基于数据挖掘技术的就业管理系统的构建

针对目前高职高专毕业生就业质量低、就业困难的问题,将数掘挖掘技术引入到就业信息系统中,进行高职高专毕业生就业质量的分析和研究.探讨数掘挖掘决策树在指导就业工作中的应用,真正地实现高质量的就业,对高职院校的可持续发展具有重要意义.     

基于机器学习算法的高校学生就业去向预测

针对高校学生就业去向预测这一问题无法快速获取精准预测结果的缺陷,提出了机器学习算法的高校学生就业去向预测方法.采集身份信息、专业成绩等高校学生就业去向预测相关数据,将所采集数据通过数据清洗、数据规约以及处理缺失值、异常值3部分完成数据预处理,利用特征选择算法依据完成预处理的数据获取最优特征子集,利用最优特征子集建立高校...     

基于贝叶斯方法的决策树分类算法

针对数据挖掘的特点和本质,充分利用贝叶斯方法和决策树分类的优点,将贝叶斯的先验信息方法与决策树分类的信息增益方法相结合,提出了一种新的数据挖掘分类算法(BD1.0算法),并对此算法进行了设计和分析。实验分析表明,该算法可以处理不一致或者不完整数据等“脏数据”,比单纯使用贝叶斯方法或决策树方法具有更高的准确率,而且与C4.5算法具有近似的时间复杂度。     

基于Cascade组合分类器的医学图像分类方法研究

提出了利用Cascade组合方法生成基于贝叶斯、神经网络与决策树的组合分类器,并将之应用到肝脏图像的分类中。实验结果表明,与现有医学图像分类方法相比,该组合方法可以有效地提高医学图像分类的准确性和稳定性。     

基于数据挖掘的高职学生就业情况的研究

高职毕业生的就业情况是高职教育发展的关键,通过对高职院校的就业数据进行分析,发现有用的信息以提高高职院校毕业生的就业水平是非常必要的。文中用徐州建筑学院的教务系统和就业管理系统的数据作为研究对象,以学生培养和就业指导作为研究目的,通过对学生成绩、课程设置、专业设置、就业数据的挖掘找到了影响学生就业的若干因素。     

浅析数据挖掘的主要方法和研究方向

随着大型数据库的不断涌现,如何从浩如烟海的数据中发现隐藏的有用知识,成为一个迫切需要研究的课题.因此,知识发现和数据挖掘应运而生.该文提出了数据挖掘的基本概念,数据挖掘是数据库技术、人工智能、机器学习、统计分析、模糊逻辑、模式识别和人工神经网络等多个学科相结合的产物,然后分析了数据挖掘一般算法的结构,并且对数据挖掘技术进行了详细分类,主要包括决策树技术、神经网络技术、粗集以及模糊集等十多项挖掘技术.最后讨论了数据挖掘在人工智能、电子商务应用和移动通信计算等方面的研究方向.     

基于数据挖掘的信用卡交易风险检测研究

本文仔细分析了信用卡交易的特点,发现采用数据挖掘技术能够有效地发现其内部隐藏的、潜在的异常交易模式,在此基础上给出了一种基于数据挖掘技术的混合检测模型,其核心部分采用数据挖掘技术中的决策树分类算法和神经网络来检测高风险交易行为,最后并对检测结果进行了预测评价。     

基于数据挖掘的工艺参数优化研究

提出了基于数据挖掘的机械加工工艺参数寻优方法,根据已有的样本训练数据建立决策树分类器和神经网络模型,针对要求的加工目标,通过对决策树的分类规则进行提取,生成预测数据集,结合建立的神经网络模型,迅速准确的预测出对应的加工工艺参数,并通过磨削实验验证了此方法的可行性。     

基于消息的汇率趋势预测的数据挖掘方法

在目前,汇率预测的方法一般采用人工神经网络和贝叶斯估计方法,但这些方法一般都是基于汇率数据本身进行的。然而汇率的变动实际上是由政治、经济、心理等因素造成的。因此,利用这些新闻消息应该更具有可行性。该文讨论了如何根据新闻消息利用贝叶斯网络来进行汇率的趋势预测,分析了如何才能改进预测精度。同时还实现了一个寻找全局最优贝叶斯网络的选择算法。     

基于BP神经网络的应用研究

详细讨论了BP神经网络的原理及其模型的建立过程,并把它应用到高校的学生就业工作中,借助计算机对就业信息进行挖掘,所获取的知识对指导今后的教学和学生工作有重要意义。实验仿真结果表明该模型能够很好的实现预期的预测效果。     

基于BAS-SVM的学生学业动态预警研究

为了提高大学生学业状态的预警准确性,在经典的SMV模型的基础上,调整核参数以及性能被惩罚的参数值,创建了改进的BAS-SVM的大学生学业状态动态预警模型.为准确合理地实现学业动态预警,选择考勤指数、学习指数、成绩指数、"宅"指数和家境等5个关键指标作为学业预警的主要指标,并将学业预警结果划分为好、中、差三个等级.将影响...     

内容分发网络中基于数据挖掘的影片热度预测

内容分发网络(CDN)系统对内容热度的估计主要依靠管理员的经验,所以主观性比较大,无法保证服务质量(QoS)。首先对数据进行预处理,得到预测影片的初始知识库,利用数据挖掘技术对已有知识进行学习,对新加入的影片热度进行预测,将影片合理部署到CDN系统中。比较基于贝叶斯网络的影片热度预测和基于决策树模型的影片热度预测,在正确分类率和其他分类参数相同的前提下,贝叶斯网络所用的时间更短,所以选择贝叶斯网络分类器,解决管理员部署时不准确的问题,提高CDN系统的效率。     

基于数据挖掘技术的信用卡审批模型研究

针对分类预测建模数据的非对称性,提出一种基于神经网络和决策树技术结合的非对称性数据集合预测分类建模方法,建立了信用卡审批模型.结果表明:增加预测类标识决策属性后,在用不同比例的建模数据集建立的所有模型中,比例为33.33%:66.67%的数据集建立的神经网络模型最好,模型的准确率达到88.49%.     

基于数据挖掘的4G客户识别系统模型研究

随着电信企业的重组和4G牌照的发放,中国电信市场进入更加激烈的全业务竞争时代,适应日趋激烈的市场竞争环境,成为电信企业的重要问题.如果还是通过一些传统的、简单的数据统计,对于数据的利用仅限于数据的表层信息,而没有去挖掘数据之间更加深层次的信息,是不可能从如此海量的数据和信息中找到解决复杂问题的规律的.数据挖掘技术是一种功能强大的新技术,它能帮助企业在构建数据仓库中找到最重要的信息.     

基于数据挖掘的异常交易检测方法

提出一种基于数据挖掘的异常交易检测方法,可以在业务层面和操作层面对交易中的异常进行检测。当一个用户提交一笔新的消费交易时,采用贝叶斯信念网络算法判断当前交易属于正常交易的后验概率,作为在业务层面的可信因子;然后提取该用户在当前交易之前的若干个操作,与当前交易一起构成一个固定长度的操作序列,并通过BLAST-SSAHA算法将其与该用户正常操作序列和已知异常操作序列进行比对,得出在操作层面的可信因子。综合考虑业务层面的可信因子和操作层面的可信因子,最终决定当前交易是否为异常交易。     

对教育技术专业研究生课程设置的思考——基于北邮毕业生就业去向的研究

基于对教育技术学专业硕士毕业生就业情况的调查,特别针对北京邮电大学的教育技术学专业的硕士毕业生就业情况进行深入的研究,并联系北邮的教育技术学专业的研究生课程设置,对教育技术学专业研究生课程设置进行了思考。对比中美教育技术学专业发展和教育技术学硕士课程的设置,联系教育技术学这几年的发展状况,对教育技术学专业课程的设置进行了一番理论研究,并提出了自己的浅见。     

基于数据挖掘的教学评价方法

将数据挖掘运用于教学评价之中,可以提高教学评价技术水平,提高教学评价的科学性、客观性和公正性,使之更好地为教学服务。     

基于贝叶斯方法的分类预测

介绍了基本的贝叶斯分类模型和贝叶斯信念网络模型,对网络模型的学习进行了讨论。并从实际出发,提出了几种可以简化模型结构、降低学习复杂性的可行方法,简要说明了这些方法在网络模型中的应用。对贝叶斯分类模型的准确性及其主要特点进行了分析。