1) Knowledge discovery in text
文本知识发现
3) knowledge discovery
知识发现
1.
XML,metadata and knowledge discovery in biomedical data;
XML、元数据与生物数据知识发现
2.
The research of data mining and knowledge discovery in computer aided medical diagnosing system;
计算机辅助医学诊断系统的数据挖掘和知识发现研究
3.
Knowledge Discovery in Picture Archiving and Communication System with a Case Study;
基于PACS的知识发现及用例分析
4) KDD
知识发现
1.
The Application Research of KDD Method Based on Data Mining in MDSS;
基于数据挖掘的知识发现在MDSS中的应用研究
2.
Incremental KDD of rough sets model based on weight connection degree;
基于权重联系度粗集理论的增量式知识发现
3.
The Application of the Knowledge Discovery in Database(KDD)in Government Decision Support System;
知识发现技术在政府决策支持系统中的应用
5) knowledge discovery in database
知识发现
1.
Knowledge discovery in database and data mining play an important role in analyzing data and uncovering important data patterns.
目前海量的数据存储已经远远超过了人的理解能力 ,尤其是现代医学数据量越来越大 ,而传统的统计技术及数据管理工具已经力不从心 ,知识发现及数据挖掘工具在处理海量数据库时显示了它们的长处。
2.
In view of the characters and designing requirements of platform test system fault diagnosis, a new framework of diagnosis system using knowledge discovery in database(KDD) technology is put forward.
针对平台自动测试系统故障诊断的特点和设计要求,提出了一种将知识发现技术融入故障诊断系统中的新的框架,同时设计了知识发现操作的具体过程。
6) knowledge discovery in databases
知识发现
1.
Decision trees based knowledge discovery in databases for high-rise structures intelligent from selection;
基于决策树的高层结构智能选型知识发现
2.
KDD(Knowledge Discovery in Databases) is a new emerging area in the research of artificial intelligence and databases, in which DM (Data Mining) on the time-series data is one of the important subject.
本文分析了知识发现与数据挖掘的基本理论与时序数据库挖掘中的几个重要的方面，研究了连续属性离散化方法、分类发现、聚类发现、关联规则、序列模式等挖掘算法，尤其是重点研究了基于时间序列数据的挖掘方法，并且为改进性能，提出了适用于时间序列数据的模式匹配算法和关联规则发现算法，并充分考虑了兴趣度和负属性在关联规则发现算法中的作用。
3.
A new knowledge discovery technology called KDD(Knowledge Discovery in Databases)emerges to solve the problem,which takes advantage of both data base technology and .
结合了数据库技术和人工智能技术优点的知识发现技术(KDD：Knowledge Discovery in Databases)的出现正好可以适应这一需求,它能有针对性地快速定位故障,缩短业务中断时间。
补充资料：知识发现
知识发现
knowledge discovery
操作能力)越强，自主性程度越高;②系统能够做出的选择越多，能够探索的目标空间越大，自主性程度越高。因此，发现系统的认知自主性程度与完成预定任务所需的教师干预程度成反比。在能否最终构造出完全自主的发现系统的问题上，始终存在激烈的争论;但现有发现系统肯定没有达到完全自主的地步。随着研究工作的深人，研究者已开始将注意力从“构造完全自主的发现系统”转向“提高发现系统的自主性程度并混合使用交互式技术”。就目前情况来看，在这个方向上有下述几方面的工作已引起重视: (1)运用各种技术以提高知识发现的“自主性”的质量。例如LL〔系统就是运用演绎推理技术和交互式技术实现大量数据的知识发现的功能;TANEL系统则是采用基于解释学习技术来发现大容量知识库中的规整性。 (2)发展系统的自主评价能力。在三类研究中，发现系统均可能对同一组输人产生不同的甚至相互冲突的中间或最终结果。认知自主性要求发现系统能够对这些结果作出选择。 (3)加强各种发现技术和研究成果的集成。 以上三个方面是紧密联系的，例如，集成既向评价提出了较高的要求，又为评价提供了基础。 知识发现是人工智能中最富挑战性的课题之一，它的研究不仅与人工智能的众多领域密切相关，而且与科学哲学、认知心理学等学科有广泛的交叉。无论能否最终达到其“理想”目标，这一研究的进展将对整个人工智能及相关学科产生不可忽视的影响。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条