数据挖掘技术及在电子商务中的应用

数据挖掘（Data Mining)被认为是解决“数据爆炸”和“数据丰富,信息贫乏（Data Rich and information Poor)”是一种有效方法,本文对数据挖掘的基本原理作了阐述,分析了数据挖掘的流程及主要功能,介绍了数据挖掘工具的算法和特点,并结合具体实例说明了数据挖掘在电子商务中的应用。     

数据挖掘在生物信息学中的应用

生物信息学是一门新兴的交叉学科。人类基因组计划的启动和实施使得核酸?蛋白质数据迅速增长，如何从海量数据中获取有效信息成为生物信息学迫切要解决的问题。数据挖掘与生物信息学有很好的结合点，在生物信息学领域的应用潜力日益受到人们的重视。文中介绍了数据挖掘的概念、生物数据的挖掘步骤，初步探讨了数据挖掘在生物信息领域的应用潜力及生物信息学挖掘工具的开发和应用。研究证明数据挖掘技术是生物信息处理的强有力工具。数据挖掘在生物信息学中的应用将取得更大的进展。     

数据挖掘技术及其在过程监控中的应用

数据挖掘技术作为一个新兴的技术在许多领域都有成功的应用，本文从数据挖掘的定义、数据挖掘技术的分类以及数据挖掘技术的发展和发掘工具三个方面对数据挖掘技术做了概述，并对数据挖掘技术在过程监控中的应用进行了探讨。     

数据挖掘技术及应用

<正> 基本概念 知识发现(Knowledge Discovery in Database)是使用数据挖掘来抽象或识别知识的过程。数据库中的知识发现过程并不是一个琐碎无用的过程,它的每个过程都很重要——是在数据中获取并验证正确的、新奇的、潜在有用的和最终可理解的模     

数据挖掘在生物信息学中的应用

生物信息学是一门新兴的交叉学科.人类基因组计划的启动和实施使得核酸、蛋白质数据迅速增长,如何从海量数据中获取有效信息成为生物信息学迫切要解决的问题.数据挖掘与生物信息学有很好的结合点,在生物信息学领域的应用潜力日益受到人们的重视.文中介绍了数据挖掘的概念、生物数据的挖掘步骤,初步探讨了数据挖掘在生物信息领域的应用潜力及生物信息学挖掘工具的开发和应用.研究证明数据挖掘技术是生物信息处理的强有力工具.数据挖掘在生物信息学中的应用将取得更大的进展.     

数据挖掘在电子商务推荐系统中的应用设计

提出了基于数据挖掘的电子商务推荐系统的设计。     

数据可视化在数据挖掘中的应用

数据挖掘是从大量历史数据中抽取潜在的、有价值的知识或规则的过程。数据可视化对于快速分析数据，表示高维数据方面非常直观、有效。本文首先讨论了几种可视化技术，随后就数据可视化在数据挖掘的模型、过程中的应用进行探讨。     

数据挖掘在电子商务中的应用

本文介绍了数据挖掘技术在电子商务中的应用,给出了数据挖掘过程中采用的一些主要方法,加深了对客户访问行为的了解,有利于更好地调整站点的结构。     

数据挖掘在电子商务中的应用

数据挖掘技术作为解决“数据爆炸”时代出现的“信息缺乏”的最有效手段之一,受到了企业界的极大关注。文章阐述了电子商务中数据挖掘技术的框架、数据资源、专业人员、基本方法,分析了数据挖掘在电子商务中的具体应用。     

基于Web的数据挖掘技术研究及其在电子商务中的应用

基于Web的数据挖掘是一种结合了数据挖掘和互联网系统的热门研究课题.本文首先综述了基于Web的几类数据挖掘技术,包括Web内容挖掘、Web的访问挖掘、Web页面聚类以及用户频繁访问路径发现等技术.在此基础上又着重介绍了Web数据挖掘技术在电子商务中的具体应用.     

电子商务网站的Web数据挖掘方案设计

没有有效的数据管理和分析工具, Web上日益增长的海量数据将变成＂数据坟墓＂.本文运用数据挖掘技术,从Web数据库中提取所感兴趣的信息,从不同角度分析它们,从而有效地利用数据库中的大量数据,将＂数据坟墓＂转换成＂知识金块＂.Web数据挖掘的关键在于如何收集有意义的原始数据,本文将重点阐述如何进行Web数据挖掘过程中的数据准备工作.     

数据挖掘技术研究

数据挖掘是一种新兴的数据处理技术,在生活的各个领域发挥着日益重要的作用。论文详细阐述了数据挖掘的各种技术方法,深入分析了数据挖掘技术的应用领域,并对数据挖掘应用中的主要问题进行了探讨。     

国外先进数据挖掘工具的比较分析

近年来，国外陆续推出了一些先进的数据挖掘工具。国内也在不断地引入这些数据挖掘工具。随着数据挖掘工具的不断涌现，如何选择适合企业自身特定需要的数据挖掘工具，已成为企业引入数据挖掘技术的一大难题。文章在简要概述数据挖掘技术背景的基础上，从企业应用的角度，全面详细地比较分析了当前国外先进的数据挖掘工具。     

数据采掘方法及其在金融行业中的应用

在现实生活中随着数据的日趋庞大，需要有新一代的智能工具和技术对之进行处理。数据采掘正是着眼于此，它的主要目的在于开发相关的技术和工具，从浩翰的数据中获取有价值的信息，简要综述数据采掘的基本概念、任务、要求和基本方法等有关工作，并给出了一个应用于金融行业的实例研究。     

智能型数据挖掘工具的设计与实现

数据挖掘技术具有广阔的应用前景,研发具有独立知识产权的数据挖掘系统很有必要。SmartMiner是以在数据挖掘算法研究和专家系统研究中取得的成果为基础,提出的智能型数据挖掘工具。SmartMiner提出了挖掘作业描述语言MDL和挖掘任务模型脚本语言,设计了挖掘向导、可视化向导和挖掘任务模型,集成了数据仓库管理功能,挖掘引擎具有智能性,体系结构开放并可扩展。SmartMiner已经集成到一个大型商业连锁企业的经营决策系统中。     

从数据挖掘到机会／征兆发现

机会发现以及时发现动态确定性系统中能够对决策产生显著影响的事件为目标，是2000年以来智能信息处理研究领域中一个新兴的研究方向。本文根据机会发现的研究目标，提出了机会／征兆发现的概念。机会／征兆发现与数据挖掘和知识发现具有天然的联系，本文对机会／征兆发现与数据挖掘（知识发现）的联系与区别进行了讨论，并对文本机会／征兆发现进行了概述。     

用于数据采掘的贝叶斯分类器研究

所谓分类器是一个函数f(x),它给需要分类的实例x赋予类标签c,∈C(j=1,2,…,m),实例x由一组属性值a_1,…,a_n描述,C是类变量,取有限个值,可看成有限个元素的集合。进行分类首先要构造一个分类器。从预先分类的实例进行有导师学习并建立分类器,是机器学习的中心问题之一。已有的分类器如决策树、决策表、神经网络、决策图和规则等,都可以看成不同     

贝叶斯学习,贝叶斯网络与数据采掘

自从50～60年代贝叶斯学派形成后,关于贝叶斯分析的研究久盛不衰。早在80年代,贝叶斯网络就成功地应用于专家系统,成为表示不确定性专家知识和推理的一种流行方法。90年代以来,贝叶斯学习一直是机器学习研究的重要方向。由于概率统计与数据采掘的     

KDW综述:基于Web的数据挖掘

由于Web数据所具有的半结构化特征,基于Web的数据挖掘与传统的基于数据库的数据挖掘有许多不同之处,基于Web的数据挖掘主要包括3种数据挖掘任务：对Web的内容的挖掘,对Web结构的挖掘和对Web访问的挖掘,该文综述了基于Web的数据挖掘技术,并介绍了国内在这个领域的研究现状。     

序贯模式的一种高效挖掘算法

序贯模式是时间相关数据库中存在的一种十分有用的知识模式,其发掘方法的研究有着十分重要的意义,本文给出了一种挖掘数据库中序贯模式的算法,通过认真地研究了挖掘过程中的中间及结果数据的存储结构,从而大大地减少了对数据库的扫描遍数,提高了算法的效率。