众文网数据挖掘毕业论文课题(我准备读硕士,方向是数据挖掘)
1.我准备读硕士,方向是数据挖掘
你自己把课题已经弄得很细了。
你是想要一个毕设题目还是想找方向，你说的这些都是计科里的小方向了。再和导师探讨一下。
数据挖掘里边的东西就不少。相当的SEO。
算法，搜索、模式识别等等。物联网里的RFID、EPC、UID、接口，天线、GPS、GPRS、WSN、AVR、ARM、单片机类、天线什么的。
云计算里的海量数据、分布计算、并行计算、普适什么的。
算法改进物联网里的标签识别，读写器与标答的防碰撞里边有算法、云计算里的节点和数据传输有算法。相关协议你也可以设计算法。
数据挖掘里的AP算法、page Rank算法什么的也可改进。具体和讨师讨论。
做小一点。望采纳。
2.求数据挖掘的论文
数据挖掘、OLAP在财务决策中的应用杨春华（杭州商学院财务与会计学院，杭州，310012）[摘要]数据挖掘、OLAP是当前基于大型数据库或数据仓库的新型信息分析技术，在许多领域得到广泛应用，取得了很好的成效。
如何将其应用于财务决策以提高决策的正确性、及时性，降低决策的风险，已成为财务管理领域的重要研究课题。本文在介绍数据挖掘、OLAP技术及其相互关系的基础上，分析了财务决策领域应用这两种技术的现实必要性，并进一步论述了财务决策中数据挖掘和OLAP的应用流程。
[Abstract]In this paper, the author introduced Data Mining and OLAP at first. And then, the author analyzed the practical necessity for the firms to apply these two techniques in the area of financial decision-making. In the end, the author brought forward the flow of the appliance.[关键词]数据挖掘，联机分析处理，财务决策[Key words]Data Mining,OnLine Analysis Process(OLAP),Financial Decision-making正文随着计算机技术和Internet技术的发展，以及企业在以往事务型处理中数据的不断积累，一方面企业数据资源日益丰富，信息超载，另一方面数据资源中蕴涵的知识企业却至今未能得到充分的挖掘和利用，“数据丰富而知识贫乏”是常见现象。如何才能不被信息的汪洋大海所淹没，并能从中及时发现有用的知识，提高信息的利用效率，已成为企业急需面对的一个问题。
正是在这种背景下，数据挖掘、OLAP技术应运而生。这是两种基于大量数据库或数据仓库的新型数据分析技术。
将其应用到财务决策领域则有利于提高决策的正确性、及时性，降低决策的风险。一、数据挖掘与OLAP1.数据挖掘关于数据挖掘，一种较为公认的定义是由G.Piatetsky-Shapiro等人提出的。
他们认为：数据挖掘是从大型数据库中提取人们感兴趣的知识，这些知识是隐含的、事先不知的，潜在有用的信息。数据挖掘涉及到机器学习、模式识别、统计学、智能数据库、知识获取、数据可视化、高性能计算、专家系统等各个领域。
它不仅面向特定数据库的简单检索查询调用，而且要对这些数据进行微观、中观乃至宏观的统计、分析、综合和推理，以指导实际问题的求解，企图发现事件间的相互关联，甚至利用已有的数据对未来的活动进行预测。这样一来，就把人们对数据的应用从低层次的末端查询操作，提高到为各级经营决策者提供决策支持。
2.OLAP联机分析处理（OLAP）的概念最早是由关系数据库之父E.F.Codd于1993年提出的，它是基于大型数据库或数据仓库的信息分析过程，是大型数据库或数据仓库的用户接口部分，其目的是满足决策支持或多维环境特定的查询和报表要求。简单地讲，OLAP就是共享多维信息的快速分析。
它是跨部门、面向主题的，其基本特点是快速性、可分析性、多维性、信息性和共享性。也就是说，OLAP能快速响应用户的要求，能处理与应用有关的任何逻辑分析和统计分析，能提供多维数据分析的多维视图，能及时获得信息和管理大容量的信息，以及能在大量用户群中共享潜在的数据。
其中“多维性”是其核心灵魂。3.数据挖掘与OLAP数据挖掘和OLAP都是基于大型数据库或数据仓库的数据分析技术，有着一定的联系和区别。
数据挖掘和OLAP最本质的区别在于，数据挖掘是一种挖掘性的分析工具，它主要是利用各种分析方法主动地去挖掘大量数据中蕴涵的规律，产生一些假设，帮助人们在这些假设的基础上更有效地进行决策；而OLAP则是一种求证性的分析工具，一般由用户预先设定一些假设，然后使用OLAP去验证这些假设，提供可以使用户很方便地进行数据分析的手段。但就工具而言，数据挖掘和OLAP这两种分析工具本身又是相辅相成的，且界限正在逐渐模糊。
OLAP的分析结果可以补充到系统知识库中，给数据挖掘提供分析信息并作为数据挖掘的依据；数据挖掘发现的知识可以指导OLAP的分析处理，拓展OLAP分析的深度，以便发现OLAP所不能发现的更为复杂、细致的信息。二、财务决策中应用数据挖掘、OLAP的必要性财务决策是企业决策中最重要的组成部分之一。
任何好的财务决策都需要事实和数字支持。一个财务决策的正确程度取决于所使用的事实和数字的正确程度。
随着竞争的增加，财务决策的时效性也变得越来越重要了。因此，在财务决策领域应用数据挖掘、OLAP是企业现实的需要。
1.有利于提高财务信息的利用能力。解决企业财务决策问题需要询问为中心的数据图解，其以序列导向和多维为特征。
而传统的财务数据查询是一种事务处理（OLTP），它是面向应用，支持日常操作的，对查询得到的数据信息缺乏分析能力，决策者不能够在大量历史数据的支持下对某一主题的相关数据进行多角度的比较、分析，得出科学的分析结果。因此，财务决策问题自身的多维特性驱动了数据挖掘、OLAP在其领域的应用，以提高财务信息的利用能力。
2.有利于解决财务信息的噪音问题。科学财务决策必须以尽可能真实、及时、充分的信息为依据。
这些信息既包括诸如企业目标、企业现状、事物状况等企业的内部资料，又包括诸如客户、供应商等企业的关联。
3.SAS数据挖掘与分析论文
SAS数据挖掘技术的实现
一、智能型的数据挖掘集成工具：SAS/EM
作为智能型的数据挖掘集成工具，SAS/EM的图形化界面、可视化操作可引导用户（即使是数理统计经验不太多的用户）按SEMMA原则成功地进行数据挖掘，用户只要将数据输入，经过SAS/EM运行，即可得到一些分析结果。有经验的专家还可通过修改数据调整分析处理过程。
SAS/EM可实现同数据仓库和数据集市、商务智能及报表工具的无缝集成，它内含完整的数据获取工具、数据取样工具、数据筛选工具、数据变量转换工具、数据挖掘数据库、数据挖掘过程以及数据挖掘评价工具。
二、基于传统统计算法的数据挖掘工具：SAS/INSIGHT、SAS/STAT以及SAS/ETS等
SAS/INSIGHT是一个可视化数据探索与分析工具，它将统计方法与交互式图形显示融合在一起，为用户提供全新的使用统计分析方法的环境。用户用SAS/INSIGHT可以考察单变量（或指标）的分布，显示多变量（或指标）数据，用回归分析、方差分析和广义线形模型等方法去建立模型。由于所有的图形和分析都是动态的，用户可以通过3D旋转图形来探索数据，并通过点击图形上的点来识别它们，方便快捷地增加或删除一些变量。用户还可以发现数据中的规律性，快捷地建立模型，并分析各指标间的关系。
SAS/STAT软件包中覆盖所有实用数理统计方法，提供多个过程进行不同类型模型与不同特点数据的回归分析，具有多种形式模型化的选择方法，可处理多种复杂数据，并为多种试验设计模型提供方差分析工具；它可处理一般线性模型和广义线性模型的专用过程，为主成分分析、典型相关分析、判别分析和因子分析提供许多专用过程；此外，它含有多种聚类准则的聚类分析方法，用户可利用SAS/STAT进行生存分析。
SAS/ETS拥有丰富的计量经济学和时间序列分析方法，是研究复杂系统和进行预测的有力工具。它提供方便的模型设定手段与多样的参数估计方法。
除此之外，SAS/OR可提供全面的运筹学方法，SAS/QC为全面质量管理提供一系列工具，SAS/IML提供功能强大的面向矩阵运算的编程语言。
在数据挖掘中使用哪种方法，用SAS软件包中什么方法来实现，主要取决于用户的数据集的特征和要实现的目标。实际上，选择不是惟一的，用户不妨多试几种方法，从实践中选出最适合自己的方法和软件。
除了使用SAS的开发工具以外，用户还可选择其他厂商的开发工具，将SAS提供的数据挖掘功能通过界面集成起来，实现用户定制的数据挖掘应用。
三、产品应用范围
SAS数据挖掘软件广泛应用于客户关系管理、金融风险防范、供应关系管理、数据库营销及竞争优势分析等方面。据悉，SAS新近推出了专用于网络流量分析的最新软件产品e-Discovery和webHound，可对优化网站的结构起到非常有效的作用。
4.求一篇关于数据分析的课程设计论文
希望能够帮到你：毕业设计不同于毕业论文，它的组成部分不只是一篇学术论文，我们拿“机械毕业设计”举例：随着科技发展的进步，各大高校对机械毕业设计的内容提出了一定的要求，2004年以前设计内容一般包括：毕业设计图纸+说明书（毕业论文），2005年以后国家教育部门提出新的要求，结合工厂需求加入了三维设计，模拟仿真，及程序分析研究。
其中包括：毕业设计图纸（三维“UG ,PRO/E,CAM,CAXA,SWOLIDWORD”+CAD二维工程图）+开题报告+任务书+实习报告+说明书正文。这足够的说明了做一份优质的毕业设计是要付出相当的努力！高等学校技术科学专业及其他需培养设计能力的专业或学科应届毕业生的总结性独立作业。
要求学生针对某一课题，综合运用本专业有关课程的理论和技术，作出解决实际问题的设计。毕业设计是高等学校教学过程的重要环节之一。
相当于一般高等学校的毕业论文。目的是总结检查学生在校期间的学习成果，是评定毕业成绩的重要依据；同时，通过毕业设计，也使学生对某一课题作专门深入系统的研究，巩固、扩大、加深已有知识，培养综合运用已有知识独立解决问题的能力。
毕业设计也是学生走上国家建设岗位前的一次重要的实习。一些国家根据学生的毕业设计，授予一定的学衔。
如建筑师、农艺师、摄影师等。中国把毕业设计和毕业考试结合起来，作为授予学士学位的依据。
目的要求目的毕业设计公开答辩会毕业设计公开答辩会（1）培养学生综合运用所学知识，结合实际独立完成课题的工作能力。（2）对学生的知识面，掌握知识的深度，运用理论结合实际去处理问题的能力，实验能力，外语水平，计算机运用水平，书面及口头表达能力进行考核。
要求（1）要求一定要有结合实际的某项具体项目的设计或对某具体课题进行有独立见解的论证，并要求技术含量较高；（2）设计或论文应该在教学计划所规定的时限内完成；（3）书面材料：框架及字数应符合规定。基本步骤编辑确定课题选题是毕业设计的关健。
一个良好的课题，能强化理论知识及实践技能，使学生充分发挥其创造力，圆满地完成毕业设计。毕业设计的课题可从以下几个方面综合考虑：（1）有利于综合学生所学知识。
（2）能结合学科特点。（3）尽可能联系实际。
（4）有一定的应用价值。根据以上要求，可以考虑从下面一些角度挖掘课题：（1）学科教学的延伸。
例如：结合电气控制线路，要求学生设计机械动力头控制电路并安装调试。结合数字电路进行逻辑电路的设计与装接。
（2）多学科的综合。结合某专业学科确定一个综合课题，假如课题较大，可分解为几个子课题，交由不同的小组完成，最后再整合成一个完整的课题。
例如，机电专业可设计以下课题：大型城市的交通信号灯指示。这个课题就可分为以下两个子课题：PLC控制的信号灯显示、信号长短计时的时钟电路。
（3）结合生产实际。学校可以和一些单位联合，共同开发一批有实用价值、适合学生设计的课题，甚至可以以某些单位的某项生产任务作为设计课题。
学校应注重课题资料的积累，尽量选取最适合教学内容又贴近生产实际的课题，完成资料库的建设，为今后课题的不断完善创造良好的基础。项目分析毕业设计需对一个即将进行开发的项目的一部份进行系统分析（需求分析，平台选型，分块，设计部分模块的细化）。
这类论文的重点是收集整理应用项目的背景分析，需求分析，平台选型，总体设计（分块），设计部分模块的细化，使用的开发工具的内容。论文结构一般安排如下： 1）引言（重点描述应用项目背景，项目开发特色，工作难度等） ；2）项目分析设计（重点描述项目的整体框架，功能说明，开发工具简介等）；3）项目实现（重点描述数据库设计结果，代码开发原理和过程，实现中遇到和解决的主要问题，项目今后的维护和改进等，此部分可安排两到三节）；4）结束语。
指导设计指导教师布置给学生任务后，要指导学生分析课题，确定设计思路，充分利用技术资料，注重设计方法和合理使用工具书。学生设计时应注重理论与实际的差距，充分考虑设计的可行性。
指导教师要注重学生完成任务的质量和速度，及时指出其存在的不足，启发其独立思考。在设计过程中，应指导学生养成良好的安全意识和严谨的工作作风。
设计完成后应撰写毕业设计论文，对自己的设计过程作全面的总结。组织答辨答辨是检查学生毕业设计质量的一场“口试”。
通过这一形式，有助于学生进一步总结设计过程，检验毕业设计论文及图纸毕业设计论文及图纸其应变能力及自信心，为真正走上社会打下坚实的基础。答辩主要考查学生的一些专业基础知识和基本理论。
答辩的过程实际上也是帮助学生总结的过程。教师要积极引导学生总结在设计过程中积累起来的经验，分析设计效果，找出不足以及改进方法，帮助学生把实践转化成自己的知识和技能。
通过答辩，也有助于学生提高应变能力及自信心，为真正走上社会打下坚实的基础。评定成绩评定成绩的根据主要有两个方面：一是毕业设计的质量；二是答辩的表现，而答辩的表现不低于毕业设计的质量。
优秀：按期圆满完成任务。
数据挖掘应用毕业论文
1.求数据挖掘的论文
数据挖掘、OLAP在财务决策中的应用杨春华（杭州商学院财务与会计学院，杭州，310012）[摘要]数据挖掘、OLAP是当前基于大型数据库或数据仓库的新型信息分析技术，在许多领域得到广泛应用，取得了很好的成效。
如何将其应用于财务决策以提高决策的正确性、及时性，降低决策的风险，已成为财务管理领域的重要研究课题。本文在介绍数据挖掘、OLAP技术及其相互关系的基础上，分析了财务决策领域应用这两种技术的现实必要性，并进一步论述了财务决策中数据挖掘和OLAP的应用流程。
[Abstract]In this paper, the author introduced Data Mining and OLAP at first. And then, the author analyzed the practical necessity for the firms to apply these two techniques in the area of financial decision-making. In the end, the author brought forward the flow of the appliance.[关键词]数据挖掘，联机分析处理，财务决策[Key words]Data Mining,OnLine Analysis Process(OLAP),Financial Decision-making正文随着计算机技术和Internet技术的发展，以及企业在以往事务型处理中数据的不断积累，一方面企业数据资源日益丰富，信息超载，另一方面数据资源中蕴涵的知识企业却至今未能得到充分的挖掘和利用，“数据丰富而知识贫乏”是常见现象。如何才能不被信息的汪洋大海所淹没，并能从中及时发现有用的知识，提高信息的利用效率，已成为企业急需面对的一个问题。
正是在这种背景下，数据挖掘、OLAP技术应运而生。这是两种基于大量数据库或数据仓库的新型数据分析技术。
将其应用到财务决策领域则有利于提高决策的正确性、及时性，降低决策的风险。一、数据挖掘与OLAP1.数据挖掘关于数据挖掘，一种较为公认的定义是由G.Piatetsky-Shapiro等人提出的。
他们认为：数据挖掘是从大型数据库中提取人们感兴趣的知识，这些知识是隐含的、事先不知的，潜在有用的信息。数据挖掘涉及到机器学习、模式识别、统计学、智能数据库、知识获取、数据可视化、高性能计算、专家系统等各个领域。
它不仅面向特定数据库的简单检索查询调用，而且要对这些数据进行微观、中观乃至宏观的统计、分析、综合和推理，以指导实际问题的求解，企图发现事件间的相互关联，甚至利用已有的数据对未来的活动进行预测。这样一来，就把人们对数据的应用从低层次的末端查询操作，提高到为各级经营决策者提供决策支持。
2.OLAP联机分析处理（OLAP）的概念最早是由关系数据库之父E.F.Codd于1993年提出的，它是基于大型数据库或数据仓库的信息分析过程，是大型数据库或数据仓库的用户接口部分，其目的是满足决策支持或多维环境特定的查询和报表要求。简单地讲，OLAP就是共享多维信息的快速分析。
它是跨部门、面向主题的，其基本特点是快速性、可分析性、多维性、信息性和共享性。也就是说，OLAP能快速响应用户的要求，能处理与应用有关的任何逻辑分析和统计分析，能提供多维数据分析的多维视图，能及时获得信息和管理大容量的信息，以及能在大量用户群中共享潜在的数据。
其中“多维性”是其核心灵魂。3.数据挖掘与OLAP数据挖掘和OLAP都是基于大型数据库或数据仓库的数据分析技术，有着一定的联系和区别。
数据挖掘和OLAP最本质的区别在于，数据挖掘是一种挖掘性的分析工具，它主要是利用各种分析方法主动地去挖掘大量数据中蕴涵的规律，产生一些假设，帮助人们在这些假设的基础上更有效地进行决策；而OLAP则是一种求证性的分析工具，一般由用户预先设定一些假设，然后使用OLAP去验证这些假设，提供可以使用户很方便地进行数据分析的手段。但就工具而言，数据挖掘和OLAP这两种分析工具本身又是相辅相成的，且界限正在逐渐模糊。
OLAP的分析结果可以补充到系统知识库中，给数据挖掘提供分析信息并作为数据挖掘的依据；数据挖掘发现的知识可以指导OLAP的分析处理，拓展OLAP分析的深度，以便发现OLAP所不能发现的更为复杂、细致的信息。二、财务决策中应用数据挖掘、OLAP的必要性财务决策是企业决策中最重要的组成部分之一。
任何好的财务决策都需要事实和数字支持。一个财务决策的正确程度取决于所使用的事实和数字的正确程度。
随着竞争的增加，财务决策的时效性也变得越来越重要了。因此，在财务决策领域应用数据挖掘、OLAP是企业现实的需要。
1.有利于提高财务信息的利用能力。解决企业财务决策问题需要询问为中心的数据图解，其以序列导向和多维为特征。
而传统的财务数据查询是一种事务处理（OLTP），它是面向应用，支持日常操作的，对查询得到的数据信息缺乏分析能力，决策者不能够在大量历史数据的支持下对某一主题的相关数据进行多角度的比较、分析，得出科学的分析结果。因此，财务决策问题自身的多维特性驱动了数据挖掘、OLAP在其领域的应用，以提高财务信息的利用能力。
2.有利于解决财务信息的噪音问题。科学财务决策必须以尽可能真实、及时、充分的信息为依据。
这些信息既包括诸如企业目标、企业现状、事物状况等企业的内部资料，又包括诸如客户、供应商等企业的关联。
2.急求有关数据挖掘方面的毕业论文题目
寿险行业数据挖掘应用分析
寿险是保险行业的一个重要分支，具有巨大的市场发展空间，因此，随着寿险市场的开放、外资公司的介入，竞争逐步升级，群雄逐鹿已成定局。如何保持自身的核心竞争力，使自己始终立于不败之地，是每个企业必须面对的问题。信息技术的应用无疑是提高企业竞争力的有效手段之一。寿险信息系统经过了多年的发展，已逐步成熟完善，并积累了相当数量的数据资源，为数据挖掘提供了坚实的基础，而通过数据挖掘发现知识，并用于科学决策越来越普遍受到寿险公司的重视。
数据挖掘
数据挖掘（Data Mining,DM）是指从大量不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、有用的信息和知识的过程。其表现形式为概念（Concepts）、规则（Rules）、模式（Patterns）等形式。
目前业内已有很多成熟的数据挖掘方法论，为实际应用提供了理想的指导模型。CRISP-DM(Cross-Industry Standard Process for Data Mining)就是公认的、较有影响的方法论之一。CRISP-DM强调，DM不单是数据的组织或者呈现，也不仅是数据分析和统计建模，而是一个从理解业务需求、寻求解决方案到接受实践检验的完整过程。CRISP-DM将整个挖掘过程分为以下六个阶段：商业理解（Business Understanding），数据理解（Data Understanding），数据准备（Data Preparation），建模（Modeling），评估（Evaluation）和发布（Deployment）。
商业理解就是对企业运作、业务流程和行业背景的了解；数据理解是对现有企业应用系统的了解；数据准备就是从企业大量数据中取出一个与要探索问题相关的样板数据子集。建模是根据对业务问题的理解，在数据准备的基础上，选择一种更为实用的挖掘模型，形成挖掘的结论。评估就是在实际中检验挖掘的结论，如果达到了预期的效果，就可将结论发布。在实际项目中，CRISP-DM模型中的数据理解、数据准备、建模、评估并不是单向运作的，而是一个多次反复、多次调整、不断修订完善的过程。
行业数据挖掘
经过多年的系统运营，寿险公司已积累了相当可观的保单信息、客户信息、交易信息、财务信息等，也出现了超大规模的数据库系统。同时，数据集中为原有业务水平的提升以及新业务的拓展提供了条件，也为数据挖掘提供了丰厚的土壤。
根据CRISP-DM模型，数据挖掘首先应该做的是对业务的理解、寻找数据挖掘的目标和问题。这些问题包括：代理人的甄选、欺诈识别以及市场细分等，其中市场细分对企业制定经营战略具有极高的指导意义，它是关系到企业能否生存与发展、企业市场营销战略制定与实现的首要问题。
针对寿险经营的特点，我们可以从不同的角度对客户群体进行分类归纳，从而形成各种客户分布统计，作为管理人员决策的依据。从寿险产品入手，分析客户对不同险种的偏好程度，指导代理人进行重点推广，是比较容易实现的挖掘思路。由于国内经济发展状况不同，各省差异较大，因此必须限定在一个经济水平相当的区域进行分析数据的采样。同时，市场波动也是必须要考虑的问题，一个模型从建立到废弃有一个生命周期，周期根据模型的适应性和命中率确定，因此模型需要不断修订。
挖掘系统架构
挖掘系统包括规则生成子系统和应用评估子系统两个部分。
规则生成子系统主要完成根据数据仓库提供的保单历史数据，统计并产生相关规律，并输出相关结果。具体包括数据抽取转换、挖掘数据库建立、建模（其中包括了参数设置）、模型评估、结果发布。发布的对象是高层决策者，同时将模型提交给应用评估子系统.根据效果每月动态生成新的模型。
应用评估子系统可以理解为生产系统中的挖掘代理程序，根据生成子系统产生的规则按照一定的策略对保单数据进行非类预测。通过系统的任务计划对生产数据产生评估指标。具体包括核心业务系统数据自动转入数据平台、规则实时评估、评估结果动态显示、实际效果评估。规则评估子系统根据规则进行检测。经过一段时间的检测，可利用规则生成子系统重新学习，获得新的规则，不断地更新规则库，直到规则库稳定。
目前比较常用的分析指标有： 险种、交费年期、被保人职业、被保人年收入、被保人年龄段、被保人性别、被保人婚姻状况等。
实践中，可结合实际数据状况，对各要素进行适当的取舍，并做不同程度的概括，以形成较为满意的判定树，产生可解释的结论成果。
3.综述数据挖掘的应用及发展趋势
你的论文题？有字数要求么？
数据挖掘（Data Mining）自1995年在KDD(Knowledge Discover in Database)国际学术会议上由Usama Fayyad首次提出后， 已成为当下最流行的词语之一. 不仅是因为其炫丽的技术， 它给商业社会带来了无限的影响，尤其是在如银行、电信、保险、交通、零售（如超级市场）等商业领域。数据挖掘所能解决的典型商业问题包括：数据库营销（Database Marketing）、客户群体划分（Customer Segmentation & Classification）、背景分析（Profile Analysis）、交叉销售（Cross-selling）等市场分析行为，以及客户流失性分析（Churn Analysis）、客户信用记分（Credit Scoring）、欺诈发现（Fraud Detection）等等。
至于发展趋势嘛，目前IBM打出了"智慧地球"的战略，其本质就是数据分析与数据挖掘。为了实现战略目标，IBM在近几年经济萧条期间通过大量的收购并购来构筑自己的软件和服务竞争力：2007年50亿刀收购cognos构筑自己的在线联机分析能力；2009年12亿刀收购统计分析软件SPSS（也就是数据挖掘软件）；2010年17亿刀收购数据仓库集成平台Netezza；通过观察IBM，对该行业的发展趋势可见一斑，而数据挖掘作为数据的“终极”应用，也将会成为未来行业的新宠
另外，华尔街的金融学家基本都是数据挖掘的好手（数据挖掘的原理就是数理统计分析）
如果想了解更多，可以参考韩家炜的《数据挖掘概念与技术》吧，这个比较权威。
转载请注明出处众文网 » 数据挖掘方面的毕业论文选题