发布时间：
数据挖掘（英语：Data mining），又译为资料探勘、数据采矿。它是数据库知识发现（英语：Knowledge-Discovery in Databases，简称：KDD)中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。
北大核心里综合性生物类核心期刊表根据主管单位级别期刊等级，基本全是国家级：《生态学报》国家级，主管：中国科学技术协会《生物化学与生物物理学报（英文）》国家级，主管：中国科学院《遗传学报(英文版)》国家级，主管：中国科学院《中国生物化学与分子生物学报》国家级别，主管：中国科学技术协会《生物化学与生物物理进展》国家级，主管：中国科学院《微生物学报》国家级，主管：中国科学院《生物物理学报》国家级别，主管：中国科学技术协会《遗传》国家级，主管：中国科学院《生物工程学报》国家级，主管：中国科学院《应用生态学报》国家级，主管：中国科学院《中国科学院》国家级，主管：中国科学院《中国科学C辑》国家级，主管：中国科学院《古生物学报》国家级，主管：中国科学院《微生物学通报》国家级，主管：中国科学院《水生生物学报》国家级，主管：中国科学院出版图书情报委员会《菌物系统（改名为：菌物学报）》国家级，主管：中国科学院《生物多样性》国家级，主管：中国科学院《生物工程进展（改名为：中国生物工程杂志）》国家级，主管：中国科学院《实验生物学报》新闻出版总署未查到，应该属于停刊或改名期刊《生命的化学》国家级别，主管：中国科学技术协会《古脊椎动物学报》国家级，主管：中国科学院《微体古生物学报》国家级，主管：中国科学院《生态学杂志》国家级别，主管：中国科学技术协会《生物数学学报》新闻出版总署未查到，应该属于停刊或改名期刊
数据挖掘相关的权威期刊和会议-----------------------------------------------[Journals] ACM Transactions on Knowledge Discovery from Data (TKDD) IEEE Transactions on Knowledge and Data Engineering (TKDE) Data Mining and Knowledge Discovery Knowledge and Information Systems Data & Knowledge Engineering[Conferences] SIGMOD:ACM Conference on Management of Data (ACM) VLDB:International Conference on Very Large Data Bases (Morgan Kaufmann/ACM) ICDE:IEEE International Conference on Data Engineering (IEEE Computer Society) SIGKDD:ACM Knowledge Discovery and Data Mining (ACM) WWW:International World Wide Web Conferences (W3C) CIKM:ACM International Conference on Information and Knowledge Management (ACM) PKDD:European Conference on Principles and Practice of Knowledge Discovery in Databases (Springer-Verlag LNAI)个性化推荐建议去john riedl的主页逛逛，Grouplen的leader-du/~riedl/个性化推荐的书最出名的是 handbook 这是个性化推荐的"教科书" 国内貌似就有一本项亮的《推荐系统实践》
需要发表吗？具体的联系我
汉斯出版社的期刊都是国际ISSN期刊（国际期刊不在国内等级期刊评判范围内）， 若单位和学校认可ISSN刊物，一般算作或者等同于省级
是外文期刊的，不属于国内的
汉斯出版社的我是想问它是国家级？还是省市级？还是？
数据挖掘（英语：Data mining），又译为资料探勘、数据采矿。它是数据库知识发现（英语：Knowledge-Discovery in Databases，简称：KDD)中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。
构成一个人体需要500万亿个细胞， 一天有24小时即1440分钟86400秒，一年有365天有8760小时525600分钟31536000 秒，中国的土地面积960万平方。
这个杂志没有吧
是外文期刊的，不属于国内的
数据挖掘是从大量数据中提取人们感兴趣知识的高级处理过程， 这些知识是隐含的、 事先未知的， 并且是可信的、 新颖的、 潜在有用的、 能被人们理解的模式。随着信息化的普及和数据库的广泛应用，很多大型企业事业单位积累了数百亿字节的数据， 分析利用如此海量的数据，是数据挖掘技术的用武之地。数据挖掘在争取与保留客户、 交叉销售、 趋势分析与市场预测、 欺诈检测与风险防范等方面的成功应用令人鼓舞。
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。
数据挖掘得概念，关键技术及应用 数据挖掘的分类方法、概念、关键技术、图形图像得应用数据挖掘的关联规则、概念、算法（以两种算法规则为例）归纳算法过程
是外文期刊的，不属于国内的
科睿唯安（Clarivate Analytics）发布TKDE影响因子：977；TKDE是IEEE旗下专注知识发现和数据挖掘的期刊。是计算机领域数据挖掘方向的顶级期刊。
汉斯出版社的我是想问它是国家级？还是省市级？还是？
数据挖掘（英语：Data mining），又译为资料探勘、数据采矿。它是数据库知识发现（英语：Knowledge-Discovery in Databases，简称：KDD)中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。