论文部分内容阅读
摘要：近些年来，物联网以及移动通信互联网技术的突飞猛进，使得人类社会有着翻天覆地的变化，海量数据同时也呈现爆炸式的增长，加快了大数据时代的发展。对于如何从海量数据中提取价值的信息始终是各个企业部门关注的焦点之一。本研究则对计算机数据挖掘技术展开研究。
关键词：计算机；数据挖掘；技术
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2017）01-0257-02
随着人类进入信息化时代，越来越多的数据需要处理，人类进入“大数据时代”，人类对信息的掌握达到前所未有的速度、厚度、细度和准确度。面对大量的数据，对这些数据进行挖掘和分析，并将这些运用到各行各业的发展中，推动社会的不断发展，成为当今大数据时代的必行之路。在此环境下计算机数据挖掘技术也有广泛应用及发展。
1大数据挖掘技术的应用及发展
数据挖掘的实际应用功能大致分为分类去隔法、推算预测法、序列规则法等三类。具体又分为分类、聚类、回归、时间、关联、序列六个分项。数据挖掘利用这些分项功能对大量数据进行挖掘，发现那些被隐藏的信息对于社会的发展有巨大潜在价值[1]。
数据挖掘过程是一个复杂的建模过程。大量的复杂数据为建模提供依据，各种数理模型能够对大量数据进行有效的分析和整理，从而获取有用的信息数据帮助用户了解情况，为客户划分市场寻找对策提供最基础最有效的数据支持。在数据挖掘中也需要得到相关知识及技术的支持。数据挖掘过程是一个复杂而细致的过程，数据挖掘过程还需要联机分析与处理系统、专家系统及模式识别系统等科学方法的支持。数据挖掘是一种运用数据搜素技术分析整理企业所需技术的方法[2]。规律性的联系被隐藏在大量的数据中，数据挖掘就是把这种隐藏关系进行搜索和分析，在数据挖掘过程中，通过数据建模对大量数据进行分析，利用数据模型把隐藏在大量数据之中的关联性、规律性从数据中提取出来。
当今社会已经进入大数据时代，从数据的发展现状来看，工业、农业以及军事等各行各业的信息化发展环境下，必定会出现海量信息数据需要处理，这就对数据挖掘和数据分析提出更高的要求。随着社会的发展，数据在不断地增加和更新，数据挖掘和分析的技术也在不断的进步。现行条件下数据分析方法大致分为描述性分析、推断性分析、差异性分析、相关性分析、预测分析五大类。这几种数据分析方法相互配合，为企业或机构的发展和需求提供必要的数据分析结构和信息资源，促进企业或机构的高效管理和竞争力[3]。
大数据处理中，应用系统的根本建设，纪要做好融合式架构结构的合理应用，在客户/服务器架构的应用中，服务器主要是实现整个应用系统的一种管理和控制，在调度的过程中，实现相关程序逻辑数据的应用。客户端往往是在用户交互的全面输入和输出过程中，对相关的任务进行完成，并结合客户点的服务器请求发出，借助于服务器的实现过程。融合式的协同，在实际的架构应用中，有着简单性的基本特点，实际的维护过程中，对于服务器依赖性相对较强，并对于整个系统的有着直接性的维护过程[4]。
分散式的架构应用中，通过做好节点的协同控制，在系统的相关控制管理过程中，注重客户段模块的分散，在系统自治实现中，始终本着灵活性和开放性的基本特点，做好数据分布存储，实现各个系统的一种独立处理。混合式结构在实际的应用中，将数据信息的一致性维护综合实现，并做好用户管理和信息的全面转发，而用户和客户端实现的交互过程中，注重客户段计算机资源的充分利用，将服务器的工作压力有效减轻，并将服务器的瓶颈效应有效减轻，实现系统的一种灵活性运动，实现系统信息的一致性发展和应用[5]。
2计算机数据深度挖掘实现对策
在企业发展过程中，必须要有效开发大数据资源，在此环境下也就出现了数据深度挖掘。企业中具有海量宝贵数据资源，这些资源的有效应用对其企业发展具有重要作用，因此均希望能够在海量数据中提取有效信息。其中深度数据挖掘则可以分成三个阶段，分别是：准备阶段、挖掘阶段和结果表达解释工作。在数据挖掘过程中有关联分析、聚类分析和演变态势分析等多种方式，可以依照数据的不同特点，構建相应的分类模型，这样不但能够详细分析数据种类，并且还能够实现数据状态细化，从而制定相应的营销对策，确定更具有价值的客户群体。在上进行数据分类之前可以首先进行评估，之后基于评估结果实施数据预分类，并再次进行优化修正[6]。
数据预测具有重要应用价值，在数据深度挖掘中是一个重要流程，同时在数据挖掘中也具有高级应用价值。预测不但是进行大数据估计，主要是要实现大数据的准确预判，预测需要对之前所收集的信息数据进行分类整理，抽象性分析现实世界中的应用价值，从而构建初步模型。之后既可以从信度和效度两方面实现数据模型的相关检验，以能够显著提升模型的准确性。构建模型本身也就属于是一个数据模拟过程，主要作用也就是通过数据进行企业未来的发展趋势预测，并最大化的提高其预测结果的准确性。所收集的信息数据属于是过去，所代表的也只能是过去，但是在数据模型下则可以对这些数据的基本机制找出，从而对未来起到预测作用。过去的数据不但能够代表过去，同时对于未来预测也具有重要价值。数据预测本身具有一定复杂性，据不完全统计，数据预测方法已经有几百种模型，常用模型就能够达到好几十种，所以对于数据预测模型则还需要进一步优化改进。现实世界相当复杂，目前数据模型预测技术已经迅速发展，但是要对其作用有全面认识，预测并不能够彻底代表现实，目前已经存在的模型则无法有效满足当前业务所需。在当前企业中常用的模型中种类比较多，其中有AR模型、MA模型以及非线性回归等预测模型。同时也会应用到专业级统计应用软件，包括有SPSS、MATLAB以及矩阵实验室等等，进一步方便进行数据深度挖掘。
3计算机数据精细管理
数据挖掘技术的应用能够显著提升企业的洞察力，大数据的精细化管理能够为企业提供重要保障。当前，只有在大型企业中才出现大数据的精细管理，特别是在一些互联网或其他高科技企业，大数据深度挖掘技术无法满足企业海量数据处理要求。就算是有些企业有数十年的数据量，但是依旧没有实现大数据水平。在企业发展中，不管是经济利润还是客户为中心，大数据精细管理均能够产生相应的促进作用，从而确保企业健康发展。大数据精细管理则能够为企业管理提供重要参考意见，为企业市场竞争发展提供理论支持。
4 结束语
“大数据”这个概念虽然在近几年内才出现，但是这个概念却迅速地被世界各地人民所接受和应用。大数据挖掘和分析技术需要各地人民进行努力。我国在大数据挖掘和分析的道路上需要加强对大数据的获取与掌握的重视，加快对大数据挖掘和分析。
参考文献：
[1] 余方兴.浅谈计算机数据挖掘[J].计算机光盘软件与应用，2013（14）：298-298，300.
[2] 宋伟莹.计算机病毒数据库的修改和挖掘[J].军民两用技术与产品，2016（4）：47-47，48.
[3] 栾华，周明全，付艳等.多核处理器上的频繁图挖掘方法[J].计算机研究与发展，2015（12）：2844-2856.
[4] 毛国君，宗东军.基于多维数据流挖掘技术的入侵检测模型与算法[J].计算机研究与发展，2009，46（4）：602-609.
[5] 林培利.浅析计算机数据挖掘技术在煤矿行业中的应用[J].江西建材，2014（9）：229-229.
[6] 刘春娟.浅谈计算机数据挖掘[J].电子测试，2014（6）：35-36，14.
关键词：计算机；数据挖掘；技术
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2017）01-0257-02
随着人类进入信息化时代，越来越多的数据需要处理，人类进入“大数据时代”，人类对信息的掌握达到前所未有的速度、厚度、细度和准确度。面对大量的数据，对这些数据进行挖掘和分析，并将这些运用到各行各业的发展中，推动社会的不断发展，成为当今大数据时代的必行之路。在此环境下计算机数据挖掘技术也有广泛应用及发展。
1大数据挖掘技术的应用及发展
数据挖掘的实际应用功能大致分为分类去隔法、推算预测法、序列规则法等三类。具体又分为分类、聚类、回归、时间、关联、序列六个分项。数据挖掘利用这些分项功能对大量数据进行挖掘，发现那些被隐藏的信息对于社会的发展有巨大潜在价值[1]。
数据挖掘过程是一个复杂的建模过程。大量的复杂数据为建模提供依据，各种数理模型能够对大量数据进行有效的分析和整理，从而获取有用的信息数据帮助用户了解情况，为客户划分市场寻找对策提供最基础最有效的数据支持。在数据挖掘中也需要得到相关知识及技术的支持。数据挖掘过程是一个复杂而细致的过程，数据挖掘过程还需要联机分析与处理系统、专家系统及模式识别系统等科学方法的支持。数据挖掘是一种运用数据搜素技术分析整理企业所需技术的方法[2]。规律性的联系被隐藏在大量的数据中，数据挖掘就是把这种隐藏关系进行搜索和分析，在数据挖掘过程中，通过数据建模对大量数据进行分析，利用数据模型把隐藏在大量数据之中的关联性、规律性从数据中提取出来。
当今社会已经进入大数据时代，从数据的发展现状来看，工业、农业以及军事等各行各业的信息化发展环境下，必定会出现海量信息数据需要处理，这就对数据挖掘和数据分析提出更高的要求。随着社会的发展，数据在不断地增加和更新，数据挖掘和分析的技术也在不断的进步。现行条件下数据分析方法大致分为描述性分析、推断性分析、差异性分析、相关性分析、预测分析五大类。这几种数据分析方法相互配合，为企业或机构的发展和需求提供必要的数据分析结构和信息资源，促进企业或机构的高效管理和竞争力[3]。
大数据处理中，应用系统的根本建设，纪要做好融合式架构结构的合理应用，在客户/服务器架构的应用中，服务器主要是实现整个应用系统的一种管理和控制，在调度的过程中，实现相关程序逻辑数据的应用。客户端往往是在用户交互的全面输入和输出过程中，对相关的任务进行完成，并结合客户点的服务器请求发出，借助于服务器的实现过程。融合式的协同，在实际的架构应用中，有着简单性的基本特点，实际的维护过程中，对于服务器依赖性相对较强，并对于整个系统的有着直接性的维护过程[4]。
分散式的架构应用中，通过做好节点的协同控制，在系统的相关控制管理过程中，注重客户段模块的分散，在系统自治实现中，始终本着灵活性和开放性的基本特点，做好数据分布存储，实现各个系统的一种独立处理。混合式结构在实际的应用中，将数据信息的一致性维护综合实现，并做好用户管理和信息的全面转发，而用户和客户端实现的交互过程中，注重客户段计算机资源的充分利用，将服务器的工作压力有效减轻，并将服务器的瓶颈效应有效减轻，实现系统的一种灵活性运动，实现系统信息的一致性发展和应用[5]。
2计算机数据深度挖掘实现对策
在企业发展过程中，必须要有效开发大数据资源，在此环境下也就出现了数据深度挖掘。企业中具有海量宝贵数据资源，这些资源的有效应用对其企业发展具有重要作用，因此均希望能够在海量数据中提取有效信息。其中深度数据挖掘则可以分成三个阶段，分别是：准备阶段、挖掘阶段和结果表达解释工作。在数据挖掘过程中有关联分析、聚类分析和演变态势分析等多种方式，可以依照数据的不同特点，構建相应的分类模型，这样不但能够详细分析数据种类，并且还能够实现数据状态细化，从而制定相应的营销对策，确定更具有价值的客户群体。在上进行数据分类之前可以首先进行评估，之后基于评估结果实施数据预分类，并再次进行优化修正[6]。
数据预测具有重要应用价值，在数据深度挖掘中是一个重要流程，同时在数据挖掘中也具有高级应用价值。预测不但是进行大数据估计，主要是要实现大数据的准确预判，预测需要对之前所收集的信息数据进行分类整理，抽象性分析现实世界中的应用价值，从而构建初步模型。之后既可以从信度和效度两方面实现数据模型的相关检验，以能够显著提升模型的准确性。构建模型本身也就属于是一个数据模拟过程，主要作用也就是通过数据进行企业未来的发展趋势预测，并最大化的提高其预测结果的准确性。所收集的信息数据属于是过去，所代表的也只能是过去，但是在数据模型下则可以对这些数据的基本机制找出，从而对未来起到预测作用。过去的数据不但能够代表过去，同时对于未来预测也具有重要价值。数据预测本身具有一定复杂性，据不完全统计，数据预测方法已经有几百种模型，常用模型就能够达到好几十种，所以对于数据预测模型则还需要进一步优化改进。现实世界相当复杂，目前数据模型预测技术已经迅速发展，但是要对其作用有全面认识，预测并不能够彻底代表现实，目前已经存在的模型则无法有效满足当前业务所需。在当前企业中常用的模型中种类比较多，其中有AR模型、MA模型以及非线性回归等预测模型。同时也会应用到专业级统计应用软件，包括有SPSS、MATLAB以及矩阵实验室等等，进一步方便进行数据深度挖掘。
3计算机数据精细管理
数据挖掘技术的应用能够显著提升企业的洞察力，大数据的精细化管理能够为企业提供重要保障。当前，只有在大型企业中才出现大数据的精细管理，特别是在一些互联网或其他高科技企业，大数据深度挖掘技术无法满足企业海量数据处理要求。就算是有些企业有数十年的数据量，但是依旧没有实现大数据水平。在企业发展中，不管是经济利润还是客户为中心，大数据精细管理均能够产生相应的促进作用，从而确保企业健康发展。大数据精细管理则能够为企业管理提供重要参考意见，为企业市场竞争发展提供理论支持。
4 结束语
“大数据”这个概念虽然在近几年内才出现，但是这个概念却迅速地被世界各地人民所接受和应用。大数据挖掘和分析技术需要各地人民进行努力。我国在大数据挖掘和分析的道路上需要加强对大数据的获取与掌握的重视，加快对大数据挖掘和分析。
参考文献：
[1] 余方兴.浅谈计算机数据挖掘[J].计算机光盘软件与应用，2013（14）：298-298，300.
[2] 宋伟莹.计算机病毒数据库的修改和挖掘[J].军民两用技术与产品，2016（4）：47-47，48.
[3] 栾华，周明全，付艳等.多核处理器上的频繁图挖掘方法[J].计算机研究与发展，2015（12）：2844-2856.
[4] 毛国君，宗东军.基于多维数据流挖掘技术的入侵检测模型与算法[J].计算机研究与发展，2009，46（4）：602-609.
[5] 林培利.浅析计算机数据挖掘技术在煤矿行业中的应用[J].江西建材，2014（9）：229-229.
[6] 刘春娟.浅谈计算机数据挖掘[J].电子测试，2014（6）：35-36，14.