医疗数据挖掘

使用软件代理进行数据挖掘的参考（Hillol Kargupta, Brian Stafford, Ilker Hamzaoglu）

利用基于区分矩阵的计算方法简化了从病历样本数据出发的医疗信息处理过程，使其更为高效和便捷。所得的产生式分类规则简明易懂，具有实际应用的参考价值。

CCDM 2014数据挖掘竞赛专注于医学诊断数据，提出了普遍存在的多类标问题和多类分类问题。针对类别不平衡和训练样本稀缺的挑战，为优化数据挖掘任务，引入了二次集成学习的新框架。该框架首先利用首次集成学习获得高置信度样本，加入原始训练集，再次进行训练，以获得更高泛化性能的分类器。竞赛结果显示，与传统集成学习相比，二次集成学习在两个问题上均表现出色。

近年来，医疗数据挖掘作为一个交叉学科变得越来越重要。技术进步推动了基于Web-Weka和D3.js的临床数据挖掘及可视化技术的发展。

研究生数据挖掘课程课件，供学习参考。

数据挖掘综述：数据挖掘技术的广泛应用涵盖了从商业到科学研究的各个领域。随着数据量的增加和计算能力的提升，数据挖掘在发现模式和提供洞察方面发挥着关键作用。

物联网、云计算和大数据的协同发展，为医疗应用提供了更强大、功能更全面的工具。海量患者数据，包括临床记录和传感器数据，不断涌现。然而，对这些医疗参数的分析和未来健康状况的预测仍处于起步阶段。基于云平台的大数据分析技术为传感器数据的分析提供了有效途径。 本研究提出利用健康传感器和温度传感器监测患者的健康状况。传感器采集的患者数据首先传输至微控制器，再通过数据线实时传输至系统。系统利用NetBean获取COM口数据并存储于SQL数据库中，方便患者、医生等相关人员实时监控患者健康状况。 为进行数据分析，系统将NetBean中的实时数据导出为Excel文件，并导入R编程工作室。在R环境下，采用K均值聚类

这些数据经过Matlab处理，专门用于图像处理。

这是Coursera提供的一门关于数据挖掘的在线课程。

数据挖掘与统计学的结合挺有意思的。这里的关键是将一些看起来复杂的技术—比如统计学、人工智能、数据库等—给封装起来，让不用掌握那些复杂的数学模型，也能轻松完成数据挖掘的任务。其实，数据挖掘不仅仅是统计，它还涵盖了更多的算法和技术。如果你对这方面有兴趣，肯定能从中找到不少有趣的应用场景。比如你可以运用数据挖掘算法来做一些预测，找出潜在的规律。嗯，确实，多数据挖掘算法都源自统计学，像 KDD 就是其中一个典型的例子。如果你想更深入了解数据挖掘，相关的文章也能你从不同角度看问题。