上海天律信息

㈠ 數據挖掘部是做什麼的

分析方法：
數據挖掘
· 分類 （Classification）
· 估計（Estimation）
· 預測（Prediction）
· 相關性分組或關聯規則（Affinity grouping or association rules）
· 聚類（Clustering）
· 描述和可視化（Description and Visualization）
· 復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)
方法簡介：
·分類 （Classification）
首先從數據中選出已經分好類的訓練集，在該訓練集上運用數據挖掘分類的技術，建立分類模型，對於沒有分類的數據進行分類。
例子：
a. 信用卡申請者，分類為低、中、高風險
b. 故障診斷：中國寶鋼集團與上海天律信息技術有限公司合作，採用數據挖掘技術對鋼材生產的全流程進行質量監控和分析，構建故障地圖，實時分析產品出現瑕疵的原因，有效提高了產品的優良率。
注意： 類的個數是確定的，預先定義好的
· 估計（Estimation）
估計與分類類似，不同之處在於，分類描述的是離散型變數的輸出，而估值處理連續值的輸出；分類
數據挖掘
的類別是確定數目的，估值的量是不確定的。
例子：
a. 根據購買模式，估計一個家庭的孩子個數
b. 根據購買模式，估計一個家庭的收入
c. 估計real estate的價值
一般來說，估值可以作為分類的前一步工作。給定一些輸入數據，通過估值，得到未知的連續變數的值，然後，根據預先設定的閾值，進行分類。例如：銀行對家庭貸款業務，運用估值，給各個客戶記分（Score 0~1）。然後，根據閾值，將貸款級別分類。
· 預測（Prediction）
通常，預測是通過分類或估值起作用的，也就是說，通過分類或估值得出模型，該模型用於對未知變數的預言。從這種意義上說，預言其實沒有必要分為一個單獨的類。預言其目的是對未來未知變數的預測，這種預測是需要時間來驗證的，即必須經過一定時間後，才知道預言准確性是多少。
相關性分組或關聯規則
（Affinity grouping or association rules）
決定哪些事情將一起發生。
例子：
a. 超市中客戶在購買A的同時，經常會購買B，即A => B(關聯規則)
b. 客戶在購買A後，隔一段時間，會購買B （序列分析）
· 聚類（Clustering）
聚類是對記錄分組，把相似的記錄在一個聚集里。聚類和分類的區別是聚集不依賴於預先定義好的類，不需要訓練集。
例子：
a. 一些特定症狀的聚集可能預示了一個特定的疾病
b. 租VCD類型不相似的客戶聚集，可能暗示成員屬於不同的亞文化群
聚集通常作為數據挖掘的第一步。例如，"哪一種類的促銷對客戶響應最好？"，對於這一 類問題，首先對整個客戶做聚集，將客戶分組在各自的聚集里，然後對每個不同的聚集，回答問題，可能效果更好。
· 描述和可視化（Description and Visualization）
是對數據挖掘結果的表示方式。一般只是指數據可視化工具，包含報表工具和商業智能分析產品（BI）的統稱。譬如通過Yonghong Z-Suite等工具進行數據的展現，分析，鑽取，將數據挖掘的分析結果更形象，深刻的展現出來。
挖掘分類
以上七種數據挖掘的分析方法可以分為兩類：直接數據挖掘；間接數據挖掘·
直接數據挖掘
目標是利用可用的數據建立一個模型，這個模型對剩餘的數據，對一個特定的變數（可以理解成資料庫中表的屬性，即列）進行描述。
間接數據挖掘
目標中沒有選出某一具體的變數，用模型進行描述；而是在所有的變數中建立起某種關系 。
· 分類、估值、預言屬於直接數據挖掘；後四種屬於間接數據挖掘

㈡ 上海天律信息技術有限公司 怎麼樣

這家公司其實真的不怎麼樣，老闆是一個海龜叫獸，不知道肚子里到底有沒有真學問，我是在裡面工作過的，老闆就是一個字，榨乾你為止。一定要把你榨乾為止，他的弟弟是裡面的網管，說的直接點就是看你們做事勤快不勤快的，一個會計是個騷包，估計天天都想被人干，總之就是一個垃圾的公司，請謹慎！

㈢ 國內做數據挖掘的有哪些公司

北京九辰科技有限公司就是做這行的。

㈣ 黃暉的黃暉簡介

黃暉，1959年2月生，教授1980年畢業於湖北師范學院外語系，留校任教;1983年考入北京外國語學院英語系研究生班；1986年獲文學碩士學位;1986-1987年任教於清華大學外語系;1987年考入北京外國語學院讀博士研究生，導師為許國璋教授;1989年赴美留學，就讀於美國北卡羅萊納大學信息社會學專業;1993年獲碩士學位；1996年獲博士學位．1996-2000年任美國魯汶大學教授，並獲終身教授資格;2000-2001年任美國安達信咨詢公司IT咨詢部經理．曾任美國MBNA銀行數據挖掘顧問、美國FirstUSA銀行數據挖掘咨詢顧問、美國醫學科學院數據挖掘咨詢顧問、美國特種機械製造商JohnDeere公司數據挖掘咨詢顧問．2001年回國，創辦上海社會科學院互聯網研究中心並擔任中心主任．2001年12月創辦上海天律信息技術有限公司，擔任董事長兼總經理，成功研製出中國第一套大型數據挖掘和統計分析軟體－馬克威分析系統，填補了國家空白。2002年獲上海市人才發展獎．2003年當選中國僑聯華商會常務理事．2004年當選上海市信息學會會長2004年當選「上海市科技領軍人物」2005年當選「長三角創新精英人物」2007年獲得「中國商業智能領軍人物」

㈤ 數據挖掘用什麼軟體，求軟體名稱加下載地址！

weka是一個不錯的開源的基於java寫的數據挖掘軟體，裡面很多的演算法直接可以使用，同時你也可以利用這些java包進行二次開發。http://www.cs.waikato.ac.nz/ml/weka/是其官方網站，裡面可以下載最新的weka供你使用。
sql server也是一個不錯的數據挖掘軟體，但是貌似只有開發版的才有這個功能。所以要去找開發版進行下載，verycd上面很多資源可供下載。希望能幫到你。

㈥ 什麼是數據挖掘，簡述其作用和應用。

1)數據挖掘能做以下七種不同事情（分析方法）： 數據挖掘· 分類 （Classification） · 估值（Estimation） · 預言（Prediction） · 相關性分組或關聯規則（Affinity grouping or association rules） · 聚集（Clustering） · 描述和可視化（Description and Visualization） · 復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等) 2)數據挖掘分類 以上七種數據挖掘的分析方法可以分為兩類：直接數據挖掘；間接數據挖掘 · 直接數據挖掘 目標是利用可用的數據建立一個模型，這個模型對剩餘的數據，對一個特定的變數（可以理解成資料庫中表的屬性，即列）進行描述。 · 間接數據挖掘 目標中沒有選出某一具體的變數，用模型進行描述；而是在所有的變數中建立起某種關系 。 · 分類、估值、預言屬於直接數據挖掘；後三種屬於間接數據挖掘 3)各種分析方法的簡介 · 分類 （Classification） 首先從數據中選出已經分好類的訓練集，在該訓練集上運用數據挖掘分類的技術，建立分類模型，對於沒有分類的數據進行分類。 例子： a. 信用卡申請者，分類為低、中、高風險 b. 故障診斷：中國寶鋼集團與上海天律信息技術有限公司合作，採用數據挖掘技術對鋼材生產的全流程進行質量監控和分析，構建故障地圖，實時分析產品出現瑕疵的原因，有效提高了產品的優良率。 注意： 類的個數是確定的，預先定義好的 · 估值（Estimation） 估值與分類類似，不同之處在於，分類描述的是離散型變數的輸出，而估值處理連續值的輸出；分類 數據挖掘的類別是確定數目的，估值的量是不確定的。 例子： a. 根據購買模式，估計一個家庭的孩子個數 b. 根據購買模式，估計一個家庭的收入 c. 估計real estate的價值 一般來說，估值可以作為分類的前一步工作。給定一些輸入數據，通過估值，得到未知的連續變數的值，然後，根據預先設定的閾值，進行分類。例如：銀行對家庭貸款業務，運用估值，給各個客戶記分（Score 0~1）。然後，根據閾值，將貸款級別分類。 · 預言（Prediction） 通常，預言是通過分類或估值起作用的，也就是說，通過分類或估值得出模型，該模型用於對未知變數的預言。從這種意義上說，預言其實沒有必要分為一個單獨的類。預言其目的是對未來未知變數的預測，這種預測是需要時間來驗證的，即必須經過一定時間後，才知道預言准確性是多少。 例子： 海南航空引入領先的數據挖掘工具馬克威分析系統，分析客流、燃油等變化趨勢，以航線收益為主題進行數據挖掘，制定精細的銷售策略，有效提高了企業收益。 · 相關性分組或關聯規則（Affinity grouping or association rules） 決定哪些事情將一起發生。 例子： a. 超市中客戶在購買A的同時，經常會購買B，即A => B(關聯規則) b. 客戶在購買A後，隔一段時間，會購買B （序列分析） · 聚集（Clustering） 聚集是對記錄分組，把相似的記錄在一個聚集里。聚集和分類的區別是聚集不依賴於預先定義好的類，不需要訓練集。 例子： a. 一些特定症狀的聚集可能預示了一個特定的疾病 b. 租VCD類型不相似的客戶聚集，可能暗示成員屬於不同的亞文化群 聚集通常作為數據挖掘的第一步。例如，"哪一種類的促銷對客戶響應最好？"，對於這一 類問題，首先對整個客戶做聚集，將客戶分組在各自的聚集里，然後對每個不同的聚集，回答問題，可能效果更好。 c. 中國移動採用先進的數據挖掘工具馬克威分析系統，對用戶wap上網的行為進行聚類分析，通過客戶分群，進行精確營銷。

㈦ 數據挖掘的使用

分析方法：
· 分類 （Classification）
· 估計（Estimation）
· 預測（Prediction）
· 相關性分組或關聯規則（Affinity grouping or association rules）
· 聚類（Clustering）
· 復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)
方法簡介：
·分類 （Classification）
首先從數據中選出已經分好類的訓練集，在該訓練集上運用數據挖掘分類的技術，建立分類模型，對於沒有分類的數據進行分類。
例子：
a. 信用卡申請者，分類為低、中、高風險
b. 故障診斷：中國寶鋼集團與上海天律信息技術有限公司合作，採用數據挖掘技術對鋼材生產的全流程進行質量監控和分析，構建故障地圖，實時分析產品出現瑕疵的原因，有效提高了產品的優良率。
注意： 類的個數是確定的，預先定義好的
· 估計（Estimation）
估計與分類類似，不同之處在於，分類描述的是離散型變數的輸出，而估值處理連續值的輸出；分類的類別是確定數目的，估值的量是不確定的。
例子：
a. 根據購買模式，估計一個家庭的孩子個數
b. 根據購買模式，估計一個家庭的收入
c. 估計real estate的價值
一般來說，估值可以作為分類的前一步工作。給定一些輸入數據，通過估值，得到未知的連續變數的值，然後，根據預先設定的閾值，進行分類。例如：銀行對家庭貸款業務，運用估值，給各個客戶記分（Score 0~1）。然後，根據閾值，將貸款級別分類。
· 預測（Prediction）
通常，預測是通過分類或估值起作用的，也就是說，通過分類或估值得出模型，該模型用於對未知變數的預言。從這種意義上說，預言其實沒有必要分為一個單獨的類。預言其目的是對未來未知變數的預測，這種預測是需要時間來驗證的，即必須經過一定時間後，才知道預言准確性是多少。
· 相關性分組或關聯規則（Affinity grouping or association rules）
決定哪些事情將一起發生。
例子：
a. 超市中客戶在購買A的同時，經常會購買B，即A => B(關聯規則)
b. 客戶在購買A後，隔一段時間，會購買B （序列分析）
· 聚類（Clustering）
聚類是對記錄分組，把相似的記錄在一個聚集里。聚類和分類的區別是聚集不依賴於預先定義好的類，不需要訓練集。
例子：
a. 一些特定症狀的聚集可能預示了一個特定的疾病
b. 租VCD類型不相似的客戶聚集，可能暗示成員屬於不同的亞文化群
聚集通常作為數據挖掘的第一步。例如，哪一種類的促銷對客戶響應最好？，對於這一 類問題，首先對整個客戶做聚集，將客戶分組在各自的聚集里，然後對每個不同的聚集，回答問題，可能效果更好。
· 描述和可視化（Description and Visualization）
是對數據挖掘結果的表示方式。一般只是指數據可視化工具，包含報表工具和商業智能分析產品（BI）的統稱。譬如通過Yonghong Z-Suite等工具進行數據的展現，分析，鑽取，將數據挖掘的分析結果更形象，深刻的展現出來。