本論文就中等職業技術學校招生信息管理系統的設置及決策分析模塊中應用的數據挖掘技術進行了有益的探索和研究。

數據倉庫中的數據并不要求與聯機事務處理系統保持實時同步，因此數據抽取可以定時進行，但多個抽取操作執行的時間、相互的順序、成敗對數據倉庫中信息的有效性則至關重要。

優化全分行報表生成、報送、管理和使用體系，省分行管理部門所需報表統一歸口信息中心生成、報送、管理和發布，凡是省分行數據倉庫可以生成的報表由系統自動生成，系統缺乏數據的報表，由信息中心歸納整理成相關指標，通過管理信息平臺的指標報送系統收集數據后再由系統自動生成；實現資產負債分析、經營業績分析、客戶分析、信貸風險分析和財務分析五個方面的專題統計分析，并為將來引進決策分析模型進行決策支持奠定基礎。

這份文件的重點在于描述所有對浙商銀行決策分析環境有用的系統和組成部分。在項目實施過程中，將提供一份關于需要客戶化開發的組成部件的詳細說明，和現有組成部件的總結性描述。

淺談專家系統應用與發展摘要：專家系統作為人工智能應用研究的課題之一在各個領域得到廣泛應用，但也存在一些突出問題限制了其進一步的發展。本文就專家系統的應用領域和研究熱點及其存在問題作了討論，并提出了新型專家系統的一些特點，指出發展新型專家系統是很有必要的。

管理信息系統（MIS）為信息處理提供強大的數據處理和存儲能力。早期信息系統主要是為實現業務而建立的，根據業務的需要建立大量獨立的系統。多個獨立的系統間要交互數據很困難，出現了“抽取”的模式。其特點是與信息系統無關，直接對信息系統的數據源進行“抽取”。

國際權威的學術組織the IEEE International Conference on Data Mining (ICDM) 2006年12月評選出了數據挖掘領域的十大經典算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART. 不僅僅是選中的十大算法，其實參加評選的18種算法，實際上隨便拿出一種來都可以稱得上是經典算法，它們在數據挖掘領域都產生了極為深遠的影響。

聯機事務處理系統（On-line Transaction Processing）OLTP系統：也稱為生產系統，它是事件驅動、面向需求的，比如銀行的儲蓄系統就是一個典型的OLTP系統。 OLTP在使用過程中積累了大量的數據。 關系數據庫概念提出之后，聯機事務處理一直是數據庫應用的主流。

kettle 資源庫的創建

　數據倉庫概念始于本世紀80年代中期，首次出現是在號稱“數據倉庫之父”William H.Inmon的《建立數據倉庫》一書中。隨著人們對大型數據系統研究、管理、維護等方面的深刻識認和不斷完善，在總結、豐富、集中多行企業信息的經驗之后，為數據倉庫給出了更為精確的定義，即“數據倉庫是在企業管理和決策中面向主題的、集成的、與時間相關的、不可修改的數據集合”。

摘要：數據挖掘技術從一開始就是面向應用的。目前，在很多領域，數據挖掘都是一個很時髦的詞，尤其是在如銀行、電信、保險、交通、零售（如超級市場）等商業領域。數據挖掘所能解決的典型商業問題包括：數據庫營銷、客戶群體劃分、背景分析、交叉銷售等市場分析行為，以及客戶流失性分析、客戶信用記分、欺詐發現等等。

在本項目建議書的編寫過程中，微軟公司按照基礎架構優化模型，對華宇物流的基礎架構和執行流程進行了評估。微軟、TNT和華宇物流人員組成的團隊據此編寫了一系列的建議來達到更加優化的運營狀態。對這些建議的執行和部署可以通過華宇物流的內部資源、或者外包給微軟服務或合作伙伴來執行。<br> 這份建議書總結了基礎架構評估的結果，提出了一個部署微軟SQL服務器的計劃。通過部署微軟SQL服務器，可以改善報表管理和分析方面的成熟度。<br> 微軟基礎架構優化模型是利用企業客戶的最佳實踐，結合微軟的經驗總結而成。它基于Garter集團的基礎架構成熟度模型和麻省理工學院的架構成熟度模型。微軟創立基礎架構優化模型的目標是建立一個簡單靈活的成熟度框架，用于衡量技術能力和業務價值，并且，客戶可以以此為基礎來設計和計劃自身的基礎架構。

數據倉庫與數據挖掘綜述。概念、體系結構、趨勢、應用報告人：王建慧2011年12月30日提綱數據倉庫概念數據倉庫體系結構及組件數據倉庫設計數據倉庫技術（與數據庫技術的區別）數據倉庫性能數據倉庫應用數據挖掘應用概述數據挖掘技術與趨勢數據挖掘應用平臺（科委申請項目）數據倉庫概念基本概念對數據倉庫的一些誤解基本概念。

WEKA的全名是懷卡托智能分析環境（Waikato Environment for Knowledge Analysis），它的源代碼可通過http://www.cs.waikato.ac.nz/ml/weka得到。同時weka也是新西蘭的一種鳥名，而WEKA的主要開發者來自新西蘭。 WEKA作為一個公開的數據挖掘工作平臺，集合了大量能承擔數據挖掘任務的機器學習算法，包括對數據進行預處理，分類，回歸、聚類、關聯規則以及在新的交互式界面上的可視化。 如果想自己實現數據挖掘算法的話，可以看一看weka的接口文檔。在weka中集成自己的算法甚至借鑒它的方法自己實現可視化工具并不是件很困難的事情。

在一般的數據倉庫應用系統中，根據系統體系結構的不同，數據倉庫設計的內容和范圍不盡相同，并且設計方法也不盡相同，下面的兩幅圖示分別表示帶有ODS的數據倉庫應用系統體系結構和不帶ODS的數據倉庫應用系統體系結構。本文將說明兩個體系結構上的差異以及這種差異造成的設計方法的不同，并且重點介紹帶有ODS的體系結構中數據倉庫的設計方法。

____隨著C/S技術的成熟和并行數據庫的發展,信息處理技術的發展趨勢是:從大量的事務型數據庫中抽取數據,并將其清理、轉換為新的存儲格式,即為決策目標把數據聚合在一種特殊的格式中。隨著此過程的發展和完善,這種支持決策的、特殊的數據存儲即被稱為數據倉庫(Data Warehouse, DW)。

數據倉庫與數據挖掘綜述概念、體系結構、趨勢、應用2004年6月7日提綱數據倉庫概念數據倉庫體系結構及組件數據倉庫設計數據倉庫技術（與數據庫技術的區別）數據倉庫性能數據倉庫應用數據挖掘應用概述數據挖掘技術與趨勢數據挖掘應用平臺（科委申請項目）數據倉庫概念基本概念對數據倉庫的一些誤解基本概念—數據倉庫。

數據挖掘是致力于數據分析和理解、揭示數據內部蘊藏知識的技術，它成為未來信息技術應用的重要目標之一。經過十幾年的努力，數據挖掘產生了許多新概念和方法。特別是最近幾年，一些基本概念和方法趨于清晰，它的研究正向著更深入的方向發展。像其它新技術的發展歷程一樣，數據挖掘技術也必須經過概念提出、概念接受、廣泛研究和探索、逐步應用和大量應用等階段。從目前的現狀看，大部分學者認為數據挖掘的研究仍然處于廣泛研究和探索階段，迫切需要在基礎理論、應用模式、系統構架以及挖掘算法和挖掘語言等方面進行創新。關聯規則挖掘是數據挖掘中成果頗豐而且比較活躍的研究分支，留給研究者的是更深入的課題。面對大型數據庫，關聯規則挖掘需要在挖掘效率、可用性、精確性等方面得到提升。因此，需要探索新的挖掘理論和模型；需要利用用戶的約束等聚焦挖掘目標；需要對一些傳統的算法進行改進；也需要研究新的更有效的算法等。鑒于目前數據挖掘技術和關聯規則挖掘研究的現狀和發展趨勢，在各類基金的支持下，我們選擇了這一課題開展相關工作。

該文在這些研究的基礎上,介紹了一種基于網格平臺的分布式頻繁模式挖掘算法。 引言隨著市場競爭的日益激烈，數據倉庫的應用也越來越廣泛。采用數據倉庫的企業有兩個前提條件，一是企業存在大量數據，二是企業處在競爭的環境中。 要想在當今社會激烈的競爭環境下迅速、長足的發展，建立起一套自己的"數字神經系統"是必要的，即通過各路"神經" 對外界環境變化的迅速感知傳輸至"大腦"中樞，然后將經中樞處理得出的應對及預防措施及時反饋給各路"神經"。所以必須搭建起企業當前和今后發展的綜合軟件應用平臺，優化工作流程，提高企業整體工作效率，及時掌握影響企業運作的關鍵指標與決策依據、突發事件、重大事件及關系緊密的行業、專業、市場信息，做到"信息掌握及時，管理高效順暢"。

Kettle是”kettle E.T.T.L Envirnonment”首字母縮寫，這意味著設計實現ETL需要：抽取，轉換，裝入和加載數據。Spoon是一個圖形用戶界面，它允許運行轉換或者任務，其中轉換是用pan工具來運行，任務是用Kitchen來運行。