- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 10浏览¥ 9.90
- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 7浏览¥ 9.90
- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 7浏览¥ 9.90
- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 9浏览¥ 9.90
- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 6浏览¥ 9.90
- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 9浏览¥ 9.90
- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 6浏览¥ 9.90
- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 8浏览¥ 9.90
- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 5浏览¥ 9.90
- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 7浏览¥ 9.90
- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 11浏览¥ 9.90
- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 6浏览¥ 9.90
- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 8浏览¥ 9.90
- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 6浏览¥ 9.90
- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 11浏览¥ 9.90
- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 5浏览¥ 9.90
- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 7浏览¥ 9.90
- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 6浏览¥ 9.90
- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 9浏览¥ 9.90
- 【课程大纲】 01-Mapreduce 02-关联规则 Association rules 03-LSH Finding Similar Items:Locality Sensitive Hashing 04-LSH theory of Locality Sensitive Hashing 05-聚类算法 clustering 06-降维技术 Dimensionality Reduction:SVD&CUR 07-推荐系统 Recommender Systems:Content-based Systems&Collaborative Filtering recsys1 08-双边序列推荐 recsys2 Recommender Systems:Latent Factor Models 09-PageRank 10-WebSpam 11-图论 graphs1 12-图论 graphs2 13-大规模机器学习 Large Scale Machine Learning:SVMs 14-决策树 Decision Trees on MapReduce 15-streams 16-streams 17-advertising 18-bandits 19-submodular 20-review0 13浏览¥ 9.90
- 目前各政府机构和企业的信息化平台数据按结构类型主要分为三种,分别是:结构化数据、非结构化数据、半结构化数据三大类结构化数据存储在关系型数据库中:非结构化数据主要包括音视频、图片、文档等,通过分布式文件系统在数据库进行统一管理;半结构化数据是结构化数据的一种形式,但它并不符合关系型数据库或其他数据表的形式关联起来的数据模型结构,但包含相关标记,用来分隔语义元素以及对记录和字段进行分层,例如:日志文件、XML文档JSON 文档、Email等。 数字中台基于数据资源多样性的特点和能够高效支持业务的目标,结合设计规划方法论、原则和规划思路,统一数据资源体系规划建设大数据采集感知体系、数据资源融合体系和信息共享服务体系将数据安全和数据标准融入三大体系之中,通过智能演进不断提升数据接入、处理、组织、挖掘、治理和服务的能力,不断丰富和完善数据中台。 数据中台主要包函:数据统一采集接入平台、数据集中处理平台、数据组织管理平台、数据组织管理平台、数据全域治理平台、数据融合共享平台、数据分析挖掘平台、知识图谱平台、统一管理平台、数据可视化平台等多个平台系统。0 11浏览¥ 9.90
- 数据中台体现什么样的企业核心价值 全面梳理数据资产 构建全域数据中心 落地战略和组织保障 培养业务创新的土壤 数据资产管理在线化 形成数据人才成长的摇篮 通过业务的不断滋养打造业务和数据的闭环 数据中台建设思路 数据中台体系涵盖整个数据中台解决方案框架图,既包含数据技术平台,也包含数据开发、数据模型、数据资产和数据产品应用。通过建设数据中台建立数据资产体系,规模化服务业务,保证数据质量,更大限度的发挥数据价值。 方法论 整体规划,分布实施,数据中台是一个经过不断循环、反馈而使系统不断增长与完善的过程,这是区别于系统生命周期法的主要特点。 产品+工具 大数据分布式计算平台、数据开发套件、数据质量管理工具、数据地图管理工具数据模型管理工具、API管理工具等。 实施流程 一整套体系化的数据中台建设实施流程,包括需求调研、需求分析、架构设计、数据与应用开发、部署和测试运维等。0 16浏览¥ 9.90
- 粗糙集理论,它是一种分析处理数据的理论,在 20 世纪 80 年代由波兰 科学家 Pawlak 建立。一开始由于语言交流上的问题,建立该理论的时候只 有一些东欧学者会研究和应用它,后来随着该理论的开展才慢慢受到全球上 知名数学学者和计算机学者的重视。 知识粒度的根本思想在许多领域都有表现,如粗糙集、数据库、聚类分 析、模糊集、证据理论、数据挖掘和机器学习等。自从 1979 年在世界上首 次提出并讨论了知识粒度问题之后,知识粒度获得了人们越来越多的关注。 经过多年的开展,知识粒度已在知识发现、数据挖掘、软计算中扮演越来越 重要的角色。 在本论文中,本人引入知识粒度这一个方法作为一个统一的框架去理解 和实施异常点挖掘。此外,还给出了基于知识粒度的异常点挖掘算法。该算 法结合粗糙集与数据挖掘技术研究异常数据。理论研究和实验结果明确,知 识粒度方法对评定异常是有效且适用的。0 44浏览¥ 14.90
- 目前,绝大多数的图书馆实现了信息化管理 ,在业务方面跃上了 新的台阶。 然而,很多的图书馆管理系统对数据的分析处理仅存于表面的数量 统计、记录查询等简单的数据处理功能,对于更深层次的信息发掘,现有的各种 图书馆系统中都很难实现.。其实,对图书馆而言通过深层加工和处理与读者行 为相关的大量信息,确定特定借阅群体或个体的兴趣、 借阅习惯、借阅倾向和 借阅需求,可以推断出读者未来的借阅行为。因此,针对以上问题,本课题尝试 在原有图书管理系统基础上,建立基于数据挖掘的图书管理系统模型,充分利用 系统的数据,实现挖掘应用,主动为读者提供个性化服务,提高图书馆的服务质 量,同时,为图书管理人员提供决策支持。所以本课题的研究具有一定得实际意 义和应用研究 。 综观图书馆展现状。本课题结合图书馆的发展现状和需求,使用 java 语言和 MySQL后台数据库以及数据挖掘技术,开发了一个基于数据挖掘的 图书馆数据管理系统。系统可以为用户提供基本的借阅、归还功能,图书搜索功 能,信息查询功能,其中图书搜索功能更能为用户提供同类别图书的推荐。0 34浏览¥ 9.90
- 虚拟仪器是将仪器技术、计算机技术、总线技术和软件技术紧密的融合在一起, 利用计算机强大的数字处理能力实现仪器的大部分功能,打破了传统仪器的框架,形成的一 种新的仪器模式. 本设计采用 NI PCI-6221 数据采集卡,运用虚拟仪器及其相关技术于多通道数据采集系 统的设计.该系统具有数据同时采集、采集数据实时显示、存储与管理、报警记录等功能,最后使用 Web 技术实现了采集数据的远程访问. 本文首先概述了测控技术和虚拟仪器技术在国内外的发展及以后的发展趋势,探讨了虚 拟仪器的总线及其标准、框架结构、LabVIEW 开发平台,然后介绍了数据采集的相关理论,给出了数据采集系统的硬件结构图。在分析本系统功能需求的基础上,介绍了程序模块化设计、数据库、Web、多线程等设计中用到的技术,最后一章给出了本设计的前面板图。本设计是虚拟仪器在测控领域的一次成功尝试.实践证明虚拟仪器是一种优秀的解决方 案,能够高效的实现各种测控任务.5 124浏览¥ 11.90
- 随着信息技术的日益普及,企业决策系统在企业生产管理过程中已 获得了广泛的应用,然而决策系统中积累的大量业务数据并没有得到充 分的利用,“数据爆炸但知识贫乏”的现象己日益突出。通过数据挖掘 技术,企业根据商业目标对决策系统大量的事务数据进行抽取、转换、 分析和其它模型化处理,从中提取出辅助商业决策的关键性数据,在推 动企业现代化的进程中,有助于进一步增强企业竞争力。 为此,本文在分析数据挖掘现状的基础上,针对我国超市的现行发 展现状,对数据挖掘进行了研究与开发。 首先,在探讨数据挖掘一般理论的基础上,研究了针对超市数据仓 库的数据挖掘的基本原理;并且研究了超市数据挖掘常用的一些算法。 其次,针对超市销售的特点,与 ERP 紧密集成,提出了超市决策系 统的体系架构和功能划分,并采用维度建模的方法建立了系统的信息模 型; 最后,结合我国超市现行决策的需求,采用三层架构的方式,运用 了模块化设计的思想,在 Visual Studio 2008 环境下,用 C# 3.0语言和 SQL SERVER 2005 工具开发了超市决策原型系统,并对原型系统进行了 实例数据挖掘应用,并给出了应用的结果。0 32浏览¥ 14.90
- 在允许各种网络资源以开放方式运作的前提下,入侵检测系统成了确保网络安全的一种必 要手段。入侵检测就是发现或确定入侵行为存在或出现的动作,它实际上是一种信息识别与 检测技术,而从以数据为中心的观点看,入侵检测本身就是一个数据分析过程。在许多相关 的领域,如欺诈检测和故障管理中,数据挖掘已经取得了成功的应用。于是,研究数据挖掘 方法在入侵检测领域中的应用,自然就成为一个热门话题。 本文研究和设计了一种基于数据挖掘的主机入侵检测系统,介绍了它的体系结构,并说明 了其传感器、通信器、检测器和数据仓库等基本组件的构成。另外介绍了 Windows 下部分 传感器实例以及监测器中模型生成器使用的数据挖掘的聚类算法。最后讨论了当前存在的几 个问题和今后的研究方向。5 59浏览¥ 11.90
- 电 商 平 台 个 性 化 推 荐 系 统 是 基 于 用 户 的 兴 趣 特 点 和 购 买 行 为 , 向 用 户 推 荐 其 感 兴 趣 的 信 息 和 一 系 列 商 品 。 随 着 电 子 商 务 规 模 的 不 断 扩 大 , 商 品的 数 量 、 类 别 、 来 源 地 、 销 售 渠 道 的 不 断 增 加 , 用 户 需 要 花 费 大 量 的 时 间寻 找 自 己 想 买 的 商 品 , 了 解 商 品 的 相 关 信 息 , 质 量 问 题 , 大 众 评 论 。 这 一过 程 无 疑 会 使 得 淹 没 在 大 量 产 品 信 息 中 的 用 户 不 断 流 失 。 未 来 解 决 用 户 流失 的 问 题 , 电 商 平 台 个 性 化 推 荐 系 统 应 运 而 生 。 电 商 平 台 个 性 化 推 荐 系 统是 基 于 大 数 据 挖 掘 、 处 理 、 清 洗 、 分 析 的 一 种 智 能 商 务 平 台 , 能 够 帮 助 电子 商 务 企 业 为 用 户 群 体 提 供 个 性 化 产 品 的 推 荐 和 购 买 决 策 。0 97浏览¥ 14.90
- 高校毕业生的就业问题已经成为全社会都关注的热点问题。这些年来高校招生规模逐年扩大,不断增加的毕业生数目给高校的就业管理工作造成了很大的压力。在这种形势下,如果仍然采用传统的毕业生管理办法,不仅仅工作效率低下,而且工作质量不高,很容易发生错误。 目前对高校毕业生的就业状况分析是较为简单的,大多仅仅按学校的就业率和专业就业率来进行评价,显得片面缺乏科学性。根据这一情况,借助计算机对毕业生业信息进行挖掘,对如今的教学质量和学生工作质量进行科学的综合分析,寻找影响毕业生就业困难的原因,以便对我们今后的教学和学生工作提出指导性的建议。 本课题针对学生的性别、素质培养、综合成绩、社会实践等方面在学生就业所反应的情况建立一个数据挖掘分析模型,由此得到对教学质量和学生工作质量评价的科学的新方法。针对毕业生就业情况建立数据挖掘分析模型是数据挖掘分析方法的一个新尝试,这将进一步促进数据挖掘理论的发展,并且拓宽了数据挖掘分析方法的应用领域,同时对教学质量分析和学生工作质量分析提供科学评价的新方法。0 63浏览¥ 14.90
- 近年来随着数据库和计算机网络的广泛应用,加上使用先进的自动数 据生成和采集工具,人们所拥有的数据量急剧增加。数据迅速增加与数据 分析方法滞后之间的矛盾越来越突出,人们也希望能够在对已有的大量数 据分析的基础之上进行科学研究、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,使得人民只能望数兴 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,数据挖掘从大量的数据中提取出隐藏在数据之后的有用 的信息,它越来越多的领域所采用,并取得了较好的效果,为人们的正确 决策提供了很大帮助。 本文主要对数据挖掘的有关算法进行学习与应用。首先介绍了这些算 法的基本思想与计算步骤,然后运用这些算法进行实际问题的求解。本文 着重介绍的是关联规则的 Apriori 算法和神经网络中的 BP 算法。对 Apriori 算法,用其对当下高等学校排课的问题进行求解;对BP算法, 则是用其解决了一个在政府投资项目的投资估算的问题。并对计算结果进 行了分析比较。0 21浏览¥ 9.90
- 【课程大纲】 第1课-R语言要点详解 数据结构概述 共19页 第2课-数据整理 数据预处理 共10页 第3课-统计思维和可视化探索 共16页 第4课-用回归预测未来 共16页 第5课-聚类分析 共15页 第6课-数据降维-主成分分析和因子分析 共11页 第7课-关联规则 共6页 第8课-决策树 共17页0 8浏览¥ 9.90
- 【课程大纲】 第1课-R语言要点详解 数据结构概述 共19页 第2课-数据整理 数据预处理 共10页 第3课-统计思维和可视化探索 共16页 第4课-用回归预测未来 共16页 第5课-聚类分析 共15页 第6课-数据降维-主成分分析和因子分析 共11页 第7课-关联规则 共6页 第8课-决策树 共17页0 53浏览¥ 9.90
- 【课程大纲】 第1课-R语言要点详解 数据结构概述 共19页 第2课-数据整理 数据预处理 共10页 第3课-统计思维和可视化探索 共16页 第4课-用回归预测未来 共16页 第5课-聚类分析 共15页 第6课-数据降维-主成分分析和因子分析 共11页 第7课-关联规则 共6页 第8课-决策树 共17页0 8浏览¥ 9.90
- 【课程大纲】 第1课-R语言要点详解 数据结构概述 共19页 第2课-数据整理 数据预处理 共10页 第3课-统计思维和可视化探索 共16页 第4课-用回归预测未来 共16页 第5课-聚类分析 共15页 第6课-数据降维-主成分分析和因子分析 共11页 第7课-关联规则 共6页 第8课-决策树 共17页0 11浏览¥ 9.90
- 【课程大纲】 第1课-R语言要点详解 数据结构概述 共19页 第2课-数据整理 数据预处理 共10页 第3课-统计思维和可视化探索 共16页 第4课-用回归预测未来 共16页 第5课-聚类分析 共15页 第6课-数据降维-主成分分析和因子分析 共11页 第7课-关联规则 共6页 第8课-决策树 共17页0 9浏览¥ 9.90
- 【课程大纲】 第1课-R语言要点详解 数据结构概述 共19页 第2课-数据整理 数据预处理 共10页 第3课-统计思维和可视化探索 共16页 第4课-用回归预测未来 共16页 第5课-聚类分析 共15页 第6课-数据降维-主成分分析和因子分析 共11页 第7课-关联规则 共6页 第8课-决策树 共17页0 21浏览¥ 9.90
- 【课程大纲】 第1课-R语言要点详解 数据结构概述 共19页 第2课-数据整理 数据预处理 共10页 第3课-统计思维和可视化探索 共16页 第4课-用回归预测未来 共16页 第5课-聚类分析 共15页 第6课-数据降维-主成分分析和因子分析 共11页 第7课-关联规则 共6页 第8课-决策树 共17页0 13浏览¥ 9.90
- 【课程大纲】 第1课-R语言要点详解 数据结构概述 共19页 第2课-数据整理 数据预处理 共10页 第3课-统计思维和可视化探索 共16页 第4课-用回归预测未来 共16页 第5课-聚类分析 共15页 第6课-数据降维-主成分分析和因子分析 共11页 第7课-关联规则 共6页 第8课-决策树 共17页0 17浏览¥ 9.90
- 1 第一层:了解SVM 2 第二层:深入SVM 3 证明SVM0 13浏览¥ 14.90
- 15.1 模型评估与优化解决的问题 如何评估判断某个挖掘算法对挖掘分析预测结果的准确性影响? 对某一个业务数据集进行预测时,如何在多个可选的挖掘模型之间选择最佳模型?为什么选择模型A,而不是模型B?凭经验?还是。。。各个模型的特性指标能否横向可视化对比? 系统能否从多个可选模型中自动为我们推荐一个最好的模型算法? 某个预测模型的最佳挖掘算法选定后,还能否基于该算法进行更深入的调优?调优方法有哪些? 在保证预测准确性的同时,能否提高挖掘流程执行的速度? 15.2 预测模型算法评价指标 模型预测效果评价,通常用相对绝对误差、平均绝对误差、根均方差、相对平方根误差等指标来衡量。 (1) 绝对误差与相对误差 设Y表示实际值,Yˆ表示预测值,则称E为绝对误差(AbsoluteError),计算公式如下: (2) 平均绝对误差 平均绝对误差(MeanAbsoluteError , MAE)定义如下:0 46浏览¥ 9.90
- 在数据挖掘中,海量的原始数据中存在着大量不完整(有缺失值)、不一致、有异常的数据,严重影响到数据挖掘建模的执行效率,甚至可能导致挖掘结果的偏差,所以进行数据清洗就显得尤为重要,数据清洗完成后接着进行或者同时进行数据集成、转换、规约等一系列的处理,该过程就是数据预处理。数据预处理一方面是要提高数据的质量,另一方面是要让数据更好地适应特定的挖掘技术或工具。统计发现,在数据挖掘的过程中,数据预处理工作量占到了整个过程的60%。 7.1.1缺失值处理 从统计上说,缺失的数据可能会产生有偏估计,从而使样本数据不能很好地代表总体,而现实中绝大部分数据都包含缺失值,因此如何处理缺失值很很重要。 一般来说,缺失值的处理包括两个步骤,即缺失数据的识别和缺失值处理。在对是否存在缺失值进行判断之后需要进行缺失值处理,常用的方法有删除法、替换法、插补法等。 (1)删除法 删除法是最简单缺失值处理方法,根据数据处理的不同角度可分为删除观测样本、删除 变量两种。 (2)替换法 变量按属性可分为数值型和非数值型,二者的处理办法不同:如果缺失值所在变量为数 值型的,一般用该变量在其他所有对象的取值的均值来替换变量的缺0 80浏览¥ 9.90
- 分布式索引系统架构实践.pdf0 19浏览¥ 9.90
- 元学习与跨域推荐的工业实践.pdf0 26浏览¥ 9.90
- 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:概念、技术与挑战.pdf 大数据管理:0 44浏览¥ 4.90
- 推荐系统技术分享0 25浏览¥ 9.90
- 推荐系统技术分享0 11浏览¥ 9.90
- 浅析常用模具表面强化处理技术.pdf0 17浏览¥ 9.90
- 名人故事:卡梅隆应对“穿帮”个人简介.pdf0 23浏览¥ 9.90
- 网上按市值配售新股申购注意事项.pdf0 23浏览¥ 9.90
- 乔布斯传读后感乔布斯传读后感(共).pdf0 34浏览¥ 9.90
- 博士生复试英语自我介绍.pdf0 29浏览¥ 9.90
- 成人股骨头缺血性坏死的螺旋CT及MRI诊断价值.pdf0 19浏览¥ 9.90
- 给计算机科学学院同学一封信.pdf0 23浏览¥ 9.90
- 后脑勺疼是怎么回事 后脑勺疼痛的原因及快速缓解办法.pdf0 85浏览¥ 9.90
- 富康车载电脑装实例(上).pdf0 22浏览¥ 9.90
- 单片机计算器程序.pdf0 21浏览¥ 9.90
- 单片机控制红绿灯系统.pdf0 10浏览¥ 9.90
- 网络优化专员求职信.pdf0 20浏览¥ 9.90
- 单片机C语言中数组的用法.pdf0 37浏览¥ 9.90
- 实验二--译码器及其应用.pdf0 59浏览¥ 9.90