数据挖掘考点总结版本号2.0.0.1
介绍
数据挖掘的定义
Hand等人200年给了简明定义：数据挖掘就是从大型数据集合里挖掘出有用的信息。
还有一个定义来源于一家信息技术研究公司——加特那集团：数据挖掘是从大量的存储数据里进行筛选，采用模式识别技术以及统计和数学技巧，发现有意义的新的相互关系、模式以及趋势的过程。
数据挖掘处于统计学和机器学习（也称人工智能）领域的交叉点上。
经典统计学的两个核心难点——计算复杂、数据稀少。
DarylPregibon把数据挖掘描述为“建立在规模和速度上的统计学”。有人把这一说法推广：数据挖掘是“建立在规模、速度和简单化上的统计学”。
过度拟合
过度拟合指的是现有样本跟一个模型拟合太过，以至于模型不仅描述数据的根本特性，而且也描述了其随机特性。按工程上的术语指这个模型不光是拟合信号，还拟合噪声。
算法
算法指的是用于实现某一数据挖掘技术——如分类树、辨识分析等的特定程序。
有约束学习
有约束学习指的是用已有记录得到算法（逻辑回归、回归树等）的过程。
无约束学习
无约束学习指的是人们试图从数据中了解一些东西的分析，而不是预测感兴趣的输出值（例如输出结果是否属于某个聚类）。
或许挖动数据挖掘发展的最重要的因素是数据的增长。
数据仓库——一个把企业的决策系统结合在一起的大型综合数据存储系统。
计算能力方面的持续迅速的改进是数据挖掘发展的一个基本动力。
大数据的特征：数据量大
数据挖掘过程概览
数据挖掘的一项基本任务就是用类别已知的数据找出规则，然后把这些规则用在未进行分类的数据上。
预测和分类相似，差别在于我们是预测一个变量的数值，而不是一个类别。当然，在分类时我们试图去预测一个类别，而“预测”（在本书）是指预测一个连续变量的数值。
各数据挖掘技术之间的一个基本区别在于是否采用了有约束学习方法。
训练数据是分类和预测算法用来“学习”预测变量和结果变量之间的关系（或称为模型）。
验证数据以检验其是否比其他模型好。
测试数据用于检测最后选择的模型的优劣。
无约束学习算法是在没有结果变量去预测或者分类时的算法。关联分析、数据精简和聚类技术都是无约束学习方法。
当算法涉及到有约束学习时，我们要把总的数据集合分成训练、验证和测试数据三个子集合。
SEMMA
Sample采样
Explore探索
Modify调整
Model建模
Assess评估
多少变量和多大数据合适
一条经验法则认为对应每一个预测变量要有10条记录，这应该是合理的。Delmater和Hancock在其分类任务里使用的另一法则是，观测记录数量至少要有6*M*N。（M，输出变量类别的数目；N，变量的数目）
原则上，预测变量少是模型的一个好特征。
奇异值
远离大块数据的数值称为奇异值。有的分析人员采用这样的经验法则“离均值3个标准差之外的点事奇异值”。
数据标准化
标准化数据一般指的是从每一个值减去平均值，然后除以距离平均值的偏差的标准差。
为什么即需要一个验证块还要一个测试块呢？（验证块与测试块异同点）
因为验证数据增强了所选择模型性能的现象是随机的，在模型被应用到新数据上时其好的性能将不存在，因此我们可能高估了模型的精度。我们测试的模型越多，就越有可能会选择那个把验证数据的噪声拟合得最好的模型。把模型用在以前未出现过的测试数据上将会产生模型在新数据上的无偏估计。分块的过程应该是随机的以避免产生偏差的划分。
建立模型
目的
获取数据
探索、清理和预处理数据
精简数据和把它划分成训练、验证以及测试数据块
决定数据挖掘任务
选择技术
用算法去执行这个任务
解释结果
应用模型
有约束学习——分类和预测
判断一个分类法效果的自然标准是它错误分类的概率。
在此，我们希望使用分类法的效果能比使用“粗暴”法则：“把所有记录划分到记录最多的类里去”得到的效果要好一点。
一个分类法的精度特别依赖与这两个类（由分类法使用的预测变量而显示出）的间隔。
贝叶斯法则的一个重要优点是，在给一个记录分类的同时，我们可以计算该记录属于每一个类的条件概率。它的好处是
我们可以用这一个概率作为我们要分类的每一个记录的“分数”
我们可以为任一记录计算期望的利益或者损失。
什么是三分Triage策略？【简答题】见书P37
多元线性回归
经典的多元线性回归分析包括模型假设、系数估计和检验、方差分析、变量子集选择等许多方面。而数据挖掘中的多元线性回归放宽了模型的假设条件，模型对未来数据进行预测的误差估计由在验证数据上的误差分析直观给出。因此数据挖掘中的多元线性回归是“数据挖掘是简单化了的统计学”这一说法的一个体现。
多元线性回归的模型和思想【重点、大题】
〈模型的建立〉
对验证数据的每一个记录比较结果变量的预测值和实际观测值。这一误差平方的平均值可用来比较不同的模型和评价用模型进行预测的精度。
4.3线性回归的自变量选择
对此一个经验法则是n>=5(k+2)（n=记录个数，k=自变量个数）
线性回归分析的一般步骤【简答题、说清楚各部步骤】
获取模型系数和统计量
诊断模型是否满足假设条件，如果有问题就要采取补救措施
使用模型统计量评价模型拟合状况
如果模型通过了一系列的评价测试，我们就可以用这个模型来解释各自变量的作用以及用这个模型产生预测。
Logistic回归
Logistic回归的思想由多元线性回归发展而来，它使用的情形是因变量（或称作被解释变量）y是二值（我们经常将这两个值编码为0和1）情况。
用于描述选择行为的Logistic模型，是根据Manski提出的随机效用理论建立的，该理论是对标准的消费者行为理论的扩展。
消费者行为理论是指当面临一组选择是，消费者选择的标准是效用最大化。
系数的估计（估计值的计算）一般是根据极大似然原理，它能保证估计值具有良好的渐进（大样本）特征。一般条件下的极大似然法估计量（或称为极大似然法估计器）具有：
一致性
渐进有效性
渐进正态分布
神经网络
人工神经网络的基本构造块是一个数学模型神经元。
人工神经元有三个基本组成部分：
为输入值X i提供权重W j的突触或者连接,J=1,2,3,4,…,m；
一个把加权的输入加到一起作为激活函数输入的加法器;权重和为V
一个激活函数g（也经常被称为挤压函数），把V映射到该神经元的输出值g(v)
逻辑函数的实用价值在于，它对很小和很大的v值有一个挤压效应，但当g(v)在0.1到0.9这个范围值内时几乎是线性的。
神经网络的另一个缺点
神经网络的一个缺点是容易产生过分拟合，从而引起在验证数据上的误差率太大。因此限制训练的遍数而不让对数据过分拟合至关重要。
分类与回归树
分类树包括两个关键的思想【简答题】
解释变量空间递归分区的思想（书上例子骑乘式割草机）；
用验证数据进行剪枝的思想
剪枝的思想是认为如果树非常大很可能是对训练数据的过分拟合。
判别分析
判别分析的思想是：使用在不同群体上的连续变量测量值去彰显区分这些群体的特点，并且利用这些测量值为新纪录分类。
一个好的判别规则将数据分开，使得最少的点被错判；
判别分析的两个重要目标是解决以下的两个问题：
在决定一个个个体的类别的自变量里面那些是最重要的？
分类的最佳线性法则是什么？
因变量Y是类别型变量，自变量xi是那些可以描述该群体的属性，可以是任意类型的变量。
线性可分指的是可以用属性的线性组合把这些类别区分开来。
Fisher判别法是根据方差分析的思想建立起来的一种能较好区分各个总体的线性判别法。它具体做法是：
利用M个指标的训练数据，借助于方差分析的思想构造一个线性判别函数
Y=d1X1+d2X2+….+dmXm
其中d1,d2,d3确定的原则是使两组间的组间离差平方和最大，而每个组的组内离差平方和最小
测量记录和记录之间的距离，我们可以使用欧式距离，但欧式距离有两个缺点：
首先，距离会依赖于我们测量变量所使用的单位
另外，变量之间的相关结构也不能体现出来。
马氏距离〈见书P99〉
其他有约束学习方法
K——最近邻点算法的思想是，建立一个分类的方法，而不需要假定被解释变量y和解释变量，这是一个非参数的方法，它不需要我们像在线性回归中那样对线性函数进行参数估计。
维数诅咒是所有的分类、预测和聚类方法都存在的根本性问题。
关联分析——关联法则
第一个数被称作法则的支持度（在概率论领域，支持度指的是概率密度函数大于0的点集的闭包）。支持度是包括既在前提也在结果的所有物品的交易记录数量。另一个数被称为该法则的置信度。置信度是包括即在前提也在结果的所有物品的交易数除以包括前提的所有物品的交易数。
数据精简和探索
主成分和原始数据相比，还有一个优点是它们互不相关。（相关系数等于0）
标准化的好处是，测量单位的变化并不改变主成分的权重。
聚类分析
聚类分析的目的是根据对象几种属性的测量值组成相似对象的几个集合。关键的思想是把数据以一种有利于进行分析的方式归类。
用距离大小进行分类的技术：其中最重要的有层次聚类、最优化聚类和混合模型聚类。
两种主要的层次聚类技术：分类和聚合。
测量类与类之间的距离：所有聚合方法都需要给定一个要分类的对象之间的距离测度。由对象之间的这一距离长测度构建类与类之间的距离测度。
马氏距离〈见书P133〉
Xi和Xj是由变量组成的p维向量，当p=1时表示最大坐标距离,p=2时表示欧式距离
正如柏拉图所说：需要是发明之母。随着信息时代的步伐不断迈进，大量数据日积月累。我们迫切需要一种工具来满足从数据中发现知识的需求！而数据挖掘便应运而生了。正如书中所说：数据挖掘已经并且将继续在我们从数据时代大步跨入信息时代的历程中做出贡献。 1、数据挖掘 数据挖掘应当更正确的命名为：“从数据中挖掘知识”，不过后者显得过长了些。而“挖掘”一词确是生动形象的！人们把数据挖掘视为“数据中的知识发现（KDD）”的同义词，而另一些人只是把数据挖掘视为知识发现过程的一个基本步骤！ 由此而产生数据挖掘的定义：从大量数据中挖掘有趣模式和知识的过程！数据源包括数据库、数据仓库、Web、其他信息存储库或动态地流入系统的数据。作为知识发现过程，它通常包括数据清理、数据集成、数据变换、模式发现、模式评估和知识表示六个步骤。 数据挖掘处理数据之多，挖掘模式之有趣，使用技术之大量，应用范围之广泛都将会是前所未有的；而数据挖掘任务之重也一直并存。这些问题将继续激励数据挖掘的进一步研究与改进！ 2、数据分析 数据分析是指用适当的统计方法对收集来的大量第一手资料和第二手资料进行分析，以求最大化地开发数据资料的功能，发挥数据的作用。是为了提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。 数据分析有极广泛的应用范围。典型的数据分析可能包含以下三个步： 1、探索性数据分析：当数据刚取得时，可能杂乱无章，看不出规律，通过作图、造表、用各种形式的方程拟合，计算某些特征量等手段探索规律性的可能形式，即往什么方向和用何种方式去寻找和揭示隐含在数据中的规律性。 2、模型选定分析，在探索性分析的基础上提出一类或几类可能的模型，然后通过进一步的分析从中挑选一定的模型。 3、推断分析：通常使用数理统计方法对所定模型或估计的可靠程度和精确程度作出推断。 数据分析的目的是把隐没在一大批看来杂乱无章的数据中的信息集中、萃取和提炼出来，以找出所研究对象的内在规律。在实用中，数据分析可帮助人们作出判断，以便采取适当行动。数据分析是组织有目的地收集数据、分析数据，使之成为信息的过程。这一过程是质量管理体系的支持过程。在产品的整个寿命周期，包括从市场调研到售后服务和最终处置的各
国网技术学院新员工培训总结 篇一：国网技术学院培训总结 国网技术学院培训感悟 我有幸参加了国家电网公司2009届新录用员工培训班，感到非常骄傲和自豪。 2009年8月我进入了江西九江供电公司，在前几个月我一直在供电公司人资部做些辅助工作，直到2010年3月，这时我接到单位通知—去国家电网技术学院培训，能够成为江西省电力公司34名去培训的成员当中的一员，我感
到非常自豪。而当我知道我去那培训的是高压电气试验时，心里又有了那么点紧张，因为我还没轮岗过试验班，以前也从来没有接触过高压试验这一块，怕到那以后跟不上大家的步伐。转眼间，五个月已经过去了，通过这段时间的脱产学习，个人政治思想素养、理论知识水平、实际操作能力得到很大提高，为今后立足本职工作，更好地服务于建设“一强三优”现代公司的工作大局打下了良好的基础。具体有以下几个方面的体会。 一、增长了知识，提高了能力。 为了让我们尽快地了解掌握履行职
责所必须的基本知识，为今后的工作做好准备，本次培训安排了大量的学习内容。通过理论学习，我们了解了以后在工作岗位上需要注意的问题，明确了学习的内容以及以后工作应努力的方向。在学习之余大家认真整理笔记、相互交流学习心得，巩固了学习成果。通过培训，大家丰富了知识、开拓了视野、提高了能力和素质，在短时间内最大限度地充实自己，感觉收获颇丰、受益非浅。当然我们不能把学习的知识仅仅停留在书本上，要把所学、所知运用到工作实践当中去，理论和实践相结合，做到知行统一、学以致用。同时在今后的工作
中也要孜孜不倦地学习、钻研业务知识、不断提高自己的知识素养，只有这样，才能更好地为广大群众提供优质高效的服务，才能更好的为国家电网公司的发展做出贡献。 通过深入学习国网公司企业文化，对国网公司的核心价值观、企业宗旨、企业精神及理念、奋斗方向、战略目标及实施举措、发展要求、工作思路、电网发展战略等有了深入的理解，让大家对供电企业员工的行为规范有了清楚的认识。通过对安全文化、服务文化、管理文化、廉洁文化、责任文化等国网公司企业子文化的学习，强化了大家对建
1、数据仓库定义：数据仓库是一种新的数据处理体系结构，它与组织机构的操作数据库分别维护，允许将各种应用系统一起，为统一的历史数据分析提供坚实的平台，对信息处理提供支持。数据仓库是面向主题的、集成的、相对稳定的、反映历史变化的数据集合，为企业决策支持系统提供所需的集成信息。设计和构造步骤：1）选取待建模的商务处理；2）选取商务处理的粒变；3）选取用于每个事实表记录的维；4）选取事实表中每条记录的变量 系统结构：（1）底层是仓库数据服务器，总是关系数据库系统。（2）中间层是OLAP服务器，有ROLAP 和MOLAP，它将对多维数据的操作映射为标准的关系操作（3）顶层是前端客户端，它包括查询和报表工具、分析工具和数据挖掘工具 2、数据仓库的多维数据模型：（1）星形模式：在此模型下，数据仓库包括一个大的包含大批数据并且不含冗余的中心表，一组小的附属表，维表围绕中心事实表显示的射线上。特征：星型模型四周的实体是维度实体，其作用是限制和过滤用户的查询结果，缩小访问围。每个维表都有自己的属性，维表和事实表通过关键字相关联。【例子：sales数据仓库的星形模式，此模式包含一个中心事实表sales，它包含四个维time, item, branch和location。 （2）雪花型模式：它是星形模式的变种，其中某些维表是规化的，因而把数据进一步分解到附加的表中。特征：雪花模型通过最大限度地减少数据存储量和联合较小的维表来改善查询性能，增加了用户必须处理的表数量和某些查询的复杂性，但同时提高了处理的灵活性，可以回答更多的商业问题，特别适合系统的逐步建设要求。【例子同上，只不过把其中的某些维给扩展了。 （3）事实星座形：复杂的应用可能需要多个事实表共享维表，这种模式可看作星形模式的汇集。 特征：事实星座模型能对多个相关的主题建模。例子：有两个事实表sales和shipping，它们可以共享维表time, item和location。 3、OLAP：即联机分析处理，是在OLTP基础上发展起来的、以数据仓库基础上的、面向高层管理人员和专业分析人员、为企业决策支持服务。特点：1.实时性要求不是很高。2.数据量大。3.因为重点在于决策支持，所以查询一般是动态的，也就是说允许用户随机提出查询要求。 OLAP操作：上卷：通过沿一个维的概念分层向上攀登，或者通过维归约，对数据立方体进行类聚。下钻：是上卷的逆操作，它由不太详细的数据得到更详细的数据，下钻可以通过沿维的概念分层向下或引入附加的维来实现。切片：对给定方体的一个维进行进行选择，导致一个子立方体。切块：通过对两个或多个维执行选择，定义子立方体。转轴：是一种可视化操作，它转动数据的视角，提供数据的替代表示。 OLTP：即联机事务处理，是以传统数据库为基础、面向操作人员和低层管理人员、对基本数据进行查询和增、删、改等的日常事务处理。OLTP的特点有：a.实时性要求高；b.数据量不是很大。C.交易一般是确定的，是对确定性数据进行存取。d.并发性要求高且严格的要求事务的完整性，安全性。 OLTP和OLAP的区别：1）用户和系统的面向性:OLTP面向顾客，而OLAP面向市场；2）数据容：OLTP 系统管理当前数据，而OLAP管理历史的数据；3）数据库设计：OLTP系统采用实体-联系（ER)模型和面向应用的数据库设计，而OLAP系统通常采用星形和雪花模型；4）视图：OLTP系统主要关注一个企业或部门部的当前数据，而OLAP 系统主要关注汇总的统一的数据；5）访问模式：OLTP访问主要有短的原子事务组成，而OLAP系统的访问大部分是只读操作，尽管许多可能是复杂的查询。 7、PageRank算法原理：1）在初始阶段：构建Web图，每个页面初始设置相同的PageRank 值，通过迭代计算，会得到每个页面所获得的最终PageRank值。2）在一轮中更新页面 PageRank得分的计算方法：每个页面将其当前的PageRank值平均分配到本页面包含的出 链上。每个页面将所有指向本页面的入链所传入的权值求和，即可得到新的PageRank得分。 优点：是一个与查询无关的静态算法，所有网页的PageRank值通过离线计算获得；有效减 少在线查询时的计算量，极大降低了查询响应时间。 缺点：1）人们的查询具有主题特征，PageRank忽略了主题相关性，导致结果的相关性和主 题性降低。2）旧的页面等级会比新页面高。因为即使是非常好的新页面也不会有很多上游， 除非它是某个站点的子站点。
国网技术学院培训总结 时光荏苒，日月如梭，转眼之间五个月的新员工入职培训就接近尾声了。在这五个月里，与全国各地的国网新员工们一起度过了许多美好的时光，我们一起有欢笑，也有失落，但更多的是收获。能来到这里，与全国几千名国家电网新员工一起，从来自全国各地的经验丰富的老师们身上学习知识，是我最大的期盼与惊喜。我深知这个机会来之不易，感谢国网公司提供这样一个舞台，也感谢安徽电力给我这次机会。五个月的时间，不仅让我学到很多技能知识，更重要的是让我完成了人生角色的转变。 初来国网技术学院，就被这里优美的风景和建筑所吸引，然后在许多工作人员的帮助下完成了报道，接下来就是为期一周的军事训练了。来之前就听说这里是半军事化管理，所以军训肯定是少不了的。虽然这个星期济南的天气还是很寒冷，还下过几次大雪，但是大家都以饱满的热情坚持了下来，并圆满的完成了最后的分裂式表演。这次军训培养了我们的严格的作风以及良好的生活习惯，让我们认识到纪律的重要性。在这一个星期里认识了许多来自全国各地的同事朋友们，大家一起团结协作完成每个训练任务，让我们体会到了什么叫同甘苦。这次军训不仅锻炼了我们的体魄，更磨炼了我们的意志，相信我们在以后的工作生活中能更好的克服困难。 初来国网技术学院，就被这里优美的风景和建筑所吸引，然后在许多工作人员的帮助下完成了报道，接下来就是为期一周的军事训练了。来之前就听说这里是半军事化管理，所以军训肯定是少不了的。
虽然这个星期济南的天气还是很寒冷，还下过几次大雪，但是大家都以饱满的热情坚持了下来，并圆满的完成了最后的分裂式表演。这次军训培养了我们的严格的作风以及良好的生活习惯，让我们认识到纪律的重要性。在这一个星期里认识了许多来自全国各地的同事朋友们，大家一起团结协作完成每个训练任务，让我们体会到了什么叫同甘苦。这次军训不仅锻炼了我们的体魄，更磨炼了我们的意志，相信我们在以后的工作生活中能更好的克服困难。 军训结束后，按照国家电网公司要求，培训采取封闭式、准军事化管理模式，培训内容注重技能操操作，具有较强的针对性、实用性，因此在我们学习生活中纪律一样是严肃的，要求我们有部队一样作风，用军队的形式行为来要求我们的工作。每天早上六点半准时集合进行早操，晚上七点准时到教室看新闻上自习，寝室卫生做到整齐划一，也正因为这样我们养成了良好的生活习惯，这是胜任自己工作的一个必备条件。 如果说军训培养了我们良好的生活作风，那接下来的老师授课则让我们掌握了从业必要的安全知识以及职业技能。在开始的几个星期里，我们学习了电力安全工作规程，通过这次学习，我们的安全意识都有很大的提高，安全工作必须认真做到实处，不仅是自己负责，也是对他人负责。职业技能方面，我们学习了变电站的主要设备，还有许多继保方面的知识。这些都是由来自全国各地工作很有经验的老师傅们给我们讲解的，他们讲的不仅是理论知识，更多的是他们这么多年的工作经验，让我们少走了不少弯路。
数据挖掘课程体会 学习数据挖掘这门课程已经有一个学期了，在这十余周的学习过程中，我对数据挖掘这门课程的一些技术有了一定的了解，并明确了一些容易混淆的概念，以下主要谈一下我的心得体会。 近年来，数据挖掘引起了信息产业界的极大关注，其主要原因是存在大量数据，可以广泛使用，并且迫切需要将这些数据转换成有用的信息和知识。数据挖掘就是从大量的数据中，抽取出潜在的、有价值的知识、模型或规则的过程。作为一类深层次的数据分析方法，它利用了数据库、人工智能和数理统计等多方面的技术。 要将庞大的数据转换成为有用的信息，必须先有效率地收集信息。随着科技的进步，功能完善的数据库系统就成了最好的收集数据的工具。数据仓库，简单地说，就是搜集来自其它系统的有用数据，存放在一整合的储存区内。所以其实就是一个经过处理整合，且容量特别大的关系型数据库，用以储存决策支持系统所需的数据，供决策支持或数据分析使用。 数据挖掘的研究领域非常广泛，主要包括数据库系统、基于知识的系统、人工智能、机器学习、知识获取、统计学、空间数据库和数据可视化等领域。主要是可以做以下几件事：分类、估计、预测、关联分析、聚类分析、描述和可视化、复杂数据类型挖掘。在这里就不一一介绍了。 在学习关联规则的时候，提出了一个关于啤酒与纸尿布的故事：在一家超市里，纸尿布与啤酒被摆在一起出售，但是这个奇怪的举措却使得啤酒和纸尿布的销量双双增加了。其实，这是由于这家超市对其顾客的购物行为进行购物篮分析，在这些原始交易数据的基础上，利用数据挖掘方法对这些数据进行分析和挖掘。从而意外的发现跟纸尿布一起购买最多的商品竟是啤酒。按我们的常规思维，啤酒与纸尿布是两个毫无关联的商品，但是借助数据挖掘技术对大量交易数据进行挖掘分析后，却可以寻求到这一有价值的规律。这个故事在一定程度上说明了数据挖掘技术的巨大价值。 总之，非常感谢周教员在这十余周的精彩授课，让我受益匪浅，我会继续学习这门课程，努力为今后的课题研究或论文打好基础。
国网技术学院结业总结 国网技术学院结业总结 新的阶段、新的成长 记国家电网公司20xx年度新入职员工第一期集中培训 初出校门的我们对于公司的一切是那么的好奇和陌生。虽然大学时期学习的内容和我们将要从事的工作有千丝万缕的联系，但当我们站在实实在在的设备面前我们感到的还是无知与迷茫。纵然脑子里充满了各种理论，纵然学过各个零部件的工作原理，但当它们组合在一起放在我们面前的时候，对我们来说这又是一个完全陌生的设备。 相信很多同事都有着与我相同的体会，毕业时的兴奋与喜悦，想着终于能将自己所学的知识运用到即将到了的工作中去。但是进入公司之后，发现根本无从下手，才发现自己学得太空泛了，与实际还是有一定的距离。 经过一个多月工作岗位上的实习，我已经明显感觉到自己在技能和知识方面的欠缺。但是班组的师傅不可能对我们这些新员工进行系统化的训练与培训。就在这个时候，我有幸能参加国家电网公司组织的全国范围的新员工培训。这次培训的规模之大史无前例，没有哪个公司能像我们国网公司一样，把全国范围内的新员工召集到一起进行系统化的入职培训，这次培训举行的本身就显示了国网领导对新员工的重视和国网公司的气魄。 来之前即是紧张又是兴奋，紧张是因为完全想象不出这么大规模的培训将会是一个怎样的情形，兴奋则是因为终于可以有针对性，系统性的使自己学到工作相关的技能以及知识了。本次培训的地点是在国网技术学院，坐落于泉城济南。这里是国家电网公司为大力转变公司和电网发展方式，加快建设“一强三优”现代
公司而组建的高素质应用型技术人才与技能人才培养基地，电网实用新技术与新技能应用示范中心。 一开始迎接我们的便是一周的军训。严格的军训对我们有着特殊的意义，作为关系国计民生的电力行业，我们从事的同样是一个高危险的行业，需要严肃的纪律来保证工作的安全进行，特别是国家电网公司提出的“准军事化管理”，要求我们有部队一样作风，用军队的形式行为来要求我们的工作，做到令行禁止。一周的军训虽然很辛苦，天气异常恶劣，顶着炎炎烈日进行着军事训练，但是我们都体会到其中的快乐，来自全国各地的同事们经过这次军训都很好的互相认识了。一个星期的军事训练让我深刻体会到人在逆境中是很容易成长的，也让我体会到在压抑环境下做事是多么的辛苦。军事训练也增加了我们生活习惯的训练，每天按时起床睡觉，按时出操，生活用品按照要求摆放整齐，良好的生活习惯是一个人成功的保障，良好的品格是一个人成功的根本，良好的能力是一个人成功的必备条件。 培训期间，先后学习了公共基础课如《企业文化》、《沟通与团队》、《职业道德》等，专业知识课如《电力系统故障分析》、《二次回路》、《继电保护理论》等，并在继保实训室对主变保护屏、线路保护屏、母线保护屏、断路器保护屏等进行了校验和故障查找消除，同时在培训期间学院还举行了丰富多彩的课余活动。在这5个月的培训生活中，在生活和学习，做人和做事方面我都有不小的收获。 专业知识方面我们从变电检修专业的最基础的部分学起，通过对电力系统故障分析的学习，对电力系统正常运行有了深刻的理解，对电力系统常见故障有了全面的认识，在对各种故障的特点进行总结后，我发现了故障的规律性，以及继电
数据分析处理需求分类 1 事务型处理 在我们实际生活中,事务型数据处理需求非常常见,例如：淘宝网站交易系统、1２306网站火车票交易系统、超市ＰOＳ系统等都属于事务型数据处理系统。这类系统数据处理特点包括以下几点: 一就是事务处理型操作都就是细粒度操作,每次事务处理涉及数据量都很小。 二就是计算相对简单，一般只有少数几步操作组成，比如修改某行得某列; 三就是事务型处理操作涉及数据得增、删、改、查,对事务完整性与数据一致性要求非常高。 四就是事务性操作都就是实时交互式操作,至少能在几秒内执行完成； 五就是基于以上特点,索引就是支撑事务型处理一个非常重要得技术. 在数据量与并发交易量不大情况下,一般依托单机版关系型数据库,例如OＲＡＣLＥ、MＹSQL、SQＬSERVER,再加数据复制（DataGurａd、RＭAＮ、ＭｙSQＬ数据复制等)等高可用措施即可满足业务需求。 在数据量与并发交易量增加情况下，一般可以采用ORＡLＣＥRAC集群方式或者就是通过硬件升级（采用小型机、大型机等，如银行系统、运营商计费系统、证卷系统)来支撑. 事务型操作在淘宝、1230６等互联网企业中,由于数据量大、访问并发量高，必然采用分布式技术来应对,这样就带来了分布式事务处理问题，而分布式事务处理很难做到高效，因此一般采用根据业务应用特点来开发专用得系统来解决本问题。
２数据统计分析 数据统计主要就是被各类企业通过分析自己得销售记录等企业日常得运营数据,以辅助企业管理层来进行运营决策。典型得使用场景有:周报表、月报表等固定时间提供给领导得各类统计报表;市场营销部门,通过各种维度组合进行统计分析,以制定相应得营销策略等． 数据统计分析特点包括以下几点: 一就是数据统计一般涉及大量数据得聚合运算，每次统计涉及数据量会比较大。二就是数据统计分析计算相对复杂，例如会涉及大量goｕpbｙ、子查询、嵌套查询、窗口函数、聚合函数、排序等；有些复杂统计可能需要编写ＳQＬ脚本才能实现． 三就是数据统计分析实时性相对没有事务型操作要求高。但除固定报表外,目前越来越多得用户希望能做做到交互式实时统计； 传统得数据统计分析主要采用基于ＭＰP并行数据库得数据仓库技术.主要采用维度模型,通过预计算等方法，把数据整理成适合统计分析得结构来实现高性能得数据统计分析，以支持可以通过下钻与上卷操作,实现各种维度组合以及各种粒度得统计分析。 另外目前在数据统计分析领域,为了满足交互式统计分析需求，基于内存计算得数据库仓库系统也成为一个发展趋势,例如SAP得HANA平台。 3 数据挖掘 数据挖掘主要就是根据商业目标，采用数据挖掘算法自动从海量数据中发现隐含在海量数据中得规律与知识。
培训总结 接近三个月的培训已经圆满结束，回到自己的工作岗位也将近一周时间，在泰安培训时学习的理论知识和技能操作在实际的工作非常的实用，同时此次培训在生活中也是很重要的一课，养成良好的生活习惯。在生活，工作中收获很多。这要感谢国家电网公司组织的本次深造学习机会，感谢老师们在理论中的讲解和实际操作中的悉心指导。在泰安的日子也结识了很多来自全国各地的朋友，从他们的身上学会很多为人处世的道理和宝贵的经验，也感谢同学们和我一起走过这段难忘时光。 有名言说：只有善于总结过去的经验，才能更好地展望未来。因此就80多日的培训经历做一个详细的总结。 这八十多天分了很多过模块，首先开始的莫过于每个学生都经历过得入学前军训，此次军训是严格按照准军事化的军训模式军训的。军训只有5天，主要训练科目有站军姿、停止转法、稍息立正起步走、跑步走，敬礼、内务整理等，军训作为我们学习的课目之一更好的锻炼了我们在日常生活中的行姿、坐姿，体现出国网人的军事化素养，能够严格要求自己，在以后的工作中可以有和军人一样的气质，能够听从组织安排，能够服从工作负责人和专责监护人的责任，能够在岗位上遵守安全操作规程，保护人生和电网的安全。在生活中能够有条有理的整理自己的内务，养成良好的生活习惯至关重要，军训中的内务整理能够有效的提高我们的整理内务素养，在培训的80多天内，
我们一直严格按照军训时的要求整理内务，提高自己的生活质量，养成良好的生活习惯。军训有时枯燥乏味，但其意义非凡，并且在军训休息期间能够欣赏到教官们的精彩表演，有时也会组织我们拉歌狂欢。 其次想说说这八十多日的生活，一个词“精彩”。这精彩来自两个方面，一是校内， 在校内我们每日晨跑加强体育锻炼，同时学校组织了非常多的企业文化实践科目，有热血澎湃的歌舞大赛，有激情昂扬的演讲比赛，有温暖寒冬的饺子大赛，有强身健体的篮球比赛，同时还有各类名师讲座。在收获快乐。健康的同时，我们能够享受生活的乐趣，丰富多彩的校园生活为我们的历史增添了幸福快乐的一刻。二是校外，利用周末时间我们去丰富视野。登山运动是我最喜欢的项目之一，到泰安的第一个周末我的校外活动就是登泰山顶，当然我选择的是晚登泰山，毕竟我也是喜欢日出，热爱生活之人。五岳归来不看山，果然是名副其实，泰山之宏伟令我折服，沿途记载着文人墨迹，这山，这水要是不写出点感慨来，怕是白来爬山了，相比正是如此才能一栏文人骚客的精彩墨宝。在后来的周末时间里，我自然也是没闲着，去了苏州看园林，去了上海看都市，去了锦溪看水乡，去蓬莱看仙山，也去了伟大的祖国看首都，去首都首要的肯定是去北京天安门一睹真容，然后比必须去的就是国家历史博物馆，博物馆记载着中国的发展历史，是我们铭记历史，展望未来必须要看的国宝。之后已是天黑，迫
第一章绪论 什么是数据挖掘，什么是商业智能 从大型数据库中提取有趣的（非平凡的、蕴涵的、先前未知的且是潜在有用的）信息或模式。 商业智能是要在必须的时间段内，把正确有用的信息传递给适当的决策者，以便为有效决策提供信息支持。 分类算法的评价标准 召回率recall =系统检索到的相关文件数/相关文件总数 准确率precision（查准率）= 系统检索到的相关文件数/系统返回的文件总数第二章数据仓库 什么是数据仓库 是运用新信息科技所提供的大量数据存储、分析能力，将以往无法深入整理分析的客户数据建立成为一个强大的顾客关系管理系统，以协助企业制定精准的运营决策。 数据仓库的基本特征 1面向主题2整合性 3长期性 4稳定性 第三章数据挖掘简介 数据挖掘的一般功能 1分类2估计3 预测4关联分类5聚类 数据挖掘的完整步骤 1理解数据与数据所代表的含义 2获取相关知识与技术 3整合与检查数据 4取出错误或不一致的数据 5建模与假设 6数据挖掘运行 7测试与验证所挖掘的数据 8解释与使用数据 数据挖掘建模的标准 CRISP-CM 跨行业数据挖掘的标准化过程 第四章数据挖掘中的主要方法 基于SQL Server 2005 SSAS的十种数据挖掘算法是什么 1.决策树 2.聚类 3.Bayes分类 4.有序规则 5. 关联规则 6.神经网络 7.线性回归 8. Logistic回归 9. 时间序列10. 文本挖掘 第五章数据挖掘与相关领域的关系 数据挖掘与机器学习、统计分析之间的区别与联系（再看看书整理下） 32页 处理大量实际数据更具优势，并且使用数据挖掘工具无需具备专业的统计学背景。 数据分析的需求和趋势已经被许多大型数据库所实现，并且可以进行企业级别的数据挖掘应用。 相对于重视理论和方法的统计学而言，数据挖掘更强调应用，毕竟数据挖掘目的
国网济南培训心得 光阴如梭，不经意间，时间就这样从眸子间消逝，我们已经结束了在泰安的国家电网公司新入职员工培训。静心细数着两个月的学习生活，着实收获良多，不由从心中默默感谢公司给予我的这次培训机会，感谢培训老师们将知识倾囊相授，感谢同学们和我一起走过这段难忘时光。 只有善于总结过去的经验，才能更好地展望未来。下面我就总结一下五十天的培训经历。开学的日子伴随到来的是严格的军训。军训时间为期七天，七天不是很长，但却是我们第一次展示自我的机会。教官是位年轻的士官，身材并不高大，年龄也比我们绝大多数学员都要小，但从他那稚气未脱的脸上却写满了严肃、认真与负责。在训练中，对于我们不规范的动作与姿势，陈教官会一而再，再而三的示范给我们看，不厌其烦，严格要求。 军训是辛苦的，但是收获是快乐的。在那短短的七天里，我们这些来自全国五湖四海的新员工从互不认识、腼腆羞涩道到彼此相熟，可谓同志情深。当然，更重要的是，军训让我们学会了吃苦耐劳，让我们理解到纪律的重要性，认识到个人与集体荣誉的联系。在军训中，我们从中收获良好的习惯，每天按时出操，每天叠豆腐块，每样生活用品摆放整齐。这些都在考验着我们的意志，促进我们成长，使我们从懒
散自由的社会生活重新恢复了青春、阳光、紧张的校园节奏，以便今后更好的投入到工作当中。 如果说军训锻炼了我们坚强的意志和良好的作风，那么随后老师的授课则教会了我们职业生涯中必备的安全知识、技术知识以及终生学习的态度。 专业知识方面，老师没有教条式的讲解理论知识，更多的都是将大家在将来的实际工作中会遇到的运行设备和实际工况与所用到的理论知识相融合，进行讲解。期间，还会共享一下音视频等材料来丰富课堂生活。这种生动的联系实际的理论课程不仅端正了我对知识的态度，也让我对实际工作中将要面临的问题有了一个基础性的了解，培养了我怀疑的态度，工作中一定要多将学到的理论知识与现场相结合，全面的看待问题。 在现场真实地操作的感觉深深的吸引着我。记忆最深刻的就是继电保护和变电运维。通过对电力系统故障分析的学习，对电力系统正常运行有了深刻的理解，对电力系统常见故障有了全面的认识，在对各种故障的特点进行总结后，我发现了故障的规律性，以及继电保护在这些故障的针对性。然后是通过对各种故障的特点进行总结分类，讲述了保护的构成原理，以及各种原理的保护的使用范围，优点和缺点，以及系统中各种保护的配合使用问题。分为控制回路、测量回路、信号回路、调节回路、继电保护和自动装置回路以及
总结报告 课程名称：数据挖掘R语言 任课教师： 姓名： 专业：计算机科学与技术 班级： 学号：
计算机科学与技术学院 2018 年 6 月19 日 一、数据预处理 针对不同分析目标，选择合适的字段，并将字段值处理成适于分析的形式。必要时还需对原数据集进行统计变换后形成易于分析的形式。 为每条数据添加字段：所属地区。根据下图中划分的美国四大地区，将每条数据中表示的案件发生地在该字段上划分为东北部、中西部、南部和西部四个值。 首先导入数据： gundata<-read.csv("d:/gun.csv",sep = ",",stringsAsFactors = FALSE,header = TRUE,quote=””) 然后将需要的字段取出来，在这里取出了一下几个字段：
gundata[,c("incident_id","date","state","city_or_county","n_killed","n_injured"," congressional_district","latitude","longitude","state_house_district","state_sen ate_district")] gd <- subset(gundata,select=c(incident_id,date,state,city_or_county,n_killed, n_injured,congressional_district,latitude,longitude,state_house_district,state_s enate_district)) 然后根据州字段将所有数据划分为四个地区 阿拉巴马州Alabama 阿拉斯加州Alaska 亚利桑那州Arizona 阿肯色州Arkansas 加利福尼亚州California 科罗拉多州Colorado 哥伦比亚特区Columbia 康涅狄格州Connecticut 特拉华州Delaware 佛罗里达州Florida 佐治亚州Georgia 夏威夷州Hawaii 爱达荷州Idaho 伊利诺州Illinois
国网技术学院学员手册 (试行) 二○一一年二月
诚信责任创新奉献
目录 1、国网技术学院新员工岗前培训管理办法 (1) 2、国网技术学院学员行为规范 (6) 3、国网技术学院学员管理委员会工作章程 (8) 4、班委会工作条例 (12) 5、优秀学员评选办法 (15) 6、优秀学员干部评选办法 (17) 7、学员请假制度 (19) 8、课堂管理制度 (21) 9、学员违纪处分条例 (23) 10、学员量化考核办法 (31)
国网技术学院新员工岗前培训管理办法（试行） 第一章总则 第一条为加强公司总部对人力资源的管控和配臵力度，提升生产一线员工生产技能水平，提高新员工的岗位适应力、执行力和操作技能，使其快速实现从学生到公司合格员工的角色转换，根据中华人民共和国《教育法》、《职业教育法》、《民办教育促进法》等国家有关法律、法规，以及《国家电网公司教育培训管理暂行规定》等有关规定，特制定本办法。 第二条本《办法》适用于公司新进高校毕业生参加国网技术学院岗前培训的管理工作。 第二章培训目标 第三条了解公司的企业文化、业务及经营状况，认同公司的价值观和企业精神，理解并接受公司的管理理念和行为规范，培养团队协作意识，树立为企业建功立业的坚定信念。 第四条了解电力行业有关规章制度、法律法规、电力生产流程等内容，熟悉相关岗位职责、工作任务和工作目标，掌握工作程序和工作方法，培养责任意识，尽快实现从学生到企业员工的角色转换。 第五条熟悉生产现场，掌握安全生产工作规程，学会触电急 1
救等基本安全技能，提高安全意识，树立安全观念。 第六条通过系统的专业基础理论培训和操作技能训练，使公司新员工全面系统掌握电力企业生产一线相应工作岗位的操作技能和规范化操作程序，达到《国家电网公司生产技能人员职业能力培训规范》中相应职种的I 级职业能力（相当于中级工）要求。 第三章组织机构及职责分工 第七条公司人力资源部是新员工岗前培训的归口管理部门，负责制定有关配套政策和相关制度，负责年度培训计划的制定及下发，监督、检查和指导培训教学的管理工作。 第八条技术学院是公司新员工岗前培训的组织实施机构，下设学员管理部、课程策划部、实训部等部门，负责制定培训大纲和实施方案，负责新员工在校期间的培训和管理，组织考试考核并向送培单位定期反馈考核结果。 第九条送培单位根据公司下达的招生计划选派相应人员参加培训，按照技术学院反馈的考核结果发放奖学金，协助技术学院做好新员工培训期间的管理工作。 第四章培训组织与实施 第十条技术学院根据公司下达的高校毕业生年度招聘计划，生产一线业务需求和自身的办学条件等，确定年度培训招收规模、招收对象和招收专业，报公司审批。 2
知识点一数据仓库 1.数据仓库是一个从多个数据源收集的信息存储库，存放在一致的模式下，并且通常驻留在单个站点上。 2.数据仓库通过数据清理、数据变换、数据集成、数据装入和定期数据刷新来构造。 3.数据仓库围绕主题组织 4.数据仓库基于历史数据提供消息，是汇总的。 5.数据仓库用称作数据立方体的多维数据结构建模，每一个维对应于模式中的一个或者一组属性，每一个单元存放某种聚集的度量值 6.数据立方体提供数据的多维视图，并允许预计算和快速访问汇总数据 7.提供提供多维数据视图和汇总数据的预计算，数据仓库非常适合联机分析处理，允许在不同的抽象层提供数据，这种操作适合不同的用户角度 8.OLAP例子包括下钻和上卷，允许用户在不同的汇总级别上观察数据 9.多维数据挖掘又叫做探索式多维数据挖掘OLAP风格在多维空间进行数据挖掘，允许在各种粒度进行多维组合探查，因此更有可能代表知识的有趣模式。 知识点二可以挖掘什么数据 1.大量的数据挖掘功能，包括特征化和区分、频繁模式、关联和相关性分析挖掘、分类和回归、聚类分析、离群点分析 2.数据挖掘功能用于指定数据挖掘任务发现的模式，分为描述性和预测性 3.描述性挖掘任务刻画目标数据中数据的一般性质 4.预测性挖掘任务在当前数据上进行归纳，以便做出预测 5.数据可以与类或概念相关联 6.用汇总、简洁、精确的表达描述类和概念，称为类/概念描述 7.描述的方法有数据特征化（针对目标类）、数据区分（针对对比类）、数据特征化和区分 8.数据特征化用来查询用户指定的数据，上卷操作用来执行用户控制的、沿着指定维的数据汇总。面向属性的归纳技术可以用来进行数据的泛化和特征化，而不必与用户交互。形式有饼图、条图、曲线、多维数据立方体和包括交叉表在内的多维表。结果描述可以用广义关系或者规则（也叫特征规则）提供。 9.用规则表示的区分描述叫做区分规则。 10.数据频繁出现的模式叫做频繁模式，类型包括频繁项集、频繁子项集（又叫频繁序列）、频繁子结构。 11.频繁项集一般指频繁地在事务数据中一起出现的商品的集合 12.频繁子序列就是一个频繁序列模式 13.子结构涉及不同的结构，可以与项集和子项集一起出现 14.挖掘频繁模式导致发现数据中有趣的关联和相关性 15.包含单个谓词的关联规则称作单维关联规则。多个谓词的关联规则叫做多维关联规则。 16.如果不能同时满足最小支持度阈值和最小置信度阈值是无趣的关联规则。 17.频繁模式挖掘的基础是频繁项集挖掘 18.分类找出描述和区分数据类或概念的模型或者函数来预测类标号未知对象的类标号。 19.导出模型是基于训练数据集的分析，预测类标号未知对象的类标号。形式有分类规则、决策树、数学公式或者神经网络 20.决策树类似流程图的树结构，每一个结点代表一个属性上的测试，每一个分支代表测试
国网技术学院培训心 得
国网培训总结 时光荏苒，岁月匆匆，为期四个月的国家电网公司新入职员工岗前集中培训即将告一段落。静心回顾着这四个月的学习生活，一方面我受益匪浅；另一方面从内心中，我默默感谢公司提供的培训平台，深深感谢培训老师们的精彩授课，真诚感谢同学们与我一起渡过这段难忘的培训时光。 韩愈诗云“业精于勤而荒于嬉，行成于思而敏于随”。换句话说，就是只有勤奋学习，才能更好地精通所学知识，只有善于总结过去的知识与经验，才能更好地展望未来。下面就按照在国网技术学院培训的时间顺序，我总结一下这近120天的培训学习经历。 开学的第一课是严格的军训。为期七天的军训生活，时间不长但却给我们留下了痛并快乐着的印迹。我们班共50人，编队为四营九连，教官是位年龄也比我们绝大多数学员都要小的，济南军区的士官，但他那稚嫩的脸上却写满了严肃、认真与负责的军人风姿。在训练场上，他用军人嘹亮的桑音给我们发军训的号令，他按军人标准的要求纠正我们不规范的动作与姿势，他以军人意气风发的军容军貌震撼我们的随意与散慢。 在这短短的七天里，来自全国各地的我们从互不认识到打成一片，从腼腆羞涩到个性张扬。在军训中，我们每天按时出操，每天认真地学习基本简单的体能训练，每天仔细地整理内务如叠豆腐块、整齐摆放桌面物品、正确使用电源等。这些都在磨砺着我们的意志，激励着进我们的成长，军训让我们剔除了大学时期的懒散、自私、怕吃
苦、缺乏团队精神、反叛意识强等不好习性，让我们学会了吃苦耐劳，理解了纪律的重要性，认识到个人与团队间的关联等。良好的生活习惯、良好的品格和良好的能力为我们将来更好地投入到工作岗位奠定基础。 军训生活磨练了我们坚强的意志，培养了我们良好的作风，军训汇演上的国网新员工入职宣誓表明了我们“努力超越，追求卓越”的决心。伴随着军训生活的结束，我们紧接着进行了理论课程的培训。那些来自国网公司生产一线的兼职培训师和国网技术学院的专职老师的精彩授课，教会了我们职业生涯中必备的安全知识、技能知识以及终生学习的态度。 军训后的第一课，我们是从《安规》开始。任课老师并没有教条式的讲解《安规》内容，而是结合实际工作案例来进行详细地讲解。音视频、图片和文字表述，让我感受到“态度决定一切，细节决定成败”的意义，更让我明确学习《安规》的重要性，因为这里的每句话都可能是无数前辈用伤痛，甚至用鲜血与生命换来的。所以，我既然选择电力系统这个高危行业，首先必须要树立一个正确的安全观，改变原来简单、浅薄的安全观，要从生活的点点滴滴开始，从走进工区的第一步开始，从自我做起，让《安规》中的条条框框真正融入我的生活，培养我学习、工作和生活的良好习惯。 《安规》是我们工作中行为规范的标杆，接下来就是通过专业理论课程和综合理论课程的学习，来体会其重要性。
摘要 数据挖掘技术可以在浩瀚的数据中进行统计、分析、综合、推理，发现数据部关联，并作出预测，提供数据信息，为决策提供辅助支持。目前，数据挖掘技术已经广泛应用在商业领域，同样，可以将数据挖掘技术与国家教育项目相结合，对项目中的各类数据信息进行挖掘分析，提取隐藏的数据信息，为项目开发部门提供决策依据，进一步提高项目的科学性和高效性。 本文结合自身参与教育部指定的关于城市集群竞争力项目的实践经验，分析数据挖掘技术在国家教育项目中应用的可行性，并以此为例，采用JAVA语言编写实现KNN算法。 在项目实施方案中，以城市集群的数据为基础，完成数据挖掘的全过程：确定数据挖掘的对象和目标、数据清理和预处理，对某个指标缺失的数据引入神经网络方法进行预测填补，对缺失较多的数据引入对比和类比的方法进行预测填补，采用KNN算法实现数据分类，形成指标体系。利用数据挖掘的结果，通过对指标数据的分析，预测决定城市集群竞争力的主要因素，从而为今后城市集群的发展方向和职能定位提供参考，为城镇体系的总体发展指明方向，为提高我国城市集群整体经济实力和综合竞争力提供一些有益的建议和对策，促进成熟集群向一体化方向发展，同时也可以为国其他城市集群的发展提供给一些有益的参考。 【关键词】数据挖掘 KNN算法数据分类 JAVA 城市集群竞争力
目录 摘要 (1) 目录 (2) 第一章绪论 (3) 1.1研究背景和研究意义 (3) 第二章数据挖掘技术的研究 (4) 2.1 数据挖掘的功能 (4) 2.2 数据挖掘的对象 (6) 2.3 数据挖掘的过程 (7) 2.4 数据挖掘算法 (9) 第三章 KNN算法介绍与实现 (10) 3.1 KNN算法介绍 (10) 3.2 KNN算法的JAVA实现 (12) 第四章总结 (17)
国网技术学院泰山校区培训心得 国网技术学院泰山校区培训心得 ——刘俐君 刘俐君 时光匆匆，三个半月的培训已接近尾声，虽然草木已不复来时葱郁，然而我们已在国网这片土地扎根。巍峨的泰山，初生的朝阳，漫天的星斗，见证了我们的汗水与成长。 军训时的场景还历历在目，还记得，我们每一天在轻雾中晨跑，看着阳光刺破迷雾，照亮山壁；还记得，我们在鸟鸣声中站军姿，四周静的可以听见微风吹过山谷的呼吸，紧绷的身躯笔直的向上，仿佛这样便可如那青松一般，坚韧长青；还记得，我们在烈日下训练，脚步声从散乱到整齐，将一颗颗散乱的心收拢凝聚……军训磨去了我们的惰性，纪律与团队的重要性在这次没有纸笔的课程中被刻画的深入人心。军训期间还发生了一件令我难以忘怀的事情，那就是除草。在空旷的草地上，半人高的野草，蹩脚的挥舞着并不熟悉的镰刀，窘迫的使用着陌生的耙子，那些曾经矜持的女生们也不顾形象的徒手拔起扎根在地的枯草。这亦是生动的一课，今后的工作或许会苦，会累，会十年如一日的枯燥乏味，但是我们的心始终会被夜晚的万家灯火所抚慰。 培训的课程是繁忙而有趣的，实训课程以业扩报装为线索，以SG186系统为平台，了解了从业务受理到资料归档实现的整个流程，并在学习过程中模拟营业厅业务受理过程，通过游戏的方式让我们铭记受理过程中的各项要求与注意事项。在随后的实训中，进行了业扩各个模块的深化训练，从最初与客户接触的营业厅业务受理，到配表环节的装表接电，终端调试，接线检查以及电费抄核收的
整个流程。在这期间，有编排礼仪操与情景剧的欢乐，也有捋线，做欧姆圈的辛苦，不过通过跟同学与老师的交流，让我学到了不少书本上没有的知识与技巧。并且实训老师们对于工艺与流程的要求相当严格，对现场安全的要求更是到了严苛的地步，在学习的过程中也使我充分的认识到：电力的工作是相当严谨的，安全始终位于第一位，还需要有认真仔细的态度和不断的练习与反思，才能将工作趋于完美。企业文化课程为我们介绍了企业的核心价值观、三集五大体系等，让我们对企业有了系统的了解，加深了对企业文化的认同感。并且组织了《全球能源互联网》讲座与交流，让我们获益良多，我们会为了那个健全的，清洁的电网而奉献自己的青春与汗水。同时急救知识对我们的生活与工作都是十分重要的，课程通过分组学习的形式，让同学们相互包扎，相互交流，在活跃的氛围下迅速掌握了相关知识。 这个深秋在雄伟壮丽的泰山见证下，我们度过了最后的学生时代，不知多年后的我们如若再有机会相遇此地是否会感慨曾经埋下的种子已长成参天大树。成长的过程总是苦涩，在路上我们会埋怨道路的坎坷，会抱怨挡路石的阻碍，但是当我们走过了成长的路，回望昨天那些荆棘，发现那些曾经在意的事似乎都渺小到看不到，我们会变得愈发坚强自信，这种可喜的结果才能不负过往的历练。我愿在国网的悉心培养中冲破厚厚的云层，闪烁耀眼的光芒。
国网技术学院培训感悟 我有幸参加了国家电网公司2010届新录用员工第二期培训班，感到非常骄傲和自豪。 转眼间，五个月已经过去了，通过这段时间的脱产学习，理论知识水平、实际操作能力、个人政治思想素养都得到很大提高，为今后立足本职工作，更好地服务于建设“一强三优”现代公司的工作大局打下了良好的基础。具体有以下几个方面的体会。 一、重视基础理论知识和基本技能的掌握，实践中提高业务素质。 2月28号开始军训时，济南正好遭遇了冷空气，天气异常寒冷，而且还有降雪过程，大家穿着跟夏天军训时一样的迷彩服，虽然都冻得牙关紧咬，可我们都坚持了下来，支持我一直坚持的信念便是——如果这点苦都不能忍受，以后怎么做个合格的电力员工。 总结如下： （一）理论知识的学习： 1．对《电力系统继电保护原理》进行学习。继电保护原理也是继电保护专业的基础，这门课通过对各种故障的特点进行总结分类，讲述了保护的构成原理，以及各种原理的保护的使用范围，优点和缺点，以及系统中各种保护的配合使用问题。由于我们这些同志绝大部分来自地区供电公司，所以我们主要学习了220kv及以下电压等级的保护原理。 2．对ct、pt的学习。ct和pt是变电值班操作人员必须熟悉掌握的设备，ct、pt将一次的大电流、高电压变为继电保护能够使用的小电流、低电压。通过学习，我掌握了ct二次绕组有好几个，分别供保护、测量、计量用，以及零序电流的采集方法；ct、pt的极性接线正确与否直接关系到保护是否能可靠工作。 3．二次回路对我来说是一个陌生的知识点。以前学校重视原理教学，二次回路部分并没有讲。在开始讲二次回路前，我对其进行了恶补，有什么不会的问题，找老师和有工作经验的同学请教，在后来通过上课学习，我对二次回路有了一定程度的掌握，二次回路分为控制回路、测量回路、信号回路、调节回路、继电保护和自动装置回路以及操作电源系统，现在我掌握比较好的是电源系统、测量回路和信号回路，其他的回路我正在不断的学习中。 （二）实际操作的学习： 1.手工填票，实际模拟操作；这部分包括10kV、35kV手工填票，10kV、35kV 倒闸操作；110kV、220kV手工填票，110kV、220kV倒闸操作；330、500kV手工填票，500kV倒闸操作。实际操作是在实训室进行的，通过软件模拟仿真训练。仿真与现场设备完全相同，使我们的操作水平大大提升。 2.登杆实训；登杆实训是在实训场地进行的，技术水平很高但是我们都掌握了基本的登杆作业技能，虽然我们不从事输电专业，但是登杆作业这是电力现场