数据挖掘
简答题6个 30’
应用题 5个 70’（应该是五次作业题）
考试范围：1-3章+5-8章（第八章看ppt，不是书上的内容）
OLTP（联机事务处理）与OLAP（联机分析处理）的作用和区别
OLTP是传统的关系型数据库的主要应用，主要是基本的、日常的事务处理，将查询看作只读事务，对于关系技术的发展和广泛地将关系技术作为大量数据的有效存储、检索和管理的主要工具做出了重要贡献。
OLAP是数据仓库系统的主要应用，支持复杂的分析操作，侧重决策支持，并且提供直观易懂的查询结果，具有汇总、合并和聚集功能，以及从不同角度观察信息的能力，支持多维分析和决策。
区别：
应用题：
一、假定用于分析的数据包含属性age。数据元组中age值如下（按递增序）：13，15，16，16，19，20，20，21，22，22，25，25，25，25，30，33，33，35，35，35，35，36，40，45，46，52，70.
分别使用按箱平均值和边界值平滑对以上数据进行平滑，箱的深度为3.
使用最小-最大规范化，将age值35转换到[0.0,1.0]区间
使用z-Score规范化转换age值35，其中age的标准差为12.94年。
1.使用小数定标规范化转换age值35、
2.画一个宽度为10的等宽直斱图。
3.该数据的均值是什么？中位数是什么？、
4.该数据的众数是什么？
讨论数据的峰（即双峰，三峰等）、数据的中列数是什么？
（粗略地）找出数据的第一个四分位数（Q1）和第三个四分位数（Q3）
给出数据的五数概括、画出数据的盒图
二、假定数据仓库包含三个维：time，doctor和patient；和两个度量：count和charge；其中charge是医生对病人一次诊治的收费。
画出该数据仓库的星型模式图。
由基本方体[day, doctor, patient]开始，为列出2004年每位医生的收费总数，应当执行哪些OLAP操作。
如果每维有4层（包括all），该立方体包含多少方体（包括基本方体和顶点方体）？
三、
四、
六、
七、
八、
假设数据挖掘的任务是将如下的八个点（用（x，y）代表位臵）聚类为三个簇。
A1（2,10），A2（2,5），A3（8,4），
B1（5,8），B2（7,5），B3（6,4）
C1（1,2），C2（4，9）距离函数是欧几里得距离。假设初始我们选择A1，B1和C1分别为每个簇的中心，用k均值算法给出
1.在第一轮执行后的三个簇中心点为多少？
2.最后的三个簇是什么
第一章引言
1 什么激发了数据挖掘，为什么它很重要？
自动数据收集工具和成熟的数据库技术导致了海量数据被存放在数据库、数据仓库和其他信息库中等待分析，可是数据丰富，但是信息贫乏，使数据变成“坟墓”，海量数据收集快速增长，对它们进行解读超出人的能力，缺乏强有力的工具，决策者不能从中提取有价值的知识，专家系统技术依赖人工，存在偏差且浪费资源。所以正在扩大的数据和信息之间的裂口急需数据挖掘工具的开发，将“数据坟墓”变成知识“金块”
2 OLTP（联机事务处理）与OLAP（联机分析处理）的作用和区别
OLTP是传统的关系型数据库的主要应用，主要是基本的、日常的事务处理，将查询看作只读事务，对于关系技术的发展和广泛地将关系技术作为大量数据的有效存储、检索和管理的主要工具做出了重要贡献。
OLAP是数据仓库系统的主要应用，支持复杂的分析操作，侧重决策支持，并且提供
直观易懂的查询结果，具有汇总、合并和聚集功能，以及从不同角度观察信息的能力，支
持多维分析和决策。
区别：
用户和系统的面向性：
OLTP是面向顾客的，用于事务和查询处理。
OLAP是面向市场的，用于数据分析。
数据内容：
OLTP系统管理当前数据。
OLAP系统管理大量历叱数据，提供汇总和聚集机制。
数据库设计：
OLTP采用实体-关系模型和面向应用的数据库设计。
OLAP采用星型戒雪花模型和面向主题的数据库设计。
视图:
OLTP主要关注一个企业戒部门内部的当前数据，不涉及历史数据或不同组织的数据。
OLAP则相反。
访问模式:
OLTP系统的访问主要由短的原子事务组成，这种系统需要并行和恢复机制。
OLAP系统的访问大部分是只读操作。
3 数据库技术发展
20世纪60年代：数据搜集，数据库创建，原始文件处理
20世纪70年代：层次和网状数据库，关系数据模型，关系型DBMS实现
20世纪80年代中期：RDBMS，高级数据模型，面向应用的DBMS
20世纪80年代后期：数据仓库，数据挖掘，多媒体数据库，流数据管理和挖掘
20世纪90年代：基于xML的数据库系统，与信息检索集成，数据与信息集成
4 什么是数据挖掘？
从海量数据中提取出有用的模式或者知识，这些模式或者知识应该是：非常识性的、
隐藏的、当前未知的以及潜在有益的。
5 KDD（数据中知识发现）的基本步骤：①数据清理：消除噪声或不一致数据；②数据集成：多种数据源组合；③数据选择：从数据库中检索和分析任务相关的数据；④数据变换：将数据变换或同一成适合挖掘的形式；⑤数据挖掘：使用智能方法提取数据模式和知识⑥
模式评估：根据某种兴趣度度量，识别表示知识的真正有趣模式；⑦知识表示：使用可视
化和知识表示技术，向用户提供挖掘的知识。
6 典型数据挖掘系统的主要成分：数据库、数据仓库、万维网和其他信息库；数据库或数据仓库服务器；知识库；数据挖掘引擎；模式评估模块；用户界面。架构如图：
7 数据挖掘的应用：
①数据分析和决策支持，如市场分析和管理，CRM客户关系管理；
②风险分析和管理，如预测，客户保持，保险分析等；
③欺诈检测和异常模式检测，方法：聚类&欺诈模型构造，离群点分析；
④其他应用：文本挖掘，流数据挖掘，DNA和生物数据分析。
8 数据挖掘系统和工具：
Oracle: Darwin
IBM: Intelligence Miner
SAS: Enterprise Miner
Business Objects
SPSS: Clementine
Xchange: e-CRM
Microsoft: SQL Server 2000
9数据挖掘适于何种类型的数据库？
数据挖掘适合关系数据库、数据仓库、事务数据库、高级数据库和信息库（包括：对象-关系数据库、时间空间数据库、时间序列数据库、流数据、多媒体数据库、文本数据库、异构数据库和遗产数据库、万维网）
10 数据挖掘的功能
①概念/类描述：数据特征化和数据区分；
②频繁模式，关联规则：相关性和因果性
③分类和预测
④聚类分析
⑤离群点分析
⑥演变分析
11 模式兴趣度度量：支持度（support ）置信度（confidence ）如何计算？
12 数据挖掘系统分类：一般分为描述性数据挖掘和预测性数据挖掘
第二章数据预处理
1 为什么进行数据预处理？
存在不完整的、含噪声的和不一致的数据是现实世界的大型的数据库或数据仓库的共同特点，低质量的数据将导致低质量的挖掘结果，所以就必须经过数据的预处理是挖掘过程更有效，更容易。如：数据清理可以去掉数据中的噪声，纠正不一致，数据集成可以将数据由多个源合并成一致的数据存储等
2 衡量数据质量的标准
①准确性②完整性③一致性④时间无关性⑤可解释性⑥可访问性
广义范畴：内在的，承接的，有代表性的和可实现的。
3 数据处理的主要任务和技术
①数据清理②数据集成③数据变换④数据规约⑥数据离散化
4 描述性数据汇总
中心趋势度量：均值，中位数，众数，中列数（注意中位数与中列数区别，中位数是最大最小值的算术平均值）
离中趋势度量：四分位数，四分位极差，方差，标准差
5 数据的峰决定于数据众数的数量
6五数概括：最小值min ，第一四分位数1Q ，中位数（第二四分位数2Q ），第三四分位数3Q ，最大值max 。
7 盒图：五数概括的可视化表示（必考，见第二章作业题）
其中1是离群点（如果数据中有值<1Q -IQR ×1.5或>3Q +IQR ×1.5）；2是最大值或数据中<= 3Q +IQR ×1.5的最大值；3是3Q ；4 中位数；5是1Q ；6是最小值或数据中>= 1Q -IQR ×
1.5的最小值。
8 数据清理任务：①填充缺失值②鉴别离群点，平滑噪声数据③纠正不一致数据
9 处理缺失值方法：①忽略记录/元组②人工填写缺失值③使用一个全局的常量填写④使用平均值取代缺失值⑤使用与元组属同一类的所有样本的均值⑥使用最可能的值（基于推导的使用贝叶斯公式或者决策树）填充（常用）
10 处理噪声数据：分箱（常用等深划分）光滑（如均值光滑，边界值光滑），回归，聚类。 11数据集成：将多个数据源中的数据结合起来存放在一个一致的数据存储（如数据仓库）中。模式集成，对相匹配，数据冲突检测预处理，相关分析检测冗余。
12 相关分析：相关系数（皮尔逊积矩系数），卡方分析。
13 数据变换涉及内容：光滑、聚集、数据泛化、规范化、属性构造
14 规范化： 最小最大规范化min '(_max _min )_min max min A A A A A A v v new new new -=
-+- Z-score 规范化'A
v A
v σ-= 小数定标规范化'10j
v v = j 是令max(')1v <的最小整数。 15数据规约策略：①数据立斱体聚集②属性子集选择③维度归约④数值归约⑤离散化和概念分层产生。
第三章数据仓库和OLAP 技术概述
16.星型模型
3
雪花模型
维表之外还可接维表
17.典型的OLAP操作
上卷（Roll up）:汇总数据
下钻(roll down):上卷的逆操作
切片（Slice ）和切块（dice）: 映射和选择
转轴（Pivot）：是一种目视操作，它转劢数据的视角，提供数据的替代表示。
第五章挖掘频繁模式、关联和相关
18.频繁模式: 数据集中频繁出现的模式
频繁项集：满足最小支持度的项集
Support：支持度，所有事物中该项集出现频率
Confidence：置信度，A发生的情况下B发生的概率
19.Apriori算法
连接步: 通过连接产生Ck
剪枝步: 如果一个候选k-项集的(k-1)-子集不在(k-1)-的频繁项集中,则该候选集也不可能是频繁的,从而由Ck删除
具体参照习题三或书151页
20.FP-tree
建立：1.扫描数据库一次，得到频繁1-项集
2.把项按支持度递减排序
3.再一次扫描数据库，建立FP-tree
挖掘：步骤1: 从FP-tree 到条件模式基：从FP-tree的头表开始，按照每个频繁项的连接遍
历FP-tree，列出能够到达此项的所有前缀路径，得到条件模式基。
步骤2: 建立条件FP-tree：对任意模式基，计算其中每个项的支持度，为模式基中的频繁
项建立FP-tree
步骤3：生成条件FP-tree
步骤4：递归挖掘条件FP-tree
具体参见书157
。。。。。。
后面的还在预习，别指望有后面的了，传说第八章比较重要
一、解答题（满分30分，每小题5分） 1. 怎样理解数据挖掘和知识发现的关系？请详细阐述之 首先从数据源中抽取感兴趣的数据，并把它组织成适合挖掘的数据组织形式；然后，调用相应的算法生成所需的知识；最后对生成的知识模式进行评估，并把有价值的知识集成到企业的智能系统中。 知识发现是一个指出数据中有效、崭新、潜在的、有价值的、一个不可忽视的流程，其最终目标是掌握数据的模式。流程步骤：先理解要应用的领域、熟悉相关知识，接着建立目标数据集，并专注所选择的数据子集；再作数据预处理，剔除错误或不一致的数据；然后进行数据简化与转换工作；再通过数据挖掘的技术程序成为模式、做回归分析或找出分类模型；最后经过解释和评价成为有用的信息。 2. 时间序列数据挖掘的方法有哪些，请详细阐述之 时间序列数据挖掘的方法有： 1）、确定性时间序列预测方法:对于平稳变化特征的时间序列来说，假设未来行为与现在的行为有关，利用属性现在的值预测将来的值是可行的。例如，要预测下周某种商品的销售额，可以用最近一段时间的实际销售量来建立预测模型。 2）、随机时间序列预测方法:通过建立随机模型，对随机时间序列进行分析，可以预测未来值。若时间序列是平稳的，可以用自回归(Auto Regressive，简称AR)模型、移动回归模型(Moving Average，简称MA)或自回归移动平均(Auto Regressive Moving Average，简称ARMA)模型进行分析预测。 3）、其他方法:可用于时间序列预测的方法很多，其中比较成功的是神经网络。由于大量的时间序列是非平稳的，因此特征参数和数据分布随着时间的推移而变化。假如通过对某段历史数据的训练，通过数学统计模型估计神经网络的各层权重参数初值，就可能建立神经网络预测模型，用于时间序列的预测。
数据挖掘综述
数据挖掘综述 摘要：数据挖掘是一项较新的数据库技术，它基于由日常积累的大量数据所构成的数据库，从中发现潜在的、有价值的信息——称为知识，用于支持决策。数据挖掘是一项数据库应用技术，本文首先对数据挖掘进行概述，阐明数据挖掘产生的背景，数据挖掘的步骤和基本技术是什么，然后介绍数据挖掘的算法和主要应用领域、国内外发展现状以及发展趋势。 关键词：数据挖掘，算法，数据库 ABSTRACT：Data mining is a relatively new database technology, it is based on database, which is constituted by a large number of data coming from daily accumulation, and find potential, valuable information - called knowledge from it, used to support decision-making. Data mining is a database application technology, this article first outlines, expounds the background of data mining , the steps and basic technology, then data mining algorithm and main application fields, the domestic and foreign development status and development trend. KEY WORDS: data mining ,algorithm, database 数据挖掘产生的背景 上世纪九十年代．随着数据库系统的广泛应用和网络技术的高速发展，数据库技术也进入一个全新的阶段，即从过去仅管理一些简单数据发展到管理由各种计算机所产生的图形、图像、音频、视频、电子档案、Web页面等多种类型的复杂数据，并且数据量也越来越大。在给我们提供丰富信息的同时，也体现出明显的海量信息特征。信息爆炸时代．海量信息给人们带来许多负面影响，最主要的就是有效信息难以提炼。过多无用的信息必然会产生信息距离(the Distance of Information-state Transition，信息状态转移距离，是对一个事物信息状态转移所遇到障碍的测度。简称DIST或DIT)和有用知识的丢失。这也就是约翰·内斯伯特(John Nalsbert)称为的“信息丰富而知识贫乏”窘境。因此，人们迫切希望能对海量数据进行深入分析，发现并提取隐藏在其中的信息．以更好地利用这些数据。但仅以数据库系统的录入、查询、统计等功能，无法发现数据中存在的关系和规则，无法根据现有的数据预测未来的发展趋势。更缺乏挖掘数据背后隐藏知识的手段。正是在这样的条件下，数据挖掘技术应运而生。 数据挖掘的步骤 在实施数据挖掘之前，先制定采取什么样的步骤，每一步都做什么，达到什么样的目标是必要的，有了好的计划才能保证数据挖掘有条不紊的实施并取得成功。很多软件供应商和数据挖掘顾问公司投提供了一些数据挖掘过程模型，来指导他们的用户一步步的进行数据挖掘工作。比如SPSS公司的5A和SAS公司的SEMMA。 数据挖掘过程模型步骤主要包括：1定义商业问题；2建立数据挖掘模型；3分析数据；4准备数据；5建立模型；6评价模型；7实施。 1定义商业问题。在开始知识发现之前最先的同时也是最重要的要求就是了
一、数据挖掘的目的 数据挖掘(Data Mining)阶段首先要确定挖掘的任务或目的。数据挖掘的目的就是得出隐藏在数据中的有价值的信息。数据挖掘是一门涉及面很广的交叉学科，包括器学习、数理统计、神经网络、数据库、模式识别、粗糙集、模糊数学等相关技术。它也常被称为“知识发现”。知识发现(KDD)被认为是从数据中发现有用知识的整个过程。数据挖掘被认为是KDD过程中的一个特定步骤，它用专门算法从数据中抽取模式(patter，如数据分类、聚类、关联规则发现或序列模式发现等。数据挖掘主要步骤是：数据准备、数据挖掘、结果的解释评估。二、数据挖掘算法说明 确定了挖掘任务后，就要决定使用什么样的挖掘算法。由于条件属性在各样本的分布特性和所反映的主观特性的不同, 每一个样本对应于真实情况的局部映射。建立了粗糙集理论中样本知识与信息之间的对应表示关系, 给出了由属性约简求约简决策表的方法。基于后离散化策略处理连续属性, 实现离散效率和信息损失之间的动态折衷。提出相对值条件互信息的概念衡量单一样本中各条件属性的相关性, 可以充分利用现有数据处理不完备信息系统。 本次数据挖掘的方法是两种，一是找到若干条特殊样本，而是找出若干条特殊条件属性。最后利用这些样本和属性找出关联规则。（第四部分详细讲解样本和属性的选择） 三数据预处理过程 数据预处理一般包括消除噪声、推导计算缺值数据、消除重复记录、完成数据类型转换(如把连续值数据转换为离散型数据，以便于符号归纳，或是把离散型数据转换为连续)。 本文使用的数据来源是名为“CardiologyCategorical”的excel文件中的“源数据”。该数据表共303行，14个属性。即共有303个样本。将该数据表的前200行设为训练样本，剩下后的103行作为测试样本，用基于粗糙集理论的属性约简的方法生成相应的规则，再利用测试样本对这些规则进行测试。 首先对源数据进行预处理，主要包括字符型数据的转化和数据的归一化。 数据预处理的第一步是整理源数据，为了便于matlab读取数据，把非数字数据转换为离散型数字数据。生成lisanhua.xsl文件。这一部分直接在excel工作表中直接进行。 步骤如下： 将属性“sex”中的“Male”用“1”表示，“Female”用“2”表示； 将属性“chest pain type”中的“Asymptomatic”用“1”表示，“Abnormal Angina”用“2”表示，“Angina”用“3”表示，“NoTang”用“4”表示；
一、解答题（满分3０分，每小题5分) 1. 怎样理解数据挖掘和知识发现的关系?请详细阐述之 首先从数据源中抽取感兴趣的数据，并把它组织成适合挖掘的数据组织形式;然后,调用相应的算法生成所需的知识;最后对生成的知识模式进行评估，并把有价值的知识集成到企业的智能系统中。 知识发现是一个指出数据中有效、崭新、潜在的、有价值的、一个不可忽视的流程，其最终目标是掌握数据的模式。流程步骤:先理解要应用的领域、熟悉相关知识，接着建立目标数据集，并专注所选择的数据子集;再作数据预处理，剔除错误或不一致的数据；然后进行数据简化与转换工作；再通过数据挖掘的技术程序成为模式、做回归分析或找出分类模型；最后经过解释和评价成为有用的信息。 2.时间序列数据挖掘的方法有哪些，请详细阐述之 时间序列数据挖掘的方法有: １)、确定性时间序列预测方法:对于平稳变化特征的时间序列来说，假设未来行为与现在的行为有关，利用属性现在的值预测将来的值是可行的。例如，要预测下周某种商品的销售额，可以用最近一段时间的实际销售量来建立预测模型。 ２）、随机时间序列预测方法：通过建立随机模型,对随机时间序列进行分析,可以预测未来值。若时间序列是平稳的,可以用自回归(Auto Ｒegressiｖe，简称AR)模型、移动回归模型(Ｍovｉng Ａveｒage,简称ＭＡ）或自回归移动平均(Aｕto Regrｅssive Moｖiｎg Aｖeraｇe，简称AＲMＡ)模型进行分析预测。 3)、其他方法:可用于时间序列预测的方法很多,其中比较成功的是神经网络。由于大量的时间序列是非平稳的,因此特征参数和数据分布随着时间的推移而变化。假如通过对某段历史数据的训练，通过数学统计模型估计神经网络的各层权重参数初值，就可能建立神经网络预测模型,用于时间序列的预测。
数据挖掘研究现状及发展趋势摘要：从数据挖掘的定义出发，介绍了数据挖掘的神经网络法、决策树法、遗传算法、粗糙集法、模糊集法和关联规则法等概念及其各自的优缺点；详细总结了国内外数据挖掘的研究现状及研究热点，指出了数据挖掘的发展趋势。 关键词：数据挖掘；挖掘算法；神经网络；决策树；粗糙集；模糊集；研究现状；发展趋势 Abstract：From the definition of data mining，the paper introduced concepts and advantages and disadvantages of neural network algorithm，decision tree algorithm，genetic algorithm，rough set method，fuzzy set method and association rule method of data mining，summarized domestic and international research situation and focus of data mining in details，and pointed out the development trend of data mining. Key words：data mining，algorithm of data mining，neural network，decision tree，rough set，fuzzy set，research situation，development tendency 1引言 随着信息技术的迅猛发展，许多行业如商业、企业、科研机构和政府部门等都积累了海量的、不同形式存储的数据资料[1]。这些海量数据中往往隐含着各种各样有用的信息，仅仅依靠数据库的查询检索机制和统计学方法很难获得这些信息，迫切需要能自动地、智能地将待处理的数据转化为有价值的信息，从而达到为决策服务的目的。在这种情况下，一个新的技术———数据挖掘(Data Mining，DM)技术应运而生[2]。 数据挖掘是一个多学科领域，它融合了数据库技术、人工智能、机器学习、统计学、知识工程、信息检索等最新技术的研究成果，其应用非常广泛。只要是有分析价值的数据库，都可以利用数据挖掘工具来挖掘有用的信息。数据挖掘典型的应用领域包括市场、工业生产、金融、医学、科学研究、工程诊断等。本文主要介绍数据挖掘的主要算法及其各自的优缺点，并对国内外的研究现状及研究热点进行了详细的总结，最后指出其发展趋势及问题所在。 江西理工大学
哈尔滨工业大学 数据挖掘理论与算法实验报告(2016年度秋季学期) 课程编码S1300019C 授课教师邹兆年 学生姓名汪瑞 学号 16S003011 学院计算机学院
一、实验内容 决策树算法是一种有监督学习的分类算法；kmeans是一种无监督的聚类算法。 本次实验实现了以上两种算法。在决策树算法中采用了不同的样本划分方式、不同的分支属性的选择标准。在kmeans算法中，比较了不同初始质心产生的差异。 本实验主要使用python语言实现，使用了sklearn包作为实验工具。 二、实验设计 1.决策树算法 1.1读取数据集 本次实验主要使用的数据集是汽车价值数据。有6个属性，命名和属性值分别如下： buying: vhigh, high, med, low. maint: vhigh, high, med, low. doors: 2, 3, 4, 5more. persons: 2, 4, more. lug_boot: small, med, big. safety: low, med, high. 分类属性是汽车价值，共4类，如下： class values：unacc, acc, good, vgood 该数据集不存在空缺值。
由于sklearn.tree只能使用数值数据，因此需要对数据进行预处理，将所有标签类属性值转换为整形。 1.2数据集划分 数据集预处理完毕后，对该数据进行数据集划分。数据集划分方法有hold-out法、k-fold交叉验证法以及有放回抽样法（boottrap）。 Hold—out法在pthon中的实现是使用如下语句： 其中，cv是sklearn中cross_validation包，train_test_split 方法的参数分别是数据集、数据集大小、测试集所占比、随机生成方法的可
数据挖掘-题库带答案 1、最早提出“大数据”时代到来的是全球知名咨询公司麦肯锡() 答案：正确 2、决策将日益基于数据和分析而作出,而并非基于经验和直觉() 答案：错误 解析：决策将日益基于数据和分析而作出,而并非基于经验和直觉 3、2011年被许多国外媒体和专家称为“大数据元年”() 答案：错误 解析：2013年被许多国外媒体和专家称为“大数据元年” 4、我国网民数量居世界之首,每天产生的数据量也位于世界前列() 答案：正确 5、商务智能的联机分析处理工具依赖于数据库和数据挖掘。() 答案：错误 解析：商务智能的联机分析处理工具依赖于数据仓库和多维数据挖掘。 6、数据整合、处理、校验在目前已经统称为 EL() 答案：错误 解析：数据整合、处理、校验在目前已经统称为 ETL 7、大数据时代的主要特征() A、数据量大 B、类型繁多 C、价值密度低 D、速度快时效高 答案： ABCD 8、下列哪项不是大数据时代的热门技术() A、数据整合 B、数据预处理 C、数据可视化 D、 SQL
答案： D 9、()是一种统计或数据挖掘解决方案,包含可在结构化和非结构化数据中使用以确定未来结果的算法和技术。 A、预测 B、分析 C、预测分析 D、分析预测 答案： C 10、大数据发展的前提? 答案： 解析：硬件成本的降低,网络带宽的提升,云计算的兴起,网络技术的发展,智能终端的普及,电子商务、社交网络、电子地图等的全面应用,物联网的兴起 11、调研、分析大数据发展的现状与应用领域。? 答案： 解析：略 12、大数据时代的主要特征? 答案： 解析：数据量大(Volume) 第一个特征是数据量大。大数据的起始计量单位至少是P(1000个T)、E(100万个T)或Z(10亿个T)。 类型繁多(Variety) 第二个特征是数据类型繁多。包括网络日志、音频、视频、图片、地理位置信息等等,多类型的数据对数据的处理能力提出了更高的要求。 价值密度低(Value) 第三个特征是数据价值密度相对较低。如随着物联网的广泛应用,信息感知无处不在,信息海量,但价值密度较低,如何通过强大的机器算法更迅速地完成数据的价值“提纯”,是大数据时代亟待解决的难题。 速度快、时效高(Velocity) 第四个特征是处理速度快,时效性要求高。这是大数据区分于传统数据挖掘最显著的特征。 13、列举大数据时代的主要技术? 答案： 解析：预测分析: 预测分析是一种统计或数据挖掘解决方案,包含可在结构化和非结构化数据中使用以确定未来结果的算法和技术。可为预测、优化、预报和模拟等许多其他用途而部署。随着现在硬件和软件解决方案的成熟,许多公司利用大数据技术来收集海量数据、训练模型、优化模型,并发布预测模型来提高业务
数据挖掘工程师工作的职责概述 1 职责： 1、针对具体的业务场景需求、定义数据分析及挖掘问题; 2、使用统计学分析方法、挖掘算法、构建有效且通用的数据分析模型，对数据挖掘方案进行验证、开发、改进和优化，实现数据挖掘的功能应用; 3、搭建高扩展高性能的数据分析模型库，作为数据分析团队的基础工具; 4、完成领导安排的其他工作。 任职要求： 1、计算机、统计学、数学相关专业，本科及以上学历; 2、3年及以上相关工作经验，985和211大学的优秀毕业生可放宽至2年以上; 3、熟悉PHM的应用背景、功能定义、系统架构、关键技术; 4、熟练掌握Python进行数据挖掘;会使用Java进行软件开发者优先考虑; 5、熟悉常用数据挖掘算法如分类、聚类、回归、关联规则、神经网络等及其原理，并具备相关项目经验; 6、熟悉数据仓库，熟练使用SQL语言，有良好的数据库编程经验; 7、具备较强的独立解决问题的能力，勤奋敬业、主动性和责任心强。 2 职责： 1、水务行业的数据分析、数据挖掘工作，包括数据模型的需求分析、模型开发和结果分析; 2、按需完成基础数据的清洗、整合与去噪，为分析与建模提供支撑。 3、根据业务需求构建合适的算法及通过数据挖掘、机器学习等手段不断优化策略及算法。 4. 跟踪学习新的建模和数据挖掘技术，与同事共享知识和经验。 任职要求：
1. 计算机、数学、物理等相关专业本科及以上学历， 211、985高校优先 2.具有数据挖掘、机器学习、概率统计基础理论知识，熟悉并应用过常用分类、聚类 等机器学习算法; 3.熟练掌握R编程，熟悉数据库开发技术，并有实际生产使用经验者优先; 4. 学习能力强，拥有优秀的逻辑思维能力，工作认真负责，沟通能力良好，团队合 作意愿强，诚实、勤奋、严谨。 3 职责： 1、负责时间序列分析类算法的维护和设计实现; 2、负责海量内容和业务数据的分析和挖掘、建模，快速迭代算法，提升算法效果; 3、参与搭建和实现大数据平台下的算法处理程序; 4、应用各种机器学习、数据挖掘技术进行数据分析与数据挖掘; 5、根据业务需求进行数学建模，设计并开发高效算法，并对模型及算法进行验证和 实现。 【职位要求】 1、2021届应届毕业生，本科及以上学历，985/211毕业院校优先考虑，计算机软件、通讯相关专业; 2、熟悉linux操作，熟悉oracle数据库及sql语言; 3、掌握数据分析/挖掘方法及相关算法; 4、有R语言开发能力优先; 5、有运营商数据分析，模型构建经验优先。 4 职责： 1、根据公司自主产品需求，研究设计相应数据挖掘方案及算法，分析数据，设计方案，构建原型，快速实现对于数据分析、挖掘的需求;
数据在当今世界意味着金钱。随着向基于app的世界的过渡，数据呈指数增长。然而，大多数数据是非结构化的，因此需要一个过程和方法从数据中提取有用的信息，并将其转换为可理解的和可用的形式。 数据挖掘或“数据库中的知识发现”是通过人工智能、机器学习、统计和数据库系统发现大数据集中的模式的过程。 免费的数据挖掘工具包括从完整的模型开发环境如Knime和Orange，到各种用Java、c++编写的库，最常见的是Python。数据挖掘中通常涉及到四种任务: 分类:将熟悉的结构概括为新数据的任务 聚类:在数据中以某种方式查找组和结构的任务，而不需要在数据中使用已注意的结构。 关联规则学习:查找变量之间的关系 回归:旨在找到一个函数，用最小的错误来模拟数据。 下面列出了用于数据挖掘的免费软件工具 数据挖掘工具 1.Rapid Miner
Rapid Miner，原名YALE又一个学习环境，是一个用于机器学习和数据挖掘实验的环境，用 于研究和实际的数据挖掘任务。毫无疑问，这是世界领先的数据挖掘开源系统。该工具以Java编程语言编写，通过基于模板的框架提供高级分析。 它使得实验可以由大量的可任意嵌套的操作符组成，这些操作符在xmxxxxl文件中是详细的，并且是由快速的Miner的图形用户界面完成的。最好的是用户不需要编写代码。它已经有许 多模板和其他工具，让我们可以轻松地分析数据。 2. IBM SPSS Modeler
IBM SPSS Modeler工具工作台最适合处理文本分析等大型项目，其可视化界面非常有价值。它允许您在不编程的情况下生成各种数据挖掘算法。它也可以用于异常检测、贝叶斯网络、CARMA、Cox回归以及使用多层感知器进行反向传播学习的基本神经网络。 3.Oracle Data Mining
1.前言 随着中国加入WTO，国金融市场正在逐步对外开放，外资金融企业的进入在带来先进经营理念的同时，无疑也加剧了中国金融市场的竞争。金融业正在快速发生变化。合并、收购和相关法规的变化带来了空前的机会，也为金融用户提供了更多的选择。节约资金、更完善的服务诱使客户转投到竞争对手那里。即便是网上银行也面临着吸引客户的问题，最有价值的客户可能正离您而去，而您甚至还没有觉察。在这样一种复杂、激烈的竞争环境下，如何才能吸引、增加并保持最好的客户呢？ 数据挖掘、模式(Patterns>等形式。用统计分析和数据挖掘解决商务问题。 金融业分析方案可以帮助银行和保险业客户进行交叉销售来增加销售收入、对客户进行细分和细致的行为描述来有效挽留有价值客户、提高市场活动的响应效果、降低市场推广成本、达到有效增加客户数量的目的等。 客户细分―使客户收益最大化的同时最大程度降低风险 市场全球化和购并浪潮使市场竞争日趋激烈，新的管理需求迫切要求金融机构实现业务革新。为在激烈的竞争中脱颖而出，业界领先的金融服务机构正纷纷采用成熟的统计分析和数据挖掘技术，来获取有价值的客户，提高利润率。他们在分析客户特征和产品特征的同时，实现客户细分和市场细分。 数据挖掘实现客户价值的最大化和风险最小化。SPSS预测分析技术能够适应用于各种金融服务，采用实时的预测分析技术，分析来自各种不同数据源－来自ATM、交易、呼叫中心以及相关分支机构的客户数据。采用各种分析技术，发现数据中的潜在价值，使营销活动更具有针对性，提高营销活动的市场回应率，使营销费用优化配置。 客户流失―挽留有价值的客户 在银行业和保险业，客户流失也是一个很大的问题。例如，抵押放款公司希望知道，自己的哪些客户会因为竞争对手采用低息和较宽松条款的手段而流失；保险公司则希望知道如何才能减少取消保单的情况，降低承包成本。 为了留住最有价值的客户，您需要开展有效的保留活动。然而，首先您需要找出最有价值的客户，理解他们的行为。可以在整个客户群的很小一部分中尽可能多地找出潜在的流失者，从而进行有效的保留活动并降低成本。接着按照客户的价值和流失倾向给客户排序，找出最有价值的客户。 交叉销售 在客户关系管理中，交叉销售是一种有助于形成客户对企业忠诚关系的重要工具，有助于企业避开“挤奶式”的饱和竞争市场。由于客户从企业那里获得更多的产品和服务，客户与企业的接触点也就越多，企业就越有机会更深入地了解客户的偏好和购买行为，因此，企业提高满足客户需求的能力就比竞争对手更有效。 研究表明，银行客户关系的年限与其使用的服务数目、银行每个账户的利润率之间，存在着较强的正相关性。企业通过对现有客户进行交叉销售，客户使用企业的服务数目就会增多，客户使用银行服务的年限就会增大，每个客户的利润率也随着增大。 从客户的交易数据和客户的自然属性中寻找、选择最有可能捆绑在一起销售的产品和服务，发现有价值的产品和服务组合，从而有效地向客户提供额外的服务，提高活期收入并提升客户的收益率。
第6卷(A版) 第8期2001年8月 中国图象图形学报 Jou rnal of I m age and Grap h ics V o l.6(A),N o.8 A ug.2001 基金项目:国家自然科学基金项目(79970092)收稿日期:2000206222;改回日期:2000212214数据挖掘技术吉根林1),2)孙志挥2) 1)(南京师范大学计算机系,南京 210097) 2)(东南大学计算机系,南京 210096) 摘 要 数据挖掘技术是当前数据库和人工智能领域研究的热点课题,为了使人们对该领域现状有个概略了解,在消化大量文献资料的基础上,首先对数据挖掘技术的国内外总体研究情况进行了概略介绍,包括数据挖掘技术的产生背景、应用领域、分类及主要挖掘技术;结合作者的研究工作,对关联规则的挖掘、分类规则的挖掘、离群数据的挖掘及聚类分析作了较详细的论述;介绍了关联规则挖掘的主要研究成果,同时指出了关联规则衡量标准的不足及其改进方法,提出了分类模式的准确度评估方法;最后,描述了数据挖掘技术在科学研究、金融投资、市场营销、保险业、制造业及通信网络管理等行业的应用情况,并对数据挖掘技术的应用前景作了展望. 关键词 数据挖掘 决策支持 关联规则 分类规则 KDD 中图法分类号:T P391 T P182 文献标识码:A 文章编号:100628961(2001)0820715207 Survey of the Da ta M i n i ng Techn iques J I Gen2lin1,2),SU N Zh i2hu i2) 1)(D ep art m ent of co mp u ter,N anj ing N or m al U niversity,N anj ing210097) 2)(D ep art m ent of co mp u ter,S ou theast U niversity,N anj ing210096) Abstract D ata m in ing is an em erging research field in database and artificial in telligence.In th is paper,the data m in ing techn iques are in troduced b roadly including its p roducing background,its app licati on and its classificati on. T he p rinci pal techn iques u sed in the data m in ing are su rveyed also,w h ich include ru le inducti on,decisi on tree, artificial neu ral netw o rk,genetic algo rithm,fuzzy techn ique,rough set and visualizati on techn ique.A ssociati on ru le m in ing,classificati on ru le m in ing,ou tlier m in ing and clu stering m ethod are discu ssed in detail.T he research ach ievem en ts in associati on ru le,the sho rtcom ings of associati on ru le m easu re standards and its i m p rovem en t,the evaluati on m ethods of classificati on ru les are p resen ted.Ex isting ou tlier m in ing app roaches are in troduced w h ich include ou tlier m in ing app roach based on statistics,distance2based ou tler m in ing app roach,data detecti on m ethod fo r deviati on,ru le2based ou tlier m in ing app roach and m u lti2strategy m ethod.F inally,the app licati on s of data m in ing to science research,financial investm en t,m arket,in su rance,m anufactu ring indu stry and comm un icati on netw o rk m anagem en t are in troduced.T he app licati on p ro spects of data m in ing are described. Keywords D ata m in ing,D ecisi on suppo rt,A ssociati on ru le,C lassificati on ru le,KDD 0 引 言 数据挖掘(D ata M in ing),也称数据库中的知识发现(KDD:Know ledge D iscovery in D atabase),是指从大型数据库或数据仓库中提取人们感兴趣的知识,这些知识是隐含的、事先未知的潜在有用信息,提取的知识一般可表示为概念(Concep ts)、规则(R u les)、规律(R egu larities)、模式(Pattern s)等形式[1].大家知道,如今已可以用数据库管理系统来存储数据,还可用机器学习的方法来分析数据和挖掘大量数据背后的知识,而这两者的结合就促成了数
第 1 章 1.6 定义下列数据挖掘功能：特征化、区分、关联和相关分析、预测聚类和演变分析。 使用你熟悉的现实生活的数据库，给出每种数据挖掘功能的例子。 ?特征化是一个目标类数据的一般特性或特性的汇总。例如，学生的特征可被提出，形成所 有大学的计算机科学专业一年级学生的轮廓，这些特征包括作为一种高的年级平均成绩 (GPA：Grade point a ve r s ge) 的信息，还有所修的课程的最大数量。 ?区分是将目标类数据对象的一般特性与一个或多个对比类对象的一般特性进行比 较。例如，具有高GPA 的学生的一般特性可被用来与具有低GPA 的一般特性比较。最 终的描述可能是学生的一个一般可比较的轮廓，就像具有高GPA 的学生的75%是四年级 计算机科学专业的学生，而具有低GPA 的学生的65%不是。 ?关联是指发现关联规则，这些规则表示一起频繁发生在给定数据集的特征值的条件。 例如，一个数据挖掘系统可能发现的关联规则为： m a j or(X,“c omput i ng s c i e nc e”) ?owns(X, “pe r s ona l c omput e r”) [s uppor t=12%,c on f i d e nc e=98%] 其中，X 是一个表示学生的变量。这个规则指出正在学习的学生，12%（支持度）主修计算机科学并且拥有一台 。 个人计算机。这个组一个学生拥有一台个人电脑的概率是98%（置信度，或确定度） ?分类与预测不同，因为前者的作用是构造一系列能描述和区分数据类型或概念的模型（或，而后者是建立一个模型去预测缺失的或无效的、并且通常是数字的数据值。它们的 功能） 相似性是他们都是预测的工具：分类被用作预测目标数据的类的标签，而预测典型的应用是 预测缺失的数字型数据的值。 ?聚类分析的数据对象不考虑已知的类标号。对象根据最大花蕾内部的相似性、最小化类之间的相似性的原则进行聚类或分组。形成的每一簇可以被看作一个对象类。聚类也便于分类法组织形式，将观测组织成类分层结构，把类似的事件组织在一起。 ?数据延边分析描述和模型化随时间变化的对象的规律或趋势，尽管这可能包括时间相关数 据的特征化、区分、关联和相关分析、分类、或预测，这种分析的明确特征包括时间序列数据分 析、序列或周期模式匹配、和基于相似性的数据分析 1.9 列举并描述说明数据挖掘任务的五种原语。 五种原语是： ?任务相关数据：这种原语指明给定挖掘所处理的数据。它包括指明数据库、数据库表、或 数据仓库，其中包括包含关系数据、选择关系数据的条件、用于探索的关系数据的属性或 维、关于修复的数据排序和分组。 ?挖掘的数据类型：这种原语指明了所要执行的特定数据挖掘功能，如特征化、区分、关 联、分类、聚类、或演化分析。同样，用户的要求可能更特殊，并可能提供所发现的模式必 须匹配的模版。这些模版或超模式（也被称为超规则）能被用来指导发现过程。 ?背景知识：这种原语允许用户指定已有的关于挖掘领域的知识。这样的知识能被用来指导 知识发现过程，并且评估发现的模式。关于数据中关系的概念分层和用户信念是背景知识的 形式。 ?模式兴趣度度量：这种原语允许用户指定功能，用于从知识中分割不感兴趣的模式，并且 被用来指导挖掘过程，也可评估发现的模式。这样就允许用户限制在挖掘过程返回的不感兴 趣的模式的数量，因为一种数据挖掘系统可能产生大量的模式。兴趣度测量能被指定为简易 性、确定性、适用性、和新颖性的特征。 ?发现模式的可视化：这种原语述及发现的模式应该被显示出来。为了使数据挖掘能有效地
目录 1.数据挖掘概述 (2) 1.1现实情况 (2) 1.2 数据挖掘定义 (3) 1.3 数据挖掘技术发展 (3) 1.4 数据挖掘在业务方面的应用(以金融业为例) (4) 1.4.1客户细分―使客户收益最大化的同时最大程度降低风险 (4) 1.4.2客户流失―挽留有价值的客户 (4) 1.4.3交叉销售 (5) 1.4.4 开发新客户 (5) 2.数据挖掘项目实施步骤 (5) 2.1数据理解 (6) 2.2数据准备 (6) 2.3建立模型 (6) 2.4模型评估 (6) 2.5发布结果 (6)
1.数据挖掘概述 1.1现实情况 ①.业务中的数据量呈现指数增长（GB/小时） ②.传统技术难以从这些大量数据中发现有价值的规律 ③.数据挖掘可以帮助我们从大量数据中发现有价值的规律 社会需求：著名的“啤酒尿布”案例：美国加州某个超级卖场通过数据挖掘发现，下班后前来购买婴儿尿布的男顾客大都购买啤酒。于是经理当机立断，重新布置货架，把啤酒类商品布置在婴儿尿布货架附近，并在二者之间放置佐酒食品，同时还把男士日常用品就近布置。这样，上述几种商品的销量大增。
1.2 数据挖掘定义 数据挖掘技术定义： 数据挖掘（Data Mining，DM）是指从大量不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、有用的信息和知识的过程。其表现形式为概念（Concepts）、规则(Rules)、模式(Patterns)等形式。用统计分析和数据挖掘解决商务问题。 数据挖掘商业定义： 按企业既定业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化的先进有效的方法。 数据挖掘是从海量数据中提取隐含在其中的有用信息和知识的过程。它可以帮助企业对数据进行微观、中观乃至宏观的统计、分析、综合和推理，从而利用已有数据预测未来，帮助企业赢得竞争优势。 1.3 数据挖掘技术发展 数据挖掘是一个交叉学科领域，受多个学科影响，包括数据库系统、统计学、机器学习、可视化和信息科学。 技术分类 一、预言（Predication）：用历史预测未来 二、描述（Description）：了解数据中潜在的规律
1.4 数据仓库和数据库有何不同？有哪些相似之处？ 答：区别：数据仓库是面向主题的，集成的，不易更改且随时间变化的数据集合，用来支持管理人员的决策，数据库由一组内部相关的数据和一组管理和存取数据的软件程序组成，是面向操作型的数据库，是组成数据仓库的源数据。它用表组织数据，采用ER 数据模型。 相似：它们都为数据挖掘提供了源数据，都是数据的组合。 1.3 定义下列数据挖掘功能：特征化、区分、关联和相关分析、预测聚类和演变分析。使用你熟悉的现实生活的数据库，给出每种数据挖掘功能的例子。 答：特征化是一个目标类数据的一般特性或特性的汇总。例如，学生的特征可被提出，形成所有大学的计算机科学专业一年级学生的轮廓，这些特征包括作为一种高的年级平均成绩(GPA ：Grade point aversge) 的信息， 还有所修的课程的最大数量。 区分是将目标类数据对象的一般特性与一个或多个对比类对象的一般特性进行比较。例如， 具有高GPA 的学生的一般特性可被用来与具有低GPA 的一般特性比较。最终的描述可能是学生的一个一般可比较的轮廓，就像具有高GPA 的学生的75% 是四年级计算机科学专业的学生，而具有低GPA 的学生的65% 不是。 关联是指发现关联规则，这些规则表示一起频繁发生在给定数据集的特征值的条件。例如，一个数据挖掘系统可能发现的关联规则为：major(X, “ computing science ” ) ? owns(X, “ personal computer ” ) [support=12%, confidence=98%] 其中，X 是一个表示学生的变量。这个规则指出正在学习的 学生，12% (支持度)主修计算机科学并且拥有一台个人计算机。这个组一个学生拥有一台个人电脑的概率是98% (置信度，或确定度)。 分类与预测不同，因为前者的作用是构造一系列能描述和区分数据类型或概念的模型(或功能)，而后者是建立一个模型去预测缺失的或无效的、并且通常是数字的数据值。它们的相似性是他们都是预测的工具： 分类被用作预测目标数据的类的标签，而预测典型的应用是预测缺失的数字型数据的值。 聚类分析的数据对象不考虑已知的类标号。对象根据最大花蕾内部的相似性、最小化类之间的相似性的原则进行聚类或分组。形成的每一簇可以被看作一个对象类。聚类也便于分类法组织形式，将观测组织成类分 层结构，把类似的事件组织在一起。 数据演变分析描述和模型化随时间变化的对象的规律或趋势，尽管这可能包括时间相关数据的特征化、区分、关联和相关分析、分类、或预测，这种分析的明确特征包括时间序列数据分析、序列或周期模式匹配、和基于相似性的数据分析 2.3 假设给定的数据集的值已经分组为区间。区间和对应的频率如下。 年龄频率 1~5200 5~15450 15~20300 20~501500 50~80700 80~11044 计算数据的近似中位数值。 解答：先判定中位数区间：N=200+450+300+1500+700+44=3194 ；N/2=1597
数据挖掘毕业论文 ---------数据挖掘技术及其应用 摘要：随着网络、数据库技术的迅速发展以及数据库管理系统的广泛应用，人们积累的数据越来越多。数据挖掘(Data Mining)就是从大量的实际应用数据中提取隐含信息和知识，它利用了数据库、人工智能和数理统计等多方面的技术，是一类深层次的数据分析方法。本文介绍了数据库技术的现状、效据挖掘的方法以及它在Bayesian网建网技术中的应用：通过散据挖掘解决Bayesian网络建模过程中所遇到的具体问题，即如何从太规模效据库中寻找各变量之间的关系以及如何确定条件概率问题。 关键字：数据挖掘、知识获取、数据库、函数依赖、条件概率 一、引言： 数据是知识的源泉。但是,拥有大量的数据与拥有许多有用的知识完全是两回事。过去几年中,从数据库中发现知识这一领域发展的很快。广阔的市场和研究利益促使这一领域的飞速发展。计算机技术和数据收集技术的进步使人们可以从更加广泛的范围和几年前不可想象的速度收集和存储信息。收集数据是为了得到信息,然而大量的数据本身并不意味信息。尽管现代的数据库技术使我们很容易存储大量的数据流,但现在还没有一种成熟的技术帮助我们分析、理解并使数据以可理解的信息表示出来。在过去,我们常用的知识获取方法是由知识工程师把专家经验知识经过分析、筛选、比较、综合、再提取出知识和规则。然而,由于知识工程师所拥有知识的有局限性,所以对于获得知识的可信度就应该打个 折扣。目前,传统的知识获取技术面对巨型数据仓库无能为力,数据挖掘技术就应运而生。 数据的迅速增加与数据分析方法的滞后之间的矛盾越来越突出,人们希望在对已有的大量数据分析的基础上进行科学研究、商业决策或者企业管理,但是目前所拥有的数据分析工具很难对数据进行深层次的处理,使得人们只能望“数”兴叹。数据挖掘正是为了解决传统分析方法的不足,并针对大规模数据的分析处理而出现的。数据挖掘通过在大量数据的基础上对各种学习算法的训练,得到数据对象间的关系模式,这些模式反映了数据的内在特性,是对数据包含信息的更高层次的抽象[1]。目前,在需要处理大数据量的科研领域中,数据挖掘受到越来越多
《数据挖掘论文》 数据挖掘分类方法及其应用 课程名称：数据挖掘概念与技术 姓名 学号： 指导教师： 数据挖掘分类方法及其应用 作者：来煜 摘要：社会的发展进入了网络信息时代，各种形式的数据海量产生，在这些数据的背后隐藏这许多重要的信息，如何从这些数据中找出某种规律，发现有用信息，越来越受到关注。为了适应信息处理新需求和社会发展各方面的迫切需要而发展起来一种新的信息分析技术，这种局势称为数据挖掘。分类技术是数据挖掘中应用领域极其广泛的重要技术之一。各种分类算法有其自身的优劣，适合于不同的领域。目前随着新技术和新领域的不断出现，对分类方法提出了新的要求。 。 关键字：数据挖掘；分类方法；数据分析 引言 数据是知识的源泉。但是，拥有大量的数据与拥有许多有用的知识完全是两回事。过去几年中，从数据库中发现知识这一领域发展的很快。广阔的市场和研究利益促使这一领域的飞速发展。计算机技术和数据收集技术的进步使人们可以从更加广泛的范围和几年前不可想象的速度收集和存储信息。收集数据是为了得到信息，然而大量的数据本身并不意味信息。尽管现代的数据库技术使我们很容易存储大量的数据流，但现在还没有一种成熟的技术帮助我们分析、理解并使数据以可理解的信息表示出来。在过去，我们常用的知识获取方法是由知识工程师把专家经验知识经过分析、筛选、比较、综合、再提取出知识和规则。然而，由于知识工程师所拥有知识的有局限性，所以对于获得知识的可信度就应该打个折扣。目前，传统的知识获取技术面对巨型数据仓库无能为力，数据挖掘技术就应运而生。 数据的迅速增加与数据分析方法的滞后之间的矛盾越来越突出，人们希望在对已有的大量数据分析的基础上进行科学研究、商业决策或者企业管理，但是目前所拥有的数据分析工具很难对数据进行深层次的处理，使得人们只能望“数”兴叹。数据挖掘正是