启发式搜索：序列向前选择、序列向后选择、双向搜索、增加L去R选择算法、序列浮动选择、决策树。

完全搜索：广度优先算法、分支限界算法、定向搜索算法、最优算法。

随机算法：随机产生序列选择算法、模拟退火算法、遗传算法。

数据仓库

数据仓库一般称为联机分析处理OLAP，针对某些综合数据的历史数据进行分析，支持管理决策。

数据库一般称为联机事务处理OLTP，针对具体的业务在数据库中的联机操作，具有数据量少的特点，通常对少量的数据记录进行查询、修改。

 

粒度：数据仓库的数据单位中保存数据的细化或综合程度的级别。细化程度越高，粒度级越小。

数据仓库开发要从需求出发。

数据仓库特征：

数据仓库随着时间变化不断增加新的数据内容，而数据库随着时间变化不断删去旧的内容；数据仓库捕捉的新数据会覆盖原来的快照；数据仓库中的综合数据随着时间变化不断进行重新综合。

数据挖掘-任务分类：

根据数据挖掘的目标，将数据挖掘任务分为如下：模式挖掘、模型挖掘（描述建模、预测建模）。

①模式挖掘：如异常模式、频繁模式；

②描述建模：为数据的总体分布建模，把多维空间划分成组等问题。如聚类分析。

③预测建模：建立一个模型，通过这个模型根据已知的变量值预测其它某个变量值。如分类预测，趋势分析等；

PS:探索性数据分析任务：使用交互式的和可视化的技术，对数据进行探索。

根据内容检索任务：用户有一种感兴趣的模式且希望在数据集中找到相似的模式。

数据挖掘-特征创建：

依据原有属性创建出新的属性集，且新的属性数目可能少于原有的属性数目，即降维。

创建新属性的方法：

1. 特征提取：根据原由的数据自己创建新的属性集。
2. 映射数据到新的空间
3. 特征构造：当原始数据的特征不适用于数据挖掘的算法时需要用原始特征构造新的特征。