内容提纲课件.pptVIP

统计学的深入应用 强大有效的数理统计方法和工具，已成为信息咨询业的基础 。 统计分析技术是基于严格的数学理论和高超的应用技巧的 。 数据挖掘技术是数理统计分析应用的延伸和发展 。 和数据库技术的结合性研究 精品文档 人工智能技术的研究和应用 人工智能是计算机科学研究中争议最多而又仍始终保持强大生命的研究领域。 专家系统曾经是人工智能研究工作者的骄傲，但是诸多难题限制了专家系统的应用： 知识获取成为专家系统研究中公认的瓶颈问题。 知识表示成为一大难题：知识工程师在整理表达从领域专家那里获得的知识时勉强抽象出来的规则有很强的工艺色彩。 对常识和百科知识出奇地贫乏：人工智能学家Feigenbaum估计，一般人拥有的常识存入计算机大约有100万条事实和抽象经验法则，离开常识的专家系统有时会比傻子还傻。 数据挖掘继承了专家系统的高度实用性特点，并且以数据为基本出发点，客观地挖掘知识。 机器学习得到了充分的研究和发展：理论和算法。 数据挖掘研究在继承已有的人工智能相关领域，特别是机器学习的研究成果的基础上，成为新的研究分支。 精品文档 一 知识挖掘的原理与方法 数据挖掘技术的产生与发展 数据挖掘研究的发展趋势 数据挖掘概念 数据挖掘技术的分类问题 数据挖掘常用的知识表示模式与方法 不同数据存储形式下的数据挖掘问题 粗糙集方法及其在数据挖掘中的应用 数据挖掘的应用分析 精品文档 数据挖掘处于研究和应用探索阶段 经过十几年的研究和实践，数据挖掘技术已经吸收了许多学科的必威体育精装版研究成果而形成独具特色的研究分支。 大部分学者认为数据挖掘的研究仍然处于广泛研究和探索阶段： 一方面，数据挖掘的概念已经被广泛接受。 另一方面，数据挖掘的大面积应用还有待时日。 随着KDD在学术界和工业界的影响越来越大，数据挖掘的研究向着更深入和实用技术方向发展： 大学等研究机构的大多数基础性研究集中在数据挖掘理论、挖掘算法等的探讨上。 公司的研究更注重和实际商业问题结合。 数据挖掘的经济价值已经显现出来：Gartner报告中列举重要影响的五项关键技术，其中KDD和人工智能排名第一。 精品文档 数据挖掘研究聚焦点 数据挖掘在如下几个方面需要重点开展工作： 数据挖掘技术与特定商业逻辑的平滑集成问题：数据挖掘需要代表性的应用实例来证明（像“啤酒与尿布” ）。 数据挖掘技术与特定数据存储类型的适应问题：不同的数据存储方式会影响数据挖掘的具体实现机制、目标定位、技术有效性等。 大型数据的选择与规格化问题： 数据的噪音、信息丢失等问题的处理； 针对特定挖掘方法进行数据规格化等问题。 数据挖掘系统的构架与交互式挖掘技术： 在具体的实现机制、技术路线以及各阶段的功能定位等方面仍需细化和深入研究。 良好的交互式挖掘（Interaction Mining）也是数据挖掘系统成功的前提。 数据挖掘语言与系统的可视化问题：可视化挖掘除了要和良好的交互式技术结合外，还必须在挖掘结果或过程的可视化进行探索和实践。 数据挖掘理论与算法研究 一方面，在已有的理论框架下有许多面向实际应用目标的挖掘理论等待探索和创新。 另一方面，随着数据挖掘技术本身和相关技术的发展，新的挖掘理论和算法的诞生是必然的。 精品文档 一 知识挖掘的原理与方法 数据挖掘技术的产生与发展 数据挖掘研究的发展趋势 数据挖掘概念 数据挖掘技术的分类问题 数据挖掘常用的知识表示模式与方法 不同数据存储形式下的数据挖掘问题 粗糙集方法及其在数据挖掘中的应用 数据挖掘的应用分析 精品文档 从商业角度看数据挖掘技术 数据挖掘从本质上说是一种新的商业信息处理技术： 数据挖掘技术把人们对数据的应用，从低层次的联机查询操作，提高到决策支持、分析预测等更高级应用上。 通过对数据的统计、分析、综合和推理，发现数据间的关联性、未来趋势以及一般性的概括知识等，这些知识性的信息可以用来指导高级商务活动。 从决策、分析和预测等高级商业目的看，原始数据只是未被开采的矿山，需要挖掘和提炼才能获得对商业目的有用的规律性知识。 从商业角度看，数据挖掘就是按企业的既定业务目标，对大量的企业数据进行深层次分析以揭示隐藏的、未知的规律性并将其模型化，从而支持商业决策活动。 精品文档 数据挖掘的技术含义 数据库中的知识发现（KDD： Knowledge Discovery in Databases）是比数据挖掘出现更早的一个名词。 KDD与Data Mining的关系，有不同的看法： KDD看成数据挖掘的一个特例：这是早期比较流行的观点，这种描述强调了数据挖掘在源数据形式上的多样性。 数据挖掘是KDD的一个关键步骤：这种观点得到大多数学者认同，有它的合理性。 KDD与Data Mining含义相同：事实上，在现今的许多场合，如技术综述等，这两个术