工程装备发展专家系统中数据挖掘和知识发现应用浅析

数据挖掘和知识发现技术是当前数据库和信息决策领域最前沿研究的方向之一.在各个领域中的研究和应用越来越多,本文主要介绍了工程装备发展专家系统中应用数据挖掘和知识发现的几个方法,最后应用该技术对工程装备发展专家系统中的相关数据简单地进行分析.     

基于数据挖掘技术的混合入侵检测模型研究

数据挖掘技术在入侵检测系统中的应用已经成为网络安全领域的研究热点。本文介绍了数据挖掘技术在入侵检测技术领域中的相关应用,提出了目前入侵检测系统中的常用的两种检测技术并对其进行分析,指出了入侵检测系统中存在的问题,在此基础上构建了一种基于数据挖掘技术的混合入侵检测模型。     

数据挖掘在大学英语成绩预测中的应用研究

"数据驱动学校,分析变革教育"[1]的大数据时代已经来临,数据挖掘这一技术在教育行业随之诞生。随着社会对英语的应用日益增加,英语学习日益重要,大数据及数据挖掘技术在英语教学与学习中的应用与研究将成为新的发展趋势。本研究是基于大学英语技能训练系统产生的教学数据进行的挖掘分析,选取和学生成绩相关的数据作为特征,以学生考试成绩为目标,运用GBDT模型进行模型训练,实现了学生成绩的预测,经过评估、分析发现用数据挖掘技术可以比较准确的预估学生成绩,验证了数据挖掘技术在大学英语学习中的应用,以及GBDT模型对结果预测的影响,对学生学习和教师教学有很大的指导作用和使用价值。     

基于数据挖掘技术的混合入侵检测模型研究

数据挖掘技术在入侵检测系统中的应用已经成为网络安全领域的研究热点。本文介绍了数据挖掘技术在入侵检测技术领域中的相关应用，提出了目前入侵检测系统中的常用的两种检测技术并对其进行分析，指出了入侵检测系统中存在的问题，在此基础上构建了一种基于数据挖掘技术的混合入侵检测模型。     

数据挖掘技术在教师教学评价中的应用研究

随着科学技术的快速发展以及数据挖掘技术的不断改进,各个学校的教学管理系统中都已存储了大量的数据信息,本文主要对目前教师在教学评价中的现状进行了研究,并以教学评价的体系为数据挖掘的基础平台,利用数据挖掘技术对教师教学相关的数据进行挖掘和分析。重点对数据挖掘技术在教师教学评价中的应用进行研究,从而可促进学校教学的质量,对教师教学评价有重大的意义。     

探索数据挖掘分类技术在高校教学中的应用

数据挖掘是致力于数据分析和理解、揭示数据内部蕴藏知识的技术。由于数据库中存在着大量数据,因此从数据库中发现有用的信息显得十分重要。对数据挖掘技术的研究,国内外己经取得了许多令人瞩日的成就,并成功地应用到了许多领域,但在教育领域中的应用并不广泛。探索在高校教学中数据挖掘分类技术的应用,提出数据挖掘技术在高校教学应用中的实施方案,并以高校教学中学生成绩的分析为例介绍方案的实施过程。     

数据挖掘在实践教学信息网中的应用

随着数字信息化的不断发展,现代教育的发展不能被不断变化的教学方式所满足,而数据挖掘技术的出现帮助决策者解决了这些问题。本文描述数据挖掘的定义及相关技术,并着重探讨了数据挖掘在教学中的应用以及取得的良好效果。     

数据挖掘技术在企业经营管理中的应用分析

数据挖掘技术自上世纪80年代初产生以来,随着计算机技术的发展与普及,带动了它在商业领域中的应用,有助于企业从爆炸性增长的数据中,挖掘出与经营决策相关的信息与知识,提高决策的针对性和有效性,日益受到企业界的关注。文章阐述了数据挖掘的基本概念、方法与工具,分析了数据挖掘技术对提高企业竞争力的重要作用与意义,探讨了数据挖掘技术在企业经营管理中的应用。     

数据挖掘在客户关系管理系统中的应用

本文讨论了CRM与数据挖掘相关技术的关系及其在销售、零售领域企业中的应用。运用数据挖掘的基本手段 ,结合销售行业的市场经营分析及CRM系统开发 ,提出了适合该行业的简单客户关系管理系统———客户服务的解决方案 ,并进行了部分实现。     

基于社交网络的图数据挖掘应用研究

社交网络数据的高度复杂性给数据挖掘研究带来了巨大的挑战,而社交网络数据挖掘更注重实体之间相互关联的特点,使得图数据挖掘技术的研究与应用逐渐成为该领域的热点。传统数据挖掘,如聚类、分类、频繁模式挖掘等技术逐渐拓展到图数据挖掘领域。文中首先介绍了现阶段图数据挖掘算法（其中包括图查询、图聚类、图分类和图的频繁子图挖掘）的研究内容和存在的问题;其次介绍了图形数据库研究现状,以及对比了主流图形数据库管理系统的优劣;最后介绍了图挖掘技术在社交网络中的应用。     

教育数据挖掘研究进展

教育数据挖掘（Educational Data Mining，EDM）是一门涉及计算机科学、教育学、统计学的交叉学科。它致力于探索来自教育环境的独特数据，其目的是更好地了解学生及其学习环境，从而提高教育成效。为了深入分析EDM的研究进展，从Web of Science库相关文献、国内外研究现状对EDM进行了系统性梳理，介绍了EDM的工作流程，把数据挖掘技术在教育领域的应用归纳为4类，对处于快速发展阶段的一些EDM典型案例进行了统计分析并讨论了其不足与发展趋势。     

Moodle平台数据挖掘方法设计与实现

教育数据挖掘是一个新兴的研究方向。如何把存储在教育软件系统中的数据转变为有意义的信息,并为教育决策、优化教学过程服务,已成为大多数教育工作者所关注的内容。文中总结了当前教育数据挖掘的研究现状,介绍了一种基于Excel的简单数据挖掘方法。该方法利用模糊C均值聚类算法,对Moodle平台积累的日志数据进行分析,找出有相似学习行为的学生,为学习社区的小组划分和研究学习模式服务。实验表明,该方法能够更准确地对学生进行分类,而且操作更为简单、方便。     

基于数据挖掘技术的在线学习行为研究综述

随着互联网 教育技术的快速发展,慕课已成为当下最新、最潮的学习形式。由于在线学习平台积累了大量学习行为数据,传统统计分析方法已无法满足应用需求,使得数据挖掘技术被引入在线学习行为的研究,从而涌现出大量的研究成果。为了深入分析在线学习行为研究中数据挖掘技术的整体应用情况,本文首先从国内外公认的Web of Science数据库收集2008年至2017年3月相关文献进行了统计和可视化分析;然后介绍了利用数据挖掘技术进行在线学习行为研究的一般流程;接着将数据挖掘技术在在线学习行为研究中的应用总结归纳为五类,并详细介绍了相关研究成果及代表文献;最后总结全文,并讨论了未来可能的研究方向。     

数据挖掘中自我学习算法研究

随着我国现代化的迅速发展,伴随着快速发展的脚步其数据也越来越多,如何处理这些数据成为了越来越受人关注的问题。因为大数据多,种类复杂的特征,使得数据挖掘越来越重要,而自我学习可以对数据进行分析,并找出其相关模式,因此在商业领域应用广泛。本文主要就是研究数据挖掘中的自我学习算法,了解自我学习算法的特征,并分析在实际中可以应用到哪些领域。     

DNA序列数据挖掘技术

DNA序列数据是一类重要的生物数据.研究DNA序列数据解读其含义是后基因组时代的主要研究任务.数据挖掘是目前最有效的数据分析手段之一,用于发现大量数据所隐含的各种规律,也是生物信息学采用的主要数据分析技术.将数据挖掘技术用于DNA序列数据分析,已得到了广泛关注和快速发展,并取得了许多研究成果.综述了DNA序列数据挖掘领域的研究状况和进展,提出了3个研究阶段:基于统计的挖掘方法应用阶段、一般化挖掘方法应用阶段和专门的DNA序列数据挖掘方法设计阶段.阐述了DNA序列数据挖掘的基础是序列相似性,评述了DNA序列数据挖掘领域所采用的关键技术,包括DNA序列模式、关联、聚类、分类和异常挖掘等,分析讨论了其相应的生物应用背景和意义.最后给出DNA序列数据挖掘进一步研究的热点问题,包括DNA序列数据新的存储和索引机制的设计、根据生物领域知识的数据挖掘新模型和算法的设计等.     

数据挖掘中聚类算法的研究简

随着信息技术的不断发展,数据挖掘在我们的工作和生活中的应用也越来越广泛,目前聚类算法在数据挖掘中则是一个热点研究领域。本文深入研究了现阶段比较成熟的几种聚类算法,总结了这些算法的优缺点以及适用范围,提出用来评价聚类算法性能优劣的指标,也是今后聚类算法研究的出发点。     

面向事件流的频繁片断计数算法

在事件流上挖掘频繁片断已经成为近来研究的热点,在很多应用中起到重要作用。以往的研究提出了一些挖掘算法,包括基于滑动窗口和基于非重叠出现的方法。然而,这些算法在处理基于片断互异出现的支持度计数时,效率很低甚至无效。为此,提出了一种包含状态计数的有限状态自动机模型,并使用该模型给出了一种高效挖掘算法。从理论上对算法的效率和有效性进行了分析;实验结果证明了算法是有效且高效的。     

基于互信息的教育数据矩阵加权正负关联模式发现

本文将互信息模型引入教育数据关联模式挖掘,提出一种基于互信息的教育数据矩阵加权正负关联模式挖掘算法,给出与其相关的定理及其证明。本文算法克服了现有挖掘算法的缺陷,考虑了教育数据项集在学生信息数据库中具有的权值,采用新的正负关联模式评价标准,挖掘出更接近实际情况的正负关联模式。通过关联模式分析,发现教育数据中潜在有用的教育、教学规律和教育发展趋势,为教育管理、教育决策和教学改革提供科学的依据。以真实的教育数据作为实验数据测试集,实验结果表明,本文算法有效,在教育信息化数据处理与分析中具有重要的应用价值。     

粒子群优化算法在关联规则挖掘中的研究综述

关联规则挖掘是数据挖掘中的重要领域,考虑到当前数据的大规模、高维度、模态多样及类型复杂等特性,传统关联规则挖掘算法已无法适应大数据的需求,粒子群优化算法作为一种高效的智能优化算法,为其提供了一种全新的解决方案,近年来被广泛应用于该领域。首先对粒子群优化算法的基本原理及关联规则的基本概念进行了详细介绍,回顾了粒子群优化算法的研究进展,分析了粒子群优化算法在关联规则挖掘中的研究,包括常用的数据转换方法、编码方式及评估指标,并与其他在关联规则挖掘中被广泛应用的算法进行了对比,总结了各自的优缺点及适用场景。然后对已有改进方法进行了较为系统的分类,即分为基于参数、基于变异机制和混合其他算法的改进。接着梳理归纳了粒子群优化算法在关联规则挖掘中的应用领域,阐述了该算法在购物篮、金融、医疗、工业生产及风险评估领域中的应用优势。最后在介绍这一领域的最新研究进展的基础上,通过对现存问题进行分析,讨论了进一步的研究方向。