NSL-KDD数据集是KDD 99数据集的改进

我们这里提供了一份完整的公开的网络流量数据集NSL-KDD，希望可以帮助研究这方面的你们，本人毕设用的就是这个数据集，亲测有效！

本文整理了五篇KDD 2020 迁移学习（Transfer Learning）相关论文，供大家参考——对抗攻击、时序数据、半监督协同过滤、迁移集成学习、信息抽取

需要三个空白文件夹，一个存放数据包，一个存放解析时的json文件，还有一个存放最终的csv文件，并且最终制成数据集的形式

KDD论文精华解读，新零售智能引擎事业群出品，12位阿里巴巴技术专家深度解读，很不错，快来下载吧

超大规模用户数据挖掘和推荐算法 最新进展 （1）数据规模、挑战； （2）KDD-CUP 2012； （3）KDD-CUP 2012 Solution 剖析； （4）数据挖掘和推荐的新趋势；

#Something about the data mining 数据挖掘(Data mining):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。 数据分析十大经典算法: 1.Apriori ：是一种最有影响的挖掘布尔关联规则频繁项集的算法。 2.C4.5：是机器学习算法中的一种分类决策树算法，其核心算法是 ID3 算法。 3. Naive Bayes：在众多分类方法中，应用最广泛的有决策树模型和朴素贝叶斯（Naive Bayes） 4. K-means 算法：是一种聚类算法 5. SVM：一种监督式学习方法，广泛应用于统计分类以及回归分析中 6.CART:分类与回归树,下面有两个关键的思想，第一个是关于递归地划分自变量空间的想法，第二个是用验证数据进行减枝 7. KNN:是一个理论上比较成熟的的方法，也是最简单的机器学习方法之一。 8. Pagerank:是 google 算法的重要内容。 9. adaboost:是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器然后把弱分类器集合起来，构成一个更强的最终分类器。 10. EM：最大期望值法。 注意:十大算法大概分类: KNN，决策树(以 C4.5)为例,SVM,AdaBoost,CART,Naive Bayes 都是分类作为目的的算法 而 K-means 是最常见的聚类算法；Apiori 是关联规则挖掘算法;EM 是一种概率模型参数的算 法;PageRank 是一种链接分析的算法，主要用于图数据里，对结点重要性进行排名.

引言 KDD与数据挖掘 数据挖掘方法 数据挖掘的应用和发展趋势 数据预处理 可视化数据挖掘 什么激发了数据挖掘 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。获取的信息和知识可以广泛应用于各种领域，如商务管理、生产控制、市场分析、工程设计和科学探索等。 面对海量数据库和大量繁杂信息，如何才能从中提取有价值的知识，进一步提高信息的利用率，由此引发了一个新的研究方向：基于数据库的知识发现（Knowledge Discovery in Database）及相应的数据挖掘（Data Mining）理论和技术的研究。 为什么数据挖掘是重要的 数据的丰富带来了对强有力的数据分析工具的需求。快速增长的海量数据收集存放在大型和大量的数据库中，没有强有力的工具，这些数据就变成了“数据坟墓”——难得再访问的数据档案。因此数据和信息之间的鸿沟要求系统地开发数据挖掘工具，将数据坟墓转换成知识“金块”。

图神经网络对抗攻击与防御PPT，分享了Nettack和GNNGUARD

KDD CPU99 数据集，已经经过处理，适合于二分类问题比如说异常检测。 已经分好了训练集与测试集，分别是两个文件。