5.1数据库与数据库管理系统 5.2数据库应用系统开发 5.3数据模型 5.4数据库设计 5.5数据仓库与数据挖掘 5.6分布式数据库 5.7结构化查询语言SQL

15.1 概述 15.2 数据挖掘和数据中心库 15.3 数据仓库的支持工具 15.4 数据仓库的实现步骤 15.5 数据的粒度、分割和元数据 15.6 本章小结

通过构建基于大数据的城市多模式交通系统协同优化平台,能够有效整合跨部门、跨区域的交通大数据资源,并充分挖掘海量数据中蕴含的价值信息,突破综合交通大数据应用关键技术,对未来城市多模式交通系统的规划、运营及管理提供有力的支持与支撑致力于在城市群综合交通大数据应用技术方向取得创新性成果,推动大数据与智能交通系统的融合,培育交通大数据产业

由于时间序列数据具有高维度、动态性等特点,这就导致传统的数据挖掘技术很难有效的对其进行处理,为此,提出了一种基于多维时间序列形态特征的相似性动态聚类算法(similarity dynamical clustering algorithm based on multidimensionalshape features for time series,SDCTS).首先,提取多维时间序列的特征点以实现降维,然后,根据多维时间序列的斜率、长度和幅值变化的形态特征定义了一种新的时间序列相似性度量标准,进而提出无需人为给定聚类个数的多维时间序列动态聚类算法.实验结果表明,与其他算法相比,此算法对时间序列具有良好的聚类效果

◼ 13.1 从数据库到数据仓库 ◼ 13.2 数据仓库的结构 ◼ 13.3 数据仓库的设计 ◼ 13.4 OLAP与数据仓库 ◼ 13.5 数据挖掘（data mining，DM） ◼ 13.6 决策支持系统与数据仓库 ◼ 13.7 SQL Server 2000的数据仓库 ◼ 13.8 小结 ◼ 13.9 习题

什么是大数据 ■概念/技术支持/大数据的来源 大数据的关键技术 采集技术/存储与管理技术 计算模式与系统/数据分析与挖掘技术 ■隐私安全 典型案例 ■环境云/百度迁徙/新浪舆情通/阿里云数加 我们的探索 ■网络监控分析/系统日志分析/教育评价分析

一、明确基于特征、案例维归约与技术归约的区别。 二、解释数据挖掘过程的预处理阶段中进行数据归约的优点。 三、应用相应的统计方法,理解特征选择和特征 构成的基本原则。 四、理解特征等级主成分分析方法。 五、区别基于增量和平均样本的案例中的技术

一、上面所介绍的都是将文档表示为T维词条权向量的。但用户可能提出的查询中的词条不在用在索引文档的词条中。 二、例如,从词条相似性的角度来看,词条“数据挖掘”和“知识发现”设有什么直接的共同点。然而,从语义角度来看,这两个词条有很大的相同点

针对实时相关运动模式挖掘应用的需求,提出了一种实时地发现关闭蜂群模式的簇重组算法(CLUR).该算法维护一个候选蜂群模式列表,在每个时间戳采用基于密度的聚类算法对移动目标进行聚类,根据聚类结果组合所有的最大移动目标集,记录相应的时间集,然后构建候选蜂群模式,并更新到候选列表.算法给出了三种更新规则和一种插入规则,用于实现候选蜂群模式列表的更新,同时降低了候选列表的冗余度,提高了算法的效率.在每个时间戳结束时可通过关闭检测规则实时地发现当前时刻的关闭蜂群模式.在合成数据上的综合实验验证了CLUR算法的正确性、实时性和高效性,CLUR算法适用于实时相关运动模式挖掘系统

一、数据收集 二、数据分析和总结 三、概率论回顾 四、统计的抽样分布 五、推断:点估计和置信区间估计,假设检验 六、线性回归 七、方差分析 八、非参数方法 九、专题(数据挖掘?)