文档介绍：Data Mining Technologies, Techniques, Tools, and Trends 引言什么是数据挖掘数据挖掘是从大量的数据中抽取出潜在的、不为人知的有用信息、模式和趋势。数据挖掘的目的:提高市场决策能力;检测异常模式;在过去的经验基础上预言未来趋势等。数据挖掘不同的术语和定义: data mining, knowledge discovery, pattern discovery, data dredging, knowledge, data archeology. 数据挖掘支持技术多技术的综合, Figure 1-2 数据挖掘的概念和技术数据挖掘的结果:分类;序列分析;数据依赖分析;偏差检测 Figure 1-3 数据挖掘的方向和趋势 Figure 1-4 本书组织 Figure 1-6 数据挖掘的发展 Figure 1-10 Part I. Technologies for Data Mining 数据库系统体系: Figure 2-21 , Figure 2-22 , Figure 2-23 数据仓库数据库、数据仓库与数据挖掘的关系: Figure 3-10 , Figure 3-11 , Figure 3-12 支持数据挖掘的其他技术统计推理:线性模型,非线性模型。线性回归用于预言;线性差别分析( linear discriminate ananlysis )技术用于分类;非线性技术用于估值;抽样机器学****active learning; learning from prior knowledge; learning incrementally 。概念学****concept learning ) ;神经元网络;遗传算法;决策树;归纳逻辑设计( inductive logic programming ) 可视化:可视化表达数据挖掘结果;将数据挖掘技术应用于可视化;使用可视化技术完善数据挖掘技术;使用可视化技术 steer 数据挖掘过程。并行处理:数据挖掘算法+并行处理技术=并行数据挖掘算法决策支持: Figure 4-6 , Figure 4-7 数据挖掘的体系结构综合技术体系结构: Figure5-1 (标准接口和接口定义语言), Figure5-3 功能体系结构: Figure5-4 , Figure5-5 系统体系结构: ODBC/CORBA Figure5-8 , Figure5-9 , 三层体系结构 Figure5-10 , 封装对象: Figure5-11 Part II. Techniques and Tools for Data Mining 数据挖掘过程数据挖掘项目: 需求;合适的数据; 工具;人员;资金。例子超市分析交易数据,安排货架上货物摆布,以提高销售信用卡公司分析信用卡历史数据,判断哪些人有风险,哪些没有调查局分析行为模式,判断哪些人对受保护的信息具有潜在威胁药房分析医师的处方,判断哪些医师愿意购买他们的产品保险公司分析以前的客户记录,决定哪些客户是潜在花费昂贵的汽车公司分析不同地方人的购买模型,针对性地发送给客户喜欢的汽车的手册人才中心分析不同客户的工作历史,发送客户潜在的感兴趣的工作信息访问没有归类的竞争对手数据库,推断出潜在的归类信息教育学院分析学生历史信息,决定哪些人愿意参加培训