数据挖掘领域的主要会议 【转载】
http://blogger.org.cn/blog/more.asp?name=zhaoyong04&id=24556
一流的：数据库三大顶级会议SIGMOD，VLDB，ICDE，数据挖掘KDD，实际相关的还有机器学习ICML,还有信息检索的SIGIR；数据库的理论会议PODS，但它是理论的会议所以和咱们就不大相关了
二流的：EDBT，ICDT，CIKM，SDM，ICDM，PKDD，还有ECML欧洲的机器学习会议（这个应该是1.5档的，比一般的二流好），这些会也不好中，中了也会会觉得不一定爽，你可能觉得再以努力就上一流了，哈哈。还有一些会，俺就懒得列了！
下面是很早以前AI版的一个帖子，写得还不错，看看吧，哈哈
————————————————————————————————————
有些人的工作很原创，每年总有一些很新颖的东西。有的人文章很多，但主要都是ｆｏｌｌｏｗ别人的工作。Ｄａｔａｂａｓｅ领域有不少ｐａｐｅｒ ｍａｃｈｉｎｅ。有的地方，整个ｇｒｏｕｐ就是一个大的ｐａｐｅｒｍａｃｈｉｎｅ。
个人感觉数据库研究者倾向于把数据挖掘看作一个数据库的子领域，因而对数据挖掘的会议
rating较低。然而对其他背景的人而言，数据挖掘是相对独立的一个新兴领域，因而对其会
议rating比较高。
SIGMOD：97分，数据库的最高会议，涉及范围广泛，稍偏应用（因为理论文章有PODS）。没
说的，景仰如滔滔江水。这个会议不仅是double-blind review，而且有rebuttal procedur
e，可谓独树一帜，与众不同。
VLDB：95分，非常好的数据库会议。与SIGMOD类似，涉及范围广泛，稍偏应用。
从文章的质量来说，SIGMOD和VLDB难分伯仲，没有说谁比谁更高。他们的范围也几乎一样。
不少牛人都认为，今年的rebuttal procedure其实并不怎么成功。投稿太多，很难做到每一
篇都公平公正。很多rebuttal没人看。
double-blind是把双刃剑。这几年来每年都有人冒充牛人的风格来投稿，有的还真进去了。
反而VLDB的审稿质量一直很高。每年的VLDB都有很理论的paper。
一般来说，我感觉大家还是认为SIGMOD要好那么一点点。根据我个人读过的文章，也有这样
的感觉。不过这个并不重要了，有差别也是那么一点。
PODS：95分。是“数据库理论的最好会议,也是一个很好的理论会议”。每年总是co-locate
d with SIGMOD。感觉其中算法背景的人占主流（你可以数数PODS文章中有多少来自Motwani
group），也有一部分AI背景的人（毕竟SIGART也是主办者之一）。它的影响力远不及SIGM
OD，然而其中文章的质量比较整齐，variance小于SIGMOD（以及其他任何数据库会议）。有
一位牛人说：“PODS never had a re
ally bad paper，”这是它值得骄傲的地方。
KDD:：full paper 95分，poster/short paper 90分。数据挖掘的最高会议。由于历史积累
不足以及领域圈子较小，勿用讳言KDD目前比SIGMOD尚有所不如。我觉得我们可以这样类比
：KDD:SIGMOD=CRYPTO:STOC。回顾密码学的历史，真正最牛的文章一般发在STOC/FOCS而非C
RYPTO/EUROCRYPT，这和今天的数据挖掘何等类似！然而你看看今天的密码学文章，已经有
顶级的密码学家（恕我不便写出名字）不再往STOC/FOCS投稿。我觉得同样的事情在不久的
将来也会发生在数据挖掘中，让我们拭目以待。
这几年来KDD的质量都很高。其full paper的质量高于SIGMOD/VLDB中数据挖掘方面的paper
的质量。原因是SIGMOD/VLDB审稿人中数据挖掘的人很少，审稿标准不一定能掌握得很好。
这几年好几篇SIGMOD/VLDB的数据挖掘paper都follow一些KDD的paper。而在KDD，要拿一篇f
ull paper真难。去年复旦拿了一篇，实属难能可贵。今年他们又拿了一个SIGMOD demo，说
明工作的确很扎实。
听说在很多地方，如果能有一篇SIGMOD/VLDB/KDD，就能博士毕业，能有两篇就能找到不错
的工作。“革命尚未成功，同志仍需努力！”
ICDE：92分。很好的数据库会议，也是一个大杂烩。好处是覆盖面广、包容性强，坏处是文
章水平参差不齐。
EDBT：88分，不错的数据库会议，录取率很低然而历史积累不足，影响还明显不及ICDE。
ICDT：88分，PODS的欧洲版，数据库理论第二会议。
和SIGMOD/VLDB一样，ICDE和EDBT在质量和影响上都不相上下。
其它的如CIKM，ICDM，SDM，SSDBM，PKDD等等都比以上的会议差一截。
CIKM：85分。
SDM：full paper 90分，poster/short paper 85分。SIAM的数据挖掘会议，与ICDM并列为 数据挖掘领域的第二位，比KDD有明显差距。好像其中统计背景的人比较多，也有一部分机 器学习背景的人，比较diversified。
ICDM：full paper 90分，poster/short paper 85分。IEEE的数据挖掘会议，与SDM并列为
数据挖掘领域的第二位，比KDD有明显差距。
PKDD：83分（因为poster/short paper数量很少，所以不予区分）。好像是KDD的欧洲版，
但与KDD差距很大。
分享到：
相关推荐
8. 论文集的论文内容涉及智能计算的理论研究以及实际应用，覆盖了计算机科学的多个子领域，如人工智能、机器学习、模式识别、自然语言处理、智能系统设计和应用、知识发现和数据挖掘等。 通过上述梳理，我们可以...
该系列囊括了计算机科学与技术领域的各类顶级会议论文，涵盖了计算机视觉、图像处理、人工智能、图形学、人机交互、数据挖掘等多个研究方向。 在2014年的计算机视觉会议集中，我们可以看到许多知名编辑和编辑委员会...
dnSpy-net-win32-222.zip
和美乡村城乡融合发展数字化解决方案.docx
如何看待“适度宽松”的货币政策.pdf
NCO 3.0.18 64位
法码滋.exe法码滋2.exe法码滋3.exe
* GPS IMU经典15维ESKF松组合 * VRU/AHRS姿态融合算法 * 捷联惯导速度位置姿态解算例子 * UWB IMU紧组合融合 * 每个例子自带数据集
在现代社会生活与生产活动下，不可避免的会产生巨量且多样的垃圾。我国的人口和经济总量均位居世界前列，因此，必然面临着庞大数量的垃圾处理的难题。如何通过人工智能来对垃圾进行有效分类，成为当前备受关注的研究热点。本文为展开基于深度网络的垃圾识别与分类算法研究，先使用PyTorch框架中的transforms方法对数据进行预处理操作，后经过多次调参实验，对比朴素贝叶斯模型、Keras卷积神经网络模型、ResNeXt101模型的垃圾分类效果。确定最佳分类模型是ResNeXt101，该模型在GPU环境下的分类准确率达到了94.7%。最后利用postman软件来测试API接口，完成图片的在线预测。在微信开发者工具的基础上，利用一些天行数据的垃圾分类的API接口再结合最佳模型的API接口，开发出了一个垃圾分类微信小程序。本文的研究内容丰富和完善了垃圾图像分类的相关研究，也为后续的研究提供了一定的参考价值。
一、上位机简介 在单片机项目开发中，上位机也是一个很重要的部分，主要用于数据显示（波形、温度等）、用户控制（LED，继电器等），下位机（单片机）与 上位机之间要进行数据通信的两种方式都是基于串口的： USB转串口 —— 上位机和下位机通过USB转串口连接线直接相连进行数据交互 串口转WIFI（ESP8266）—— 上位机和下位机基于TCP/IP协议通过以太网或者WIFI传输数据 串口转蓝牙（HC-06）—— 不多用，暂不介绍 Windows上位机（EXE可执行程序），最早用VB语言开发，后来由于C++的发展，采用MFC开发，近几年，微软发布了基于.NET框架的面向对象语言C#，更加稳定安全，再配合微软强大的VS进行开发，效率奇高。 本文使用Visual Studio 2022作为开发环境，上位机开发主要有WPF框架与Winform框架，他们都是基于.NET框架 WPF需要C/S基础，使用XAML来构建应用UI，界面比较美观，但是内存开销大 Winform可以使用窗口控件来构建应用，比较简单易学 二、开发环境设置 1. 安装Visual Studio 首先，确保你已经
course_s4_ALINX_ZYNQ_MPSoC开发平台Linux驱动教程V1.04.pdf
基于JavaWeb的毕业季旅游一站式定制服务平台_88z1j4jp_208-wx-(1).zip
Apeaksoft Data Recovery for Mac v1.6.16
cms测试练习项目（linux系统部署），可以用来进行python的测试练手项目
数据集简介：大学录取结果分析 概述 大学录取结果数据集包含了有关大学录取过程的信息，包括关键变量，可用于分析不同学术因素与申请者是否被录取之间的关系。该数据集非常适合进行探索性数据分析、训练预测模型以及研究影响录取决策的因素。 数据集列描述 admit：指示申请者是否被录取（1=被录取，0=未录取）。 paes：申请者在高等教育能力测试（PAES）中获得的分数。 nem：中学教育成绩平均分，评分范围从1.0到7.0。 rank：申请者在其班级中的排名，数值越低表示排名越好。 数据集目的 本数据集旨在让用户探索学术指标（如PAES分数、GPA和排名）与大学录取成功率之间的关系。这可以用于： 开发预测模型：基于学术表现预测录取可能性。 识别趋势：找出影响录取的关键学术因素。 生成可视化图表：理解分数分布及录取结果的关系。 数据集规模 记录数：1813条。 列数：5列。
STM32F427+rtthread下的bootload 网口(webclient)+串口(ymodem)传输，代码无质量，谨慎使用
1. 用户管理功能 用户注册与登录：用户可以通过手机号、邮箱等方式注册账户，并且可以通过账号登录系统进行购票、查看历史订单等操作。 个人信息管理：用户可以查看和修改个人信息（如姓名、手机号、邮箱等），并进行密码重置等操作。 实名认证：部分电影院购票系统要求用户进行实名认证，确保用户身份的真实性。 2. 电影信息展示功能 电影排片查询：用户可以查看当前和未来一段时间内的电影排片表，包括电影名称、上映时间、影片时长、类型、导演、演员等详细信息。 电影详情页：点击具体电影后，用户可以查看电影的详细信息，如剧情介绍、影评、评分、预告片等内容。 电影评分与评论：用户可以查看其他观众的评分和评论，也可以对已观看的电影进行评分和评论。 3. 座位选择与预定功能 影厅座位图：系统展示每场次的影厅座位图，用户可以通过座位图查看当前座位的状态（如可选、已选、已售出、VIP座位等）。 座位选择：用户可以选择自己喜欢的座位，系统会实时更新座位的可用状态，避免重复选择。 座位偏好设置：用户可以设置自己的座位偏好，如选择前排、中排或后排，靠窗或靠过道等。 4. 电影票购买与支付功能 票价展示：系统会展示每个座位的
Bukkit-BETA1.8.1服务端核心
内容概要：本文详细介绍了快速排序算法的原理和在Go语言中的高效实现方法。首先解释了快速排序的基本思想和实现步骤，接着提供了Go语言中实现快速排序的核心代码，并讨论了性能优化策略。最后，通过具体的应用场景实例，展示了快速排序在实际项目中的高效应用。 适合人群：具备一定编程基础，特别是对Go语言感兴趣的开发人员。 使用场景及目标：①理解快速排序算法的基本原理和分治策略；②学习如何在Go语言中高效实现快速排序；③掌握快速排序在实际项目中的应用实例。 阅读建议：本文不仅详细讲解了快速排序的原理，还提供了具体的实现代码和优化策略，建议读者在阅读过程中尝试实现和调试代码，以便更好地理解和掌握相关知识点。