▪ PageRank ▪ Topic-Sensitive PageRank ▪ Hubs and Authorities ▪ Spam Detection

▪ Association rules ▪ A-Priori algorithm ▪ Large-scale algorithms

▪ Architecture of Search Engines ▪ Index Construction ▪ Boolean Retrieval ▪ Vector Space Model for Ranked Retrieval

西安电子科技大学：《数据挖掘中的数学方法》课程教学资源（PPT课件讲稿）第2讲 对偶与学习问题

给出了一种分布式Web日志挖掘模型DWLMS.根据对挖掘过程及算法进行分析,提出了一种基于DWLMS的局部频繁路径的更新算法LFP和全局频繁路径的更新算法GFP,较好地解决了Web访问信息的异地存储、实时增长、分布式算法通讯量等因素给模式分析过程带来的困难.在实验室对该方法进行了简单实现和实际日志数据的测试,结果表明了算法的有效性

油箱壳外形复杂,拉深成形过程中容易出现侧壁起皱和圆角处破裂的缺陷,成形工艺参数的确定非常重要.结合分类与回归决策树(classification and regression tree,CART)的人工智能技术和模型交叉验证方法,通过调用Python平台开源库Scikit-Learn对油箱壳拉深成形数值模拟结果进行知识挖掘,筛选出对油箱壳拉深成形影响大的工艺参数;以基尼指数(Gini index)最小化作为最优特征值及最优切分点选择的依据,构建了工艺参数与性能指标关系的CART决策树,提取出了可靠的工艺设计规则.油箱壳拉深实例表明,CART决策树理论的知识发现技术是实现板料成形过程数值模拟结果潜在知识挖掘的可行途径

• 数据处理 • 文件组织 • 数据库技术 • 数据仓库与数据挖掘技术

多维事务数据库DB的结构为 (ID,AA2,, Anitems),A是DB中的结构化 属性(例如顾客的年龄,职业收入等),而 items是同事务连接的项的集合(例如购物篮 中频繁项集)。每一个 t=(id,aa 2..2 items-t)由两部分信息组成: 维信息(a1,a2man)项集信息。 挖掘过程分为两部分:挖掘维度信息的模 式和从投影的子DB中找出频繁项集

多维事务数据库DB的结构为 (ID,A,AAn, items),A是DB中的结 构化属性(例如顾客的年龄,职业收入等), 而 items是同事务连接的项的集合(例如购 物篮中频繁项集)。每一个 t=(id,aa2man,items--t)由两部分信息 组成:维信息(a1,a2man)和项集信息。 挖掘过程分为两部分:挖掘维度信息的模 式和从投影的子DB中找出频繁项集

12.1数据仓库的基本概念 12.2数据仓库的基本特点 12.3数据仓库的基本体系结构 12.4数据仓库的数据库模式 12.5数据仓库的前端工具 12.5.1联机分析处理 12.5.2数据挖掘