. . . . . . . :

. :

1

1-1 )0591( 02 . ) (IT . . . . . . ... ... ... ... . .

2

1 . 2 . .

2-1 08 .11

. Data mining . 1 32

)3891( . ... . 09 . . . 1991 1 . 5991 2 . . . . 9891 4991 . ACM- SIGKDD . 6991 3 4 5 . . 1

1.Piatetsky-Shapiro

22.Data warehouse 31. Imielnski4

- Mannila - Inductive databases 4

5

7991 . . 1 . 8991 2 : . 3 4 . . 0002 . . 2002 . .

3-1 . . 1

- Benninga, Czaczkes, Higgins - Hand - Kleinberg - Paodimitriou , Raghavan 5

2

3

4

. . 1 ) ( KDD . . . . . 08 . . KDD . .

. ) (1

- Knowledge Discovery of Database

6

)- 8991(

1

)http://w

) ( . (ww.spss.com

. . KDD . KDD . : 1. 2. 3. ) ( 4. 1

7

5.

4-1 . . . . . . . . . . . .

5-1

8

: : . . . . . . . . - . . . . 9

1-5-1 . . . . . . . . 1

2-5-1

. : ) ( . . . . 11- Collect the data 01

. . . . .

3-5-1 . : 1: . . . : ( . ( . : . [ 1 0 ] [ 0001 001- ] -11- Outlier detection 11

. . . . .

4-5-1 1 . .

5-5-1 . . . . . . .11- Estimate 21

. . 1-1 . .

6-1 . . . 1-1

1( 2(

31

3( . . . . . . 1 . . . . . . .

1 . business41

. 2CRISP-DM . . . . 2: . 3: . 4: . 5: : .

. The Cross-Industry Standard Process for Data Mining . Classification

2

2

3. Regression . Clustering . Summarization514

5

1: . 2: . . . . . . . . . . . . .

7-1 3

.

. . Dependency ModelingChange and Deviation Detection 31-categorical 611

.

2

1

. )

( . - ) = (. . )0 1 ( N N . 2 . . )( . . . . . . .

12-symbolic 23-quantitative 71

. . . .

1

1-7-1

. . . . . . . : 1.

) (. 11-Raw Data 81

2.

.

2-7-1 . .

1-2-7-1 -n . ]1 1-[ ]1 0[ . . . : . 1 1 . - : . V 051 052 .

91

0/51 0/52 . ]1 0[ - )1-1( : (((v(i) = (v(i)-min(v(i))) / (max(v(i))-min(v(i )1-1(

1 : . v (mean (V (Sd(v . i )1-2( . (v(i) = (v(i)-mean(v)/sd(v2

)2-1(

2-2-7-1

. . . . . 11-Standard deviation normalization 22-Missing Data 02

. . . . . . : . 1 .

.

3-7-1 . . . 1- .11-feature mean 12

52 . . . . . . . . . 1

8-1

. . .

1-8-1 11-Data Reduction 22

. . . . . . : ) ( )( . : ) (. . . . . . . ) ( 32

. : : . . . 1 /: . . . : . . . . .

2-8-1 1-accuracy 42

) ( . . . . :

.

.

.

.

3-8-1 . . . 52

. . . .

4-8-1 . . : . . . . - . . .

9-1 62

. . . . . . :

. . ) 1-2 ( .

72

1-2 :

. . . 1 . . . . . . . 2

1-9-1

11- Transductive 21- Learning Machine 82

. , , . - -n . .

1-3 .

- . - . 1 -3 . .x y x

.

92

)

, x ( y ) x ( y . . . . .

2-9-1 :1

2

- . . . . ) (.

11- supervised learning 22- unsupervised learning 03

1 -4)( . / . . . .

(

1-4 (

. . . . . . .

13

/ . . . . . . 1-4)( . . W . . . . .

23

3-9-1 . . -n n )( . 1-5 . john . n . . . .

33

1-5 - -n

. . 1-6 )( . . 1-6 )( .

(

(

43

1-6

) ( . . n . . )( . 1-7 )( . 1-7 )( . . .

( 1-7

(

53

. . 1-8 )( )( 1-8 -n . . . . . 1-9)( .

( 1-8

(

63

(

(

1-9

. . 1-9 . . .

(

( 1-01

. .

73

. 1-11 . 1-11)( . 1-11)( .

(

(

1-11

. . . . :

83

- . . : : :

ANOVA . :

. :

. CLS 3 ID 5.4 C . 1:

www . :

. :

.

11- Association Rules 93

:

. . 1 n:

. : . . . . . .

01-1 . ) ( )(

11- Visualization 04

. .

1-01-1 . . . . . ) ( X . . -n )(

.

14

) ( . )( . .

2-01-1 ) ( X,S X S . . . . X . . . . . .

24

3-01-1 . . . . . . . )( .

4-01-1 . 0691 . . . .

34

.

. . .

. . .

. . . . . 1- 2-

. . . 2 .3-

44

. . . . : . . .

11-1 . . . ) - ( . . ) ( . .

54

: . . . . N N . - - . . OR 1-21 . AND. . .

1-21

. - . 64

. . . . . .

1-11-1 . . . / . . -

74

. . . x y 1-31 . 1> x y=B . 1