1、序论幻灯片.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 第1章 引言 数据挖掘的主要问题 (1) 数据挖掘是多个学科融合，但本课程所关注的是：海量数据的挖掘的效率和可扩展性 本课程中所要涵盖的主要数据挖掘问题包括： 挖掘方法问题和用户交互问题 在数据库中挖掘不同类型的知识 在不同抽象层上的交互式知识挖掘 背景知识的合并 数据挖掘查询语言和特定的数据挖掘 数据挖掘结果的表示和可视化 处理噪声和不完全数据 模式评估: 兴趣度问题 数据挖掘的主要问题 (2) 性能问题：数据挖掘算法的效率、可扩展性(scalability)和并行处理 适用于海量数据 并行，分布式和增量挖掘算法 关于数据库类型多样性的问题 关系型和复杂数据类型的处理 为特定的数据类型构建特定的数据挖掘系统 从异构数据库中挖掘和全球信息系统挖掘信息 WEB数据挖掘 小结 1.1 数据挖掘的发展动力 1.2 什么是数据挖掘 1.3 对何种数据进行数据挖掘 1.4 数据挖掘功能 1.5 所有模式都是有趣的吗 1.6 数据挖掘系统的分类 1.7 数据挖掘技术和数据仓库技术的集成 1.8 数据挖掘的主要问题 * * 练习题 请设计一个数据挖掘系统，分析学校课程数据库。该数据库包括如下信息：每个学生的姓名、地址和状态（例如，本科生或研究生）、所修课程，以及他们的GPA（平均积分点）。描述你要选取的结构。该结构的每个成分的作用是什么？ 与挖掘少量数据（如几百个元组的数据集合）相比，挖掘海量数据（如数兆元组）的主要挑战是什么？ * * * * Conferences and Journals on Data Mining KDD Conferences ACM SIGKDD Int. Conf. on Knowledge Discovery in Databases and Data Mining (KDD) SIAM Data Mining Conf. (SDM) (IEEE) Int. Conf. on Data Mining (ICDM) Conf. on Principles and practices of Knowledge Discovery and Data Mining (PKDD) Pacific-Asia Conf. on Knowledge Discovery and Data Mining (PAKDD) Other related conferences ACM SIGMOD VLDB (IEEE) ICDE WWW, SIGIR ICML, CVPR, NIPS Journals Data Mining and Knowledge Discovery (DAMI or DMKD) IEEE Trans. On Knowledge and Data Eng. (TKDE) KDD Explorations ACM Trans. on KDD * * Where to Find References? DBLP, CiteSeer, Google Data mining and KDD (SIGKDD: CDROM) Conferences: ACM-SIGKDD, IEEE-ICDM, SIAM-DM, PKDD, PAKDD, etc. Journal: Data Mining and Knowledge Discovery, KDD Explorations, ACM TKDD Database systems (SIGMOD: ACM SIGMOD Anthology—CD ROM) Conferences: ACM-SIGMOD, ACM-PODS, VLDB, IEEE-ICDE, EDBT, ICDT, DASFAA Journals: IEEE-TKDE, ACM-TODS/TOIS, JIIS, J. ACM, VLDB J., Info. Sys., etc. AI Machine Learning Conferences: Machine learning (ML), AAAI, IJCAI, COLT (Learning Theory), CVPR, NIPS, etc. Journals: Machine Learning, Artificial Intelligence, Knowledge and Information Systems, IEEE-PAMI, etc. Web and IR Conferences: SIGIR, WWW, CIKM, etc. Journals: WWW: Internet and