本科畢業論文數據挖掘

❶ 本科畢業論文和別人的研究思路一樣算抄襲嗎

不算抄襲了，抄襲是內容、圖片、數據的重復吧。

❷ 關於數據挖掘的畢設 達人請進

社交網路是一個很大的問題。我覺得對於這類問題，首先你要搞清楚人才價值怎麼衡量，用哪些方面來衡量。基於java演算法，其實就是網路分析演算法。比如對於有向圖節點計算各種度，這些其實不算很難，網上都能找到源代碼，所以怎麼實現不用擔心。最難的還是關於價值衡量這塊，只有你確定了標准，你才可以行動。可以 IEEE找找NetWork Analysis這樣的內容，我看過通過微博或者推特進行網路分析的論文。總之，畢業論文我覺得是大學最有意思的事情了，自己學學總是很開心的。

❸ 本科畢業論文做「數據聚類分析演算法的研究」

這個來題目的確是有點超自出本科生能力，因為數據聚類演算法很多，都不是很容易實現，更不用說在效果，效率上的分析，而且絕大多數演算法的優缺點早就總結過了，也很難創新，我專業是數據挖掘，我在研究生期間都不做這樣的論文

❹ 跪謝啊！畢業論文，老師說數據挖掘不夠，用excel對問卷數據進行交叉分析。求好心人！拜託拜託！

論文用excel對問卷數據進行交叉分析,這個不是問題啊 我這邊剛好有的 ,可以給你.

❺ 畢業論文我寫的淘寶需求，用什麼數據挖掘演算法寫啊

主要是數據挖掘演算法 有分類,有bayes、決策樹、svm等; 聚類,有K-means、isodata等;
關聯,有apriori和改進的apriori演算法, 序列分析等方面的演算法。

❻ 數據挖掘的國內外研究現狀

摘要：隨著網路、資料庫技術的迅速發畏以及資料庫管理系統的廣泛應用，人們積累的數據越來越多。數據挖掘(Data Mining)就是從大量的實際應用數據中提取隱含信息和知識，它利用了資料庫、人工智慧和數理統計等多方面的技術，是一類深層次的數據分析方法。

關鍵詞：數據挖掘；知識；分析；市場營銷；金融投資

隨著網路、資料庫技術的迅速發展以及資料庫管理系統的廣泛應用，人們積累的數據越來越多。由此，數據挖掘技術應運而生。下面，本文對數據技術及其應用作一簡單介紹。
一、數據挖掘定義
數據挖掘(Data Mining)就是從大量的、不完全的、有雜訊的、模糊的、隨機的實際應用數據中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。它是一種新的商業信息處理技術，其主要特點是對商業資料庫中的大量業務數據進行抽取、轉換、分析和其他模型化處理，從中提取輔助商業決策的關鍵性數據。簡而言之，數據挖掘其實是一類深層次的數據分析方法。從這個角度數據挖掘也可以描述為：按企業制定的業務目標，對大量的企業數據進行探索和分析，揭示隱藏的、未知的或驗證已知的規律性，並進一步將其模型化的先進有效的方法。
二、數據挖掘技術
數據挖掘技術是人們長期對資料庫技術進行研究和開發的結果，代寫論文其中數據倉庫技術的發展與數據挖掘有著密切的關系。大部分情況下，數據挖掘都要先把數據從數據倉庫中拿到數據挖掘庫或數據集市中，因為數據倉庫會對數據進行清理，並會解決數據的不一致問題，這會給數據挖掘帶來很多好處。此外數據挖掘還利用了人工智慧(AI)和統計分析的進步所帶來的好處，這兩門學科都致力於模式發現和預測。資料庫、人工智慧和數理統計是數據挖掘技術的三大支柱。由於數據挖掘所發現的知識的不同，其所利用的技術也有所不同。
1．廣義知識。指類別特徵的概括性描述知識。根據數據的微觀特性發現其表徵的、帶有普遍性的、較高層次概念的、中觀和宏觀的知識，反映同類事物的共同性質，是對數據的概括、精煉和抽象。廣義知識的發現方法和實現技術有很多，如數據立方體、面向屙性的歸約等。數據立方體的基本思想是實現某些常用的代價較高的聚集函數的計算，諸如計數、求和、平均、最大值等，並將這些實現視圖儲存在多維資料庫中。而面向屬性的歸約是以類SQL語言來表示數據挖掘查詢，收集資料庫中的相關數據集，然後在相關數據集上應用一系列數據推廣技術進行數據推廣，包括屬性刪除、概念樹提升、屬性閾值控制、計數及其他聚集函數傳播等。
2．關聯知識。它反映一個事件和其他事件之間依賴或關聯的知識。如果兩項或多項屬性之間存在關聯，那麼其中一項的屬性值就可以依據其他屬性值進行預測。最為著名的關聯規
則發現方法是Apriori演算法和FP—Growth演算法。關聯規則的發現可分為兩步：第一步是迭代識別所有的頻繁項目集，要求頻繁項目集的支持率不低於用戶設定的最低值；第二步是從頻繁項目集中構造可信度不低於用戶設定的最低值的規則。識別或發現所有頻繁項目集是關聯規則發現演算法的核心，也是計算量最大的部分。
3．分類知識。它反映同類事物共同性質的特徵型知識和不同事物之間的差異型特徵知識。分類方法有決策樹、樸素貝葉斯、神經網路、遺傳演算法、粗糙集方法、模糊集方法、線性回歸和K—Means劃分等。其中最為典型的分類方法是決策樹。它是從實例集中構造決策樹，是一種有指導的學習方法。
該方法先根據訓練子集形成決策樹，如果該樹不能對所有對象給出正確的分類，那麼選擇一些例外加入到訓練子集中，重復該過程一直到形成正確的決策集。最終結果是一棵樹，其葉結點是類名，中間結點是帶有分枝的屙性，該分枝對應該屙性的某一可能值。
4．預測型知識。它根據時間序列型數據，由歷史的和當前的數據去推測未來的數據，也可以認為是以時間為關鍵屬性的關聯知識。目前，時間序列預測方法有經典的統計方法、神經網路和機器學習等。1968年BoX和Jenkins提出了一套比較完善的時間序列建模理論和分析方法，這些經典的數學方法通過建立隨機模型，進行時間序列的預測。由於大量的時間序列是非平穩的，其特徵參數和數據分布隨著時間的推移而發生變化。因此，僅僅通過對某段歷史數據的訓練，建立單一的神經網路預測模型，還無法完成准確的預測任務。為此，人們提出了基於統計學和基於精確性的再訓練方法，當發現現存預測模型不再適用於當前數據時，對模型重新訓練，獲得新的權重參數，建立新的模型。
5．偏差型知識。它是對差異和極端特例的描述，揭示事物偏離常規的異常現象，如標准類外的特例、數據聚類外的離群值等。所有這些知識都可以在不同的概念層次上被發現，並隨著概念層次的提升，從微觀到中觀、到宏觀，以滿足不同用戶不同層次決策的需要。
三、數據挖掘流程
數據挖掘是指一個完整的過程，該過程從大型資料庫中挖掘先前未知的、有效的、可實用的信息，代寫畢業論文並使用這些信息做出決策或豐富知識。數據挖掘的基本過程和主要步驟如下：
過程中各步驟的大體內容如下：
1．確定業務對象，清晰地定義出業務問題。認清數據挖掘的目的是數據挖掘的重要一步，挖掘的最後結構不可預測，但要探索的問題應該是有預見的，為了數據挖掘而挖掘則帶有盲目性，是不會成功的。
2．數據准備。(1)數據選擇。搜索所有與業務對象有關的內部和外部數據信息，並從中選擇出適用於數據挖掘應用的數據。(2)數據預處理。研究數據的質量，進行數據的集成、變換、歸約、壓縮等．為進一步的分析作準備，並確定將要進行的挖掘操作的類型。(3)數據轉換。將數據轉換成一個分析模型，這個分析模型是針對挖掘演算法建立的，這是數據挖掘成功的關鍵。
3．數據挖掘。對所得到的經過轉換的數據進行挖掘。除了完善和選擇合適的挖掘演算法外，其餘一切工作都能自動地完成。
4．結果分析。解釋並評估結果。其使用的分析方法一般應視挖掘操作而定，通常會用到可視化技術。
5．知識同化。將分析所得到的知識集成到業務信息系統的組織結構中去。
四、數據挖掘的應用
數據挖掘技術從一開始就是面向應用的。目前在很多領域，數據挖掘都是一個很時髦的詞，尤其是在如銀行、電信、保險、交通、零售(如超級市場)等商業領域。
1．市場營銷。由於管理信息系統和P0S系統在商業尤其是零售業內的普遍使用，特別是條形碼技術的使用，從而可以收集到大量關於用戶購買情況的數據，並且數據量在不斷激增。對市場營銷來說，通過數據分析了解客戶購物行為的一些特徵，對提高競爭力及促進銷售是大有幫助的。利用數據挖掘技術通過對用戶數據的分析，可以得到關於顧客購買取向和興趣的信息，從而為商業決策提供了可靠的依據。數據挖掘在營銷業上的應用可分為兩類：資料庫營銷(database markerting)和貨籃分析(basket analysis)。資料庫營銷的任務是通過互動式查詢、數據分割和模型預測等方法來選擇潛在的顧客，以便向它們推銷產品。通過對已有的顧客數據的辱淅，可以將用戶分為不同級別，級別越高，其購買的可能性就越大。貨籃分析
是分析市場銷售數據以識別顧客的購買行為模式，例如：如果A商品被選購，那麼B商品被購買的可能性為95％，從而幫助確定商店貨架的布局排放以促銷某些商品，並且對進貨的選擇和搭配上也更有目的性。這方面的系統有：Opportunity Ex-plorer，它可用於超市商品銷售異常情況的因果分析等，另外IBM公司也開發了識別顧客購買行為模式的一些工具(IntdligentMiner和QUEST中的一部分)。
2．金融投資。典型的金融分析領域有投資評估和股票交易市場預測，分析方法一般採用模型預測法(如神經網路或統計回歸技術)。代寫碩士論文由於金融投資的風險很大，在進行投資決策時，更需要通過對各種投資方向的有關數據進行分析，以選擇最佳的投資方向。無論是投資評估還是股票市場預測，都是對事物發展的一種預測，而且是建立在對數據的分析基礎之上的。數據挖掘可以通過對已有數據的處理，找到數據對象之間的關系，然後利用學習得到的模式進行合理的預測。這方面的系統有Fidelity Stock Selector和LBS Capital Management。前者的任務是使用神經網路模型選擇投資，後者則使用了專家系統、神經網路和基因演算法技術來輔助管理多達6億美元的有價證券。
3．欺詐甄別。銀行或商業上經常發生詐騙行為，如惡性透支等，這些給銀行和商業單位帶來了巨大的損失。對這類詐騙行為進行預測可以減少損失。進行詐騙甄別主要是通過總結正常行為和詐騙行為之間的關系，得到詐騙行為的一些特性，這樣當某項業務符合這些特徵時，可以向決策人員提出警告。
這方面應用非常成功的系統有：FALCON系統和FAIS系統。FALCON是HNC公司開發的信用卡欺詐估測系統，它已被相當數量的零售銀行用於探測可疑的信用卡交易；FAIS則是一個用於識別與洗錢有關的金融交易的系統，它使用的是一般的政府數據表單。此外數據挖掘還可用於天文學上的遙遠星體探測、基因工程的研究、web信息檢索等。
結束語
隨著資料庫、人工智慧、數理統計及計算機軟硬體技術的發展，數據挖掘技術必能在更多的領域內取得更廣泛的應用。

參考文獻：
[1]閆建紅《資料庫系統概論》的教學改革與探索[J]．山西廣播電視大學學報，2006，(15)：16—17．

❼ 本人想做數據挖掘方向的畢業論文，請高手指點一下。

金融行業的信用卡客戶流失控制、電信行業客戶關系管理等等，主要就在金融和電信行業了。

❽ 畢業論文 想問下寫關於數據挖掘的哪方面好點

孫凱，好好翻資料，別想著瞎折騰，還是靠自己吧。 採納我的回答，謝謝。

❾ 急求有關數據挖掘方面的畢業論文題目

壽險行業數據挖掘應用分析

壽險是保險行業的一個重要分支，具有巨大的市場發展空間，因此，隨著壽險市場的開放、外資公司的介入，競爭逐步升級，群雄逐鹿已成定局。如何保持自身的核心競爭力，使自己始終立於不敗之地，是每個企業必須面對的問題。信息技術的應用無疑是提高企業競爭力的有效手段之一。壽險信息系統經過了多年的發展，已逐步成熟完善，並積累了相當數量的數據資源，為數據挖掘提供了堅實的基礎，而通過數據挖掘發現知識，並用於科學決策越來越普遍受到壽險公司的重視。

數據挖掘

數據挖掘（Data Mining，DM）是指從大量不完全的、有雜訊的、模糊的、隨機的數據中，提取隱含在其中的、有用的信息和知識的過程。其表現形式為概念（Concepts）、規則(Rules)、模式(Patterns)等形式。

目前業內已有很多成熟的數據挖掘方法論，為實際應用提供了理想的指導模型。CRISP-DM（Cross-Instry Standard Process for Data Mining）就是公認的、較有影響的方法論之一。CRISP-DM強調，DM不單是數據的組織或者呈現，也不僅是數據分析和統計建模，而是一個從理解業務需求、尋求解決方案到接受實踐檢驗的完整過程。CRISP-DM將整個挖掘過程分為以下六個階段：商業理解（Business Understanding），數據理解(Data Understanding)，數據准備(Data Preparation)，建模(Modeling)，評估(Evaluation)和發布(Deployment)。

商業理解就是對企業運作、業務流程和行業背景的了解；數據理解是對現有企業應用系統的了解；數據准備就是從企業大量數據中取出一個與要探索問題相關的樣板數據子集。建模是根據對業務問題的理解，在數據准備的基礎上，選擇一種更為實用的挖掘模型，形成挖掘的結論。評估就是在實際中檢驗挖掘的結論，如果達到了預期的效果，就可將結論發布。在實際項目中，CRISP-DM模型中的數據理解、數據准備、建模、評估並不是單向運作的，而是一個多次反復、多次調整、不斷修訂完善的過程。

行業數據挖掘

經過多年的系統運營，壽險公司已積累了相當可觀的保單信息、客戶信息、交易信息、財務信息等，也出現了超大規模的資料庫系統。同時，數據集中為原有業務水平的提升以及新業務的拓展提供了條件，也為數據挖掘提供了豐厚的土壤。

根據CRISP-DM模型，數據挖掘首先應該做的是對業務的理解、尋找數據挖掘的目標和問題。這些問題包括：代理人的甄選、欺詐識別以及市場細分等，其中市場細分對企業制定經營戰略具有極高的指導意義，它是關繫到企業能否生存與發展、企業市場營銷戰略制定與實現的首要問題。

針對壽險經營的特點，我們可以從不同的角度對客戶群體進行分類歸納，從而形成各種客戶分布統計，作為管理人員決策的依據。從壽險產品入手，分析客戶對不同險種的偏好程度，指導代理人進行重點推廣，是比較容易實現的挖掘思路。由於國內經濟發展狀況不同，各省差異較大，因此必須限定在一個經濟水平相當的區域進行分析數據的采樣。同時，市場波動也是必須要考慮的問題，一個模型從建立到廢棄有一個生命周期，周期根據模型的適應性和命中率確定，因此模型需要不斷修訂。

挖掘系統架構

挖掘系統包括規則生成子系統和應用評估子系統兩個部分。

規則生成子系統主要完成根據數據倉庫提供的保單歷史數據，統計並產生相關規律，並輸出相關結果。具體包括數據抽取轉換、挖掘資料庫建立、建模（其中包括了參數設置）、模型評估、結果發布。發布的對象是高層決策者，同時將模型提交給應用評估子系統.根據效果每月動態生成新的模型。

應用評估子系統可以理解為生產系統中的挖掘代理程序，根據生成子系統產生的規則按照一定的策略對保單數據進行非類預測。通過系統的任務計劃對生產數據產生評估指標。具體包括核心業務系統數據自動轉入數據平台、規則實時評估、評估結果動態顯示、實際效果評估。規則評估子系統根據規則進行檢測。經過一段時間的檢測，可利用規則生成子系統重新學習，獲得新的規則，不斷地更新規則庫，直到規則庫穩定。

目前比較常用的分析指標有: 險種、交費年期、被保人職業、被保人年收入、被保人年齡段、被保人性別、被保人婚姻狀況等。

實踐中，可結合實際數據狀況，對各要素進行適當的取捨，並做不同程度的概括，以形成較為滿意的判定樹，產生可解釋的結論成果。

❿ 求計算機網路專業畢業論文相關資料（數據挖掘—時空挖掘）

已發送至你郵箱，請查收

---------------------------------------------------------------

先給你提供些論文和相關信息（可以留個郵箱都發給你）

---------------------------------------------------------------------

《一種基於數據融合和方法融合的時空綜合預測演算法》 徐薇,黃厚寬
時空數據挖掘是數據挖掘中的重要研究內容,其中時空預測的應用領域最為廣泛.針對目前時空預測方法中的不足,提出了一種基於數據融合和方法融合的時空綜合預測演算法.該方法首先採用統計學原理對目標對象本身的時序進行預測;然後通過神經網路解算相鄰對象的空間影響,繼而對混合數據序列使用時空自回歸預測模型;最後使用線性回歸將單個的時間預測、空間預測和時空預測有效地融合在一起,得到綜合預測結果.應用該方法預測鐵路客流,突破了傳統鐵路客流預測方法的局限,實驗結果表明了演算法的有效性.

《時空數據模型的建模研究與應用》 張英
隨著時空信息數據的大規模增長，數據挖掘理論的不斷發展，時空數據挖掘已經成為計算機界及地理信息系統專家學者研究的熱點。時空數據模型是時空數據挖掘的核心和基礎，因此時空數據模型的研究具有重要的意義。 本文介紹了時空數據模型的基本概念，詳細分析了現有時空數據模型的基本思想，討論了各個模型的優缺點。在此基礎上，針對常用數據模型在時空數據挖掘中具有較強應用指向性，通用性不強的問題，利用面向對象建模不受關系模型範式的限制，支持對象的嵌套和變長記錄等優點，提出了一種時空特徵與相互關系一體化的時空數據模型。形式化定義了該模型的元素組成、信息范疇，詳細描述了元素間的相互關系，並給出了時空特徵對象的特徵操作、空間操作、時間操作及三者互操作。深入探討了時空數據挖掘中可發現的知識類型，挖掘方法和挖掘流程等，並對現有的關聯規則進行了擴展，以處理時空數據，使其可發現時空關聯規則。 此外，基於面向對象時空數據模型，實現了城市規劃土地信息系統，設計了有關的時空對象類，實現了土地管理的基本查詢功能和更新功能，並進行了數據挖掘，驗證了該模型的有效性。

還有一些別的文章，包括實例的運用
《面向移動環境的時空數據挖掘研究現狀與展望》
《時空數據挖掘在國內生產企業政府監管中研究與應用的探討》
《基於時空數據挖掘的鐵路客流預測方法》
等