序列模式挖掘简介 序列模式挖掘的应用背景 序列模式挖掘算法概述 GSP算法 PrefixSpan算法 Disc-all算法 支持约束的序列模式挖掘复旦大学：《商务智能（商务数据分析）》学习课件_序列模式挖掘算法

一、理解对大型的、复杂的和信息丰富的数据集进行分析的必要性。 二、明确数据挖掘过程的目标和首要任务。 三、描述数据挖掘技术的起源。 四、了解数据挖掘过程所具有的迭代过程和基本步骤。 五、解释数据的质量对数据挖掘过程的影响。 六、建立数据仓库和数据挖掘之间的联系

从数据分析的角度看,数据挖掘可以分为描述 性挖掘和预测性挖掘 描述性挖掘:以简洁概要的方式描述数据,并提供 数据的有趣的一般性质。 预测性数据挖掘:通过分析数据建立一个或一组模 型,并试图预测新数据集的行为

从安钢电极控制的实际应用出发,应用数据挖掘技术建立了电极预测模型并应用于电极控制系统的参数整定.首先介绍了建立电极预测模型的数据挖掘过程;然后在数据挖掘算法中提出了一种新的变结构遗传Elman网络方法,该算法用改进的混合遗传算法对网络结构和权值及自反馈增益同步动态寻优.将基于BP算法的Elman网络和本文提出的变结构遗传Elman网络都应用于安钢交流电弧炉的电极预测模型中进行比较.通过基于安钢现场数据的计算机仿真实验表明:采用变结构遗传Elman网络的数据挖掘算法比BP算法具有更好的动态性能、更快的逼近速度和更高的精度.在此基础上,把建立的模型应用于安钢电极控制系统的参数整定,取得了良好的控制效果

工业监控系统所采集到的多元时间序列在利用数据挖掘技术获取内部存在的未知模式的过程中，经常会出现原始数据庞杂、分段结果重复、交集过多和界限不清晰等问题，导致含有突变变量或数据间相关性差的数据集进行模式挖掘结果不理想.针对上述问题，本文提出了一种新的多元时序模糊聚类分段挖掘算法.实验结果表明，该算法克服了Gath-Geva算法聚类精度易受初始值影响的不足，能够较好地反映出原始数据中潜在的过程变化，从而有效地处理时间序列的分段问题并得到理想的挖掘结果

根据目前高炉炉温预报推理规则都是由高炉专家根据经验制定的情况,提出了一种新的规则生成方法——数据挖掘获取高炉炉温预报关联规则.针对现有挖掘算法的不足,提出了一种改进的多维时间序列模糊关联规则挖掘算法,该算法基于时间子序列和子序列间隔的双重模糊化,避免了挖掘结果\时间边界锐化\的问题.该算法应用于武钢的1#高炉,挖掘效果良好

• Web挖掘的概念 • Web内容挖掘 • Web结构挖掘 • Web日志挖掘

电子商务与数据挖掘——完美结合 在电子商务中进行成功的数据挖掘得益于: 电子商务提供海量的数据 如果一个电子商务网站平均每个小时卖出五件物品,那么它一 个月的平均点击量是160万次

为什么要数据挖掘原语和语言? 一个完全自动(不需要人为干预或指导)的数据挖掘 机器只可能是“一只疯了的怪兽

针对复杂网络社团结构挖掘算法复杂度高的问题,定义了一个衡量局部社团结构的指标,提出了一种基于最小社团链接度增量的社团结构挖掘算法.本算法的时间复杂度为O(kd),其中d为网络的平均节点度数,k为搜索的节点数.为了验证本算法的性能和计算的准确性,把本算法与一种经典的挖掘局部社团结构方法——Clauset算法,进行了比较.实验结果表明:本算法抽取的社团结构与Clauset算法相比基本一致,但在性能上有了显著提高