3.1 信息网络的技术特征 3.2 网络信息获取技术 3.3 网络信息推送技术 3.4 数据挖掘技术

◼ Data Objects and Attribute Types ◼ Basic Statistical Descriptions of Data ◼ Data Visualization ◼ Measuring Data Similarity and Dissimilarity ◼ Summary

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

一、化学计量学介绍 a brief introduction of chemometrics 二、信息评价 information appraise 三、信号与噪声 signal and noise 四、信号的处理技术 technology of signal process 五、多元分析方法 polybasis analysis methods

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

• 数据处理 • 文件组织 • 数据库技术 • 数据仓库与数据挖掘技术

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

CRM的客户数据及数据库的构建 CRM数据仓库 CRM数据挖掘及数据挖掘技术

●CRM的客户数据及数据库的构建 ●CRM数据仓库 ●CRM数据挖掘及数据挖掘技术

◼ 商务智能概述 ◼ 在线分析处理OLAP技术 ◼ 数据挖掘技术和方法* ◼ 数据挖掘过程 ◼ 数据仓库 ◼ 商务智能应用*