1.1 什么是数据挖掘. 2 1.2 数据挖掘的步骤. 2 1.3 数据挖掘的主要功能. 4 1.3.1 预测性.4 1.3.2 描述性.5 1.4 在何种数据上进行数据挖掘. 7 1.4.1 数据库数据.7 1.4.2 数据仓库.8 1.4.3 事务数据.8 1.5 数据挖掘的工具. 8 1.6 数据挖掘研究的主要方向. 9 1.6.1 数据挖掘的方法.9 1.6.2 用户交互技术.9 1.6.3 数据挖掘的性能和可扩展性.9 1.6.4 针对不同数据或数据源的数据挖掘技术 .9 1.7 数据挖掘的应用领域. 10 1.8 SPSS Modeler 软件使用概述. 10 1.8.1 软件简介.10 1.8.2 软件窗口.12 1.8.3 数据流的基本操作.13

• 数据挖掘算法没有好坏，根据数据与数据分析需求的特点确定算法 • 数据挖掘建模标准（CRISP-DM） – 定义商业问题，理解业务背景，了解业务需求 – 数据探索、预处理与分析 – 确定可能的模型，并验证评估 – 选择分析较优算法，并进一步调优 – 应用部署模型

KDD*模型是基于双库协同机制的知识发现新模型,是结构化数据挖掘领域研究的一个新的分支.为了进一步提高KDD*的智能性,设计了一个基于Multi-agent技术的智能数据挖掘系统.利用多智能体技术,实现了数据预处理、数据挖掘、知识的自动获取、基础数据库与知识库的同步进化与协调、知识的评价与表示等功能

1. 数据挖掘简介 2. 非线性规划及其对偶理论 3. 支持向量机理论、算法与应用

（一）理论课程 1《空间解析几何》 2《离散数学》 3《时间序列分析》 4《数值计算方法》 5《运筹与优化》 6《Python 程序设计》 7《常微分方程》 8《大数据技术原理及应用》 9《复变函数论》 10《概率统计》 11《高等代数》 12《面向对象程序设计》 13《数据结构与算法》 14《数据库原理及应用》 15《数据挖掘》 16《数理统计》 17《数学分析（1）》 18《数学分析（2）》 19《数学建模(1)》 20《数学建模(2)》 21《数学软件及应用》 （二）实验课程 22《时间序列分析》 23《数据结构与算法》 24《数学软件及应用》 25《数值计算方法》 26《Python 程序设计》 27《大数据技术原理及应用》实验 28《面向对象程序设计》 29《数据库原理及应用》课程 30《数据挖掘》 31《数理统计》 （三）实践课程 32《专业教育》 33《web 数据挖掘与电子商务项目实训》 34《技能实训》教学大纲 35《客户数据分析项目设计》 36《数学建模(1)》 37《数学建模(2)》 38《中文文本数据挖掘项目实训》 39《综合项目实训》教学大纲 40《毕业设计（论文）》教学大纲 41《毕业实习》教学大纲

课程评价、考核资料清单、要求及说明 数据挖掘技术 大数据工作思路 大数据概述与应用 大数据现状与问题 基本概念简述  大数据采集与预处理  大数据存储与管理  大数据计算模式  大数据分析与挖掘  大数据可视化分析  大数据安全

西北工业大学：市场信息学_第20讲5-4,5 人工智能与专家系统、数据挖掘及其应用

【机器学习】可拓数据挖掘在学生成绩分析中的应用研究

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

本章介绍了Hibernate框架的基本知识，包括：Hibernate核心组件、工作原理、编程步骤和实体映射的基本方法，最后通过两个案例说明Hibernate的具体应用。 Hibernate简介 Hibernate结构体系 核心组件和运行过程