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。

教育数据挖掘的研究进展挺有意思的，是对做前端的你来说，能顺手挖点数据背后的用户行为逻辑，绝对不亏。EDM 发展历程这篇文章，内容比较系统，讲了教育数据怎么一步步从简单统计，走到今天能预测学生成绩、个性化推荐的地步。嗯，虽然不是直接的前端内容，但对想做教育类产品的你来说，了解这些背景，做交互设计会有的放矢。文章里面还搭了不少有用的资源，比如EDM 工作流程怎么设计、聚类算法的实际用法，还有和Matlab结合建模的案例，挺值得一看。里面有个链接讲聚类的：http://www.cpud.net/down/14168.html，用来理解后台怎么分类学生行为数据，前端展示的时候你会更有方向。再说了，现在

决策树算法的最新研究进展整理得挺到位的，尤其是针对大数据环境下的优化点，讲得蛮细。像 C4.5 和 CART 这些经典算法，多人平时用但不一定搞清了背后的逻辑。这篇文章不仅把基础原理重新梳理了一遍，还总结了最近五大优化方向，比如引入集成学习、预排序、大数据集的 SLIQ、SPRINT 等，读完会有种‘哦，原来现在已经做到这一步了’的感觉。 优化构建过程这块挺实用，比如用信息增益率代替信息增益，就能属性偏差的问题。像用基尼系数来分裂，连续值的表现也还不错。 支持大数据的 SLIQ 和 SPRINT 值得一看，内存小也能跑得动树，而且效率还挺高。你做大规模数据分类任务的话，这两个算法可以重点研究一

时空数据挖掘的资源挺多，但这个Python 版时空大数据交通挖掘可视化真的还不错。里面的代码结构清爽，逻辑也比较好懂，像交通流量、预测拥堵这些场景，用它挺顺手的。 时空异常检测用的AnomalyDetector MATLAB 代码也值得一试，非参数方法，跑得还挺快。适合用来监测一些突发异常，比如交通事故或者环境异常。 如果你对时空数据的高效感兴趣，时空专用引擎 V7 数据调度组件可以了解一下，调度速度快，数据量大也能扛，适合实时数据场景。 想搞时空模式发现的话，可以直接去看CSC-791 时空数据挖掘代码，里面有现成的模式发现方法，写得比较实用，改一改就能用。 另外，像网络热点事件时空演化与可

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。

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。

差分隐私的数据代码资源还挺香的，尤其是你关注数据安全、要搞数据发布的时候，简直就是刚需。Google、Apple 早早就把差分隐私塞进了自家产品里，这玩意不是纸上谈兵。你要做数据挖掘，还得考虑用户隐私？那这份资源可以好好看下，涵盖了集中式模型到本地模型的技术路径，挺系统。里面提到了像随机响应、BloomFilter、还有统计推断这些，你平时做众包数据时肯定能用得上，概念不绕，代码思路也清晰。像MapReduce环境下的差分隐私 K-means 实现也有，做大数据的兄弟可以直接上。建议你优先看看那篇 MapReduce 环境下支持差分隐私的 k-means 聚类方法，不光有思路，代码实现也还不错