吴信东--数据挖掘top10算法

背景：

09年12.31日下午，应清华大学智能计算实验室邀请，吴教授在清华深圳研究院C栋做了一个讲座。

 

人物：

吴信东，计算机科学家，数据挖掘领域知名学者。

（以下来自http://zx.china-b.com/hfgydx/zixun_22448.html）

吴信东教授是国际学报知识与信息系统(Knowledge and Information Systems)的创办人、主编(1999年1月～2004年12月) 、和名誉主编(2005年1月至今) ，国际电机与电子工程师学会“国际数据挖掘大会”(IEEE International Conference on Data Mining) 的创办人和指导委员会主席(2001年至今)，德国Springer出版社高等信息与知识处理(Advanced Information and Knowledge Processing)系列丛书的两名主编之一，和国际电机与电子工程师学会计算机学会(IEEE Computer Society)智能信息处理(Intelligent Informatics)委员会的主任(2002~2008)。他曾受邀、受聘在11个国际会议上作特邀或主题报告，在8份学术期刊的编委会和100多个专业会议的程序委员会上担任各种职务，包括《IEEE Transactions on Knowledge and Data Engineering》的副编(Associate Editor, 2000年1月～2003年12月)、主编(2005年1月至今)、和几个会议的大会主席或程序委员会主席。

（以下来自http://zh.wikipedia.org/wiki/%E5%90%B4%E4%BF%A1%E4%B8%9C）

1984年8月获合肥工业大学微型机应用研究所计算机应用学士学位。

1987年7月获合肥工业大学计算机与信息系计算机应用硕士学位。

1993年7月获英国爱丁堡大学人工智能博士学位。

1987年7月至1991年3月在合肥工业大学任助教。

1993年7月至2001年8月，曾先后在澳大利亚的詹姆士库克大学（James Cook）任讲师，蒙纳许大学（Monash）任高级讲师，和美国的科罗拉多州立矿业学院(Colorado School of Mines)任副教授。

2001年9月至今，在美国佛蒙特（Vermont）州佛蒙特大学计算机科学系任正教授兼系主任。

 

讲座主题：

主要介绍评选top10算法的整个过程，从想法到最终实现。

 

内容概览：

top10算法的前期背景是吴教授在香港做了一个关于数据挖掘top10挑战的一个报告，会后有一名内地的教授提出了一个类似的想法。吴教授觉得非常好，开始着手解决这个事情。找了一系列的大牛（都是数据挖掘的大牛），都觉得想法很好，但是都不愿自己干。原因估计有一下几种：1.确实很忙2.得罪人3.一系列工作很繁琐等等。最后和明尼苏达大学的Vipin Kumar教授一起把这件事情承担下来。先是请数据挖掘领域获过kdd和icdm大奖的十四个牛人提名候选，其中一人因为确实很忙，正从ibm转行到微软，吴教授虽然没提其名字，但从经历来看，应该就是我眼中的数据挖掘之父印度人--Rakesh Agrawal，就是他没有给出提名，其他13位都给出了自己心中的候选。经过汇总和筛选，共有18个算法，涵盖分类，聚类，图挖掘，关联分析，rough set等领域。由于是算法，一些比较有影响的领域，如神经网络，进化算法等都没有一个特别具体的算法，只能是一个比较大的框架或者思想等，就没有入选。汇总后，吴和Vipin Kumar就开始吵架，吴想删掉一些算法，比如naive bayes，他觉得过于简单，而Vipin Kumar则想添加一些，比如基于规则的挖掘算法（忘记吴是怎样说的了，大概就是这个意思）。最后作为一个折中，谁都没有增删其中的算法。第二步请更多的大牛，包括其中提名的那些最大牛进行投票，每人仅有一票，最终得出了其中的10个作为最后的算法。有些人的几个算法（韩家炜教授有三个算法成为候选，但一个也没有进入top10）都很优秀，却因为开创性，影响力等问题一个也没有入选最终名单。

在大会上宣布的时候，要请一些人来讲这些算法，大家都开开心心的来了，却因为算法的前后排名不高兴。（邀请的时候没说排名，只说进入top10），cart的宣讲人是该系统的拥有公司的一个技术顾问来讲的（发明此算法的四位统计学家，如breiman等，由于年龄问题，其中两位都已经过世了，有一个已经退休,都无法前来，而且他们已经将cart的所有权全部转让给一家公司了），一看自己是第一个讲得，不开心，尽管是凤尾，呵呵。等到最后一个讲完，他更是不开心，原因是第一个竟敢是C4.5，这个和cart都是决策树的经典算法，而且cart还比c4.5提出来的早，c4.5的一些思想直接或间接来源于此。吴见状，上前道：您觉得这十个算法哪几个容易被人凝记，这人带气曰：“我哪知道”，吴答道：最后一个和最前一个，这人呵呵一笑，笑得是老有深意啦。

 

特别爆料：

另据吴教授讲，他正准备在明年悉尼的会议上推出top10 case，既是数据挖掘应用的十个案例（或者领域），大家期待吧！

 

附数据挖掘top 10算法列表：

 C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART

详细论文请参阅：http://cid-e9e3c8934f6e9b47.skydrive.live.com/self.aspx/Papers/Top%2010%20algorithms%20in%20data%20mining.pdf