LTL Checker，ProM 框架插件 2004 年，作为我在(TU/e)计算机科学与工程硕士学位的一部分，我在技术与社会系 (TeMa) 的信息系统组实习。 该小组致力于流程挖掘，即从流程生成的事件日志中提取有价值信息的过程。 该小组用 Java 开发了一个名为的工具，用于挖掘（大型）基于 XML 的流程日志。 在我的实习中，我为他们的 ProM 框架开发了一个插件，用于检查事件日志中是否符合或不符合(LTL) 中指定的某些属性的跟踪。 在 LTL 中，可以指定以下属性： 步骤 X 始终跟随步骤 Y 所有价值超过 $45.000 的案件均由经理 B 处理 周末创建的所有问题最多在两天内得到确认 等等。 有关此插件的更多信息，请参阅其以及与我的指导教授合着的论文：WMP van der Aalst 和 HT de Beer 和 BF van Dongen (2005) Proc

Process Mining ：Discovery,Conformance and Enhancement of Business Process prof. W.M.P

这是Aalst写的一本关于过程挖掘的书，很好

近年来，深度学习已经彻底改变了许多机器学习任务，从图像分类和视频处理到语音识别和自然语言理解。这些任务中的数据通常用欧几里得空间表示。然而，越来越多的应用从非欧几里得域生成数据，并表示为对象之间具有复杂关系和相互依赖关系的图。图数据的复杂性给现有的机器学习算法带来了巨大的挑战。近年来，许多关于图数据扩展深度学习方法的研究已经出现。在八报告中，提供了一个简明的图神经网络(GNNs)在数据挖掘和机器学习领域的概述。我们提出了一种新的分类方法，将最先进的图神经网络分为四类，即递归图神经网络、卷积图神经网络、图自编码器和时空图神经网络。我们进一步讨论了图神经网络在各个领域的应用，并总结了图神经网络的开源代码、基准数据集和模型评估。最后，我们提出了这一快速发展领域的潜在研究方向。

How to get started with process mining翻译

Process Mining: Overview and Opportunities文章翻译

软件过程挖掘，软件过程发现，软件工程，业务过程。业务流程。

Process Mining Data Science in Action(2nd) 英文epub 第2版 本资源转载自网络，如有侵权，请联系上传者或csdn删除 查看此书详细信息请在美国亚马逊官网搜索此书