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。     

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.     

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。     

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。     

数据挖掘技术及其应用现状

本文对数据挖掘技术进行了回顾,介绍了目前在数据挖掘中常用的方法和工具,列举了它的一些应用,指出了数据挖掘中存在的一些问题.     

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。     

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…     

基于粗糙集聚类的高维离群点数据挖掘算法

本文回顾了离群点数据挖掘技术的研究成果,对高维离群点数据挖掘技术进行了简要的评述,并在此基础上提出了一种基于粗糙聚类的高维离群点数据挖掘的算法,采用粗糙集方法选择出最优子空间,直接对高维空间数据进行聚类,并对子空间离群点进行数据挖掘,取得了良好的效果。     

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.     

基于可拓数据挖掘的智能决策支持系统

为了增加决策支持系统处理矛盾和不相容问题的能力,文章提出了一种基于可拓数据挖掘的智能决策支持系统:首先给出了基于可拓数据挖掘的智能决策支持系统的框架;然后给出了基于可拓数据挖掘的智能决策支持系统的关键技术,提出了可拓数据挖掘的知识库构建、规则定理、知识推理等方法,并给出了具体的应用实例;最后给出了进一步的研究方向。     

对统计学领域数据挖掘研究的反思

数据挖掘是一门新兴交叉学科,近年来受到各界的广泛关注。统计学者从统计学视角开展了数据挖掘理论及应用研究,并取得了一定的研究成果。文章对相关著作和论文进行了分析研究,并在此基础上展望了数据挖掘的研究趋势。     

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.     

基于本体的数据挖掘在CRM决策分析中的应用

文章融合了本体和数据挖掘技术,提出了基于本体的数据挖掘决策分析模型,利用基于本体的数据挖掘方法从语义层面上实现了对用户数据的挖掘,实现了用户数据的高效率和高精度挖掘,并根据挖掘结果进行决策分析,根据分析结果为用户提供基于RSS聚合的个性化服务.     

信息时代的指南针——数据挖掘

本文从产生的必然性、功能、方法、应用、出版物及工具方面系统的介绍了在信息时代面对竞争和做出正确决策必备的关键技术———数据挖掘 ,并对数据挖掘的商业前景、发展方向作了展望 ,最后根据自己的体会总结了数据挖掘的特征及对相大学科可能产生的影响。     

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.     

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…     

建立数据挖掘为基础的客户关系管理体系

文章论述了在现代技术条件下 ,数据挖掘在企业客户关系管理中的重要性 ,并进一步阐述如何以数据挖掘技术为指导来建立客户关系管理系统。     

微观计量经济学中的实验设计法——期望“计量经济（学）设计与分析”的出现

 摘　　要:本文论述了实验设计思想在微观计量经济分析中的重要作用。从实验设计三大原理局部控制、随机化和重复出发，重新诠释微观计量经济学（特别是“因果链”分析）中有关方法论的问题，预期实验经济学和微观计量经济学将通过实验设计的思想方法而互相促进，并期望“计量经济（学）设计与分析”一类读物的出现。     

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.     

《实验设计与分析》

《实验设计与分析》道格拉斯Ｃ．蒙哥马利著的《实验设计与分析》一书比较全面地介绍了各种实验设计方法，有简单比较实验，单因素实验，区组设计，拉丁方设计，析因设计，分式析因设计，套设计，响应曲面设计和参数设计等。书中运用丰富的实例说明各种设计及其分析方法，...