的、权威的定义,但我们一般可以简单的认为数据挖掘是从海量数据中发现趋势或模式的过程。尽管有些人不愿承认数据挖掘与统计学的内在联系,但不可否认的是早期的数据挖掘的确脱胎于统计学,因此也可以说数据挖掘是利用统计学和机器学习技术创建预测行为的模型。需要强调的是数据挖掘的过程是一个“发现”的过程,而不是“发明”的过程。换句话说,数据挖掘所探寻的模式,是一种已有的、只是隐藏在数据中、暂时没有被发现的知识。世界上对数据挖掘的正式研究始于1989年8月举行…     

指标筛选技术在神经网络数据挖掘模型中的应用

文章以分类神经网络中的RBF网络为例,讨论了神经网络数据挖掘模型中指标筛选的重要性,并以信用卡欺诈检测神经网络数据挖掘模型为实证案例,演示了指标筛选方法能有效地提高神经网络模型的分类效率与收敛速度,同时,讨论如何针对数据挖掘主题与数据特点选择合适的指标筛选技术.     

WWW数据模型及预送技术

随着Internet技术的飞速发展,www以其多媒体的传输及良好的交互性而倍受青睐.虽然近几年来网络速度得到了很大的提高,但是由于接入Internet的用户数量剧增以及Web服务和网络固有的延迟,使得网络越来越拥挤,用户的服务质量(QoS)得不到很好的保证.预取技术的基础是预测算法.数据挖掘是从大量的数据中采掘出隐含的、先前未知的、对决策有潜在价值的知识和规则的一种技术.我们可以根据用户访问的历史数据和当前访问的数据、利用数据挖掘技术来预测用户将来的可能行为,从而为用户预取一些Web页面.用户缓冲器中的数据可以作为数据挖掘时的历史数据.     

半参数Beta回归模型在数据挖掘中的应用

回归分析是数据挖掘中重要的方法之一。文章研究了基于半参数Beta回归模型结合惩罚样条估计的数据挖掘方法。当数据中因变量的数据取值为(0,1)区间(或某个区间)时,利用半参数Beta回归模型进行数据挖掘,不仅具有很好的解释效果,而且能挖掘出隐含在数据内部的有用信息。实验结果验证了研究方法的有效性。     

数据挖掘的技术与商业定义及其研究对象

本文在对数据挖掘考察的基础上,从技术角度和商业角度对数据挖掘的概念予以界定,并探讨了数据挖掘在知识发现中的地位,明确了数据挖掘的对象和对该领域的研究方向.     

流式数据挖掘的现状及统计的研究趋势

摘　　要:本文对近年来在国内外学术界涌现出的流式数据挖掘的研究成果进行剖析,分析了流式数据挖掘的研究现状。在此基础上,提出了统计学在流式数据挖掘研究中的发展趋势,以便更好地促进统计学和数据挖掘的结合,拓展统计学方法的研究思路。     

数据挖掘技术和信用风险管理

一、数据挖掘的定义 数据挖掘就是利用人工智能、统计分析以及其它建模方法,从大量不完全的、随机的数据中寻找数据之间的关系和有用的信息.数据挖掘在营销、金融等行业的重要性已经被认识,所以企业一般都建立自己的数据库即客户关系系统(CRM),这为数据挖掘的发展提供了基础.需要指出的是:数据挖掘并不仅仅是技术和算法的组合,它其实更像过程,这个过程的目的在于解决具体的问题或做具体的决策.     

数据挖掘在公积金异常提取中的应用研究

大数据时代,数据挖掘方法已经被很多人熟悉和应用,此类模型算法也越来越多地应用在系统中。本文简述了三种异常数据挖掘方法,探索在公积金提取业务中建立异常数据挖掘模型,寻找公积金异常提取业务,进一步探索公积金提取中的骗提、套取行为,以保护广大缴存人的利益,保卫住房资金安全,维护住房公积金正常的管理秩序。     

顾客关系管理中的数据挖掘技术

本文首先分析了数据挖掘技术在顾客关系管理中引入的可行性,然后详细阐述DM的各种技术工具是如何运用的,有何种功能,并指出外购是数据挖掘在企业中的有效实现形式。