大数据时代数据挖掘技术探讨

被引:8
作者
杨华昆
机构
[1] 上海美设国际货运有限公司
关键词
数据挖掘; 大数据; 支持向量机; 神经网络;
D O I
10.16184/j.cnki.comprg.2015.24.038
中图分类号
TP311.13 [];
学科分类号
1201 ;
摘要
随着互联网、云计算技术的快速发展,信息化系统已经在电子政务、电子商务、在线教育、金融处理等领域得到广泛普及和应用,积累了海量的数据资源,促使人们大步迈入到了大数据时代。大数据在为人们带来工作、生活和学习方便的同时,由于数据规模大、分布地域广,数据应用变得越来越复杂。为了能够提高大数据的利用率和有效性,必须采取数据挖掘技术从海量数据信息资源中发现潜在的、有价值的信息。目前,常用的大数据挖掘技术包括基于统计理论、临近度、密度等3类,较为有代表性的数据挖掘技术包括神经网络、遗传算法、支持向量机和专家系统等4种,未来发展趋势也较为显著,可以从提高精确度、时间复杂度等方面进行改进,以便更好地挖掘数据模式。
引用
收藏
页码:78 / 79
页数:2
相关论文
共 7 条
[1]   基于智能最小二乘支持向量机的大数据分析与预测 [J].
李雪竹 ;
陈国龙 .
计算机工程, 2015, 41 (06) :38-42
[2]   基于遗传算法的大型数据库的数据分配策略算法 [J].
张得生 .
科技通报, 2015, (01) :162-165
[3]   基于云计算的医疗大数据的挖掘研究 [J].
孙艳秋 ;
王甜宇 ;
曹文聪 .
计算机光盘软件与应用, 2015, 18 (02) :11+13-11
[4]   大数据背景下的数据挖掘课程教学新探 [J].
詹少强 .
长春教育学院学报, 2014, 30 (22) :81-82
[5]   基于GM-RBF神经网络的高校建筑能耗预测 [J].
赵超 ;
林思铭 ;
许巧玲 .
南京理工大学学报, 2014, 38 (01) :48-53
[6]   Hadoop分布式架构下大数据集的并行挖掘 [J].
吕婉琪 ;
钟诚 ;
唐印浒 ;
陈志朕 .
计算机技术与发展, 2014, 24 (01) :22-25+30
[7]   大数据的发展及应用 [J].
倪光南 .
信息技术与标准化, 2013, (09) :6-9