我国白芨研究进展综述(2011年)

总结聚类算法的研究现状及新进展 分析代表性算法的算法思想、关键技术和优缺点 对典型算法进行实验对比，分析不同数据集和算法的聚类情况 提出聚类分析的研究热点、难点和待解决问题

教育数据挖掘（Educational Data Mining，简称EDM）是计算机科学、教育学和统计学交叉领域的一门学科，专注于分析教育环境中独特的数据。其深入了解学生及其学习环境，以提升教育效果。通过对Web of Science及国内外文献的系统回顾，详细介绍了EDM的研究进展和工作流程。将数据挖掘技术在教育中的应用分为四大类，并通过统计分析典型案例，探讨了EDM的现状、不足及发展趋势。

数据挖掘技术广泛应用于各个领域。其传统任务分类包含分类、聚类、预测等七类，近年来已拓展至社会网络分析、推荐系统等新领域。

数据挖掘是一个跨学科融合的新兴学科。介绍了数据挖掘的基础知识和相关概念，并详细讨论了传统统计学方法、神经网络、决策树、进化式程序设计、基于事例推理方法、遗传算法、非线性回归方法等数据挖掘的基本方法。同时总结了数据挖掘在各领域的应用，探讨了数据质量、信息可视化、大数据管理、信息分析人员技能等挑战，并展望了未来的研究方向。

数据挖掘领域中，如何高效准确地将数据分类是一项关键挑战。不同的分类算法各有优劣，例如，决策树算法擅长处理含噪声数据，但面对大规模数据集效率较低；贝叶斯算法以速度和低错误率著称，但分类精度有待提升；关联规则算法在准确率方面表现出色，却容易受到硬件内存限制；支持向量机算法兼具高准确率和低复杂度，但运算速度相对较慢。 为克服现有算法的局限性，研究者们致力于开发性能更优的新算法。例如，多决策树综合技术融合多个决策树的预测结果，提高了分类精度和稳定性。基于先验信息和信息增益的混合分类算法则结合了两种方法的优势，能够更准确地识别数据模式。此外，基于粗糙集的分类算法通过分析数据的不确定性，有效降低了噪声和冗余信息对分类结果的影响，进一步提升了分类性能。

综述了关联规则挖掘技术的分类方法、评价方法及其最新进展，特别详细介绍了主要算法，并探讨了未来的发展方向，为进一步研究关联规则挖掘技术提供了全面指导。

多元时间序列相似模式挖掘是数据挖掘领域的研究热点，主要包括特征表示、相似模式度量和相似性搜索等方面。当前，研究成果主要集中在特征表示和相似模式度量，而相似性搜索则是破解问题的关键。综述了多元时间序列相似性搜索的最新进展，总结了主要的相似模式度量方法，比较了不同度量方法下的序列搜索技术，并深入分析了各方法的优劣，为未来的研究提供理论支持。

亚复杂系统干预规则挖掘是数据挖掘领域的新领域。综述了亚复杂系统干预规则研究的背景和典型问题，并通过实例描述了干预规则挖掘领域的基本概念和术语，如干预相关度、传递相关度、干预分型和干预代数等。介绍了亚复杂系统干预规则挖掘的初步探索和成果，包括朴素干预规则和数值型干预规则挖掘算法，以及基于密度的数据流干预分析模型及相关结果。

优质课程推荐！导师授课深入浅出，每次2小时+超长干货分享，涵盖去年知识图谱领域最新研究资料，物超所值！