面向大数据的并行聚类算法在股票板块划分中的应用 上市公司的经营业绩在一定程度上反映股票的投资价值，因此以反映上市公司盈利能力、偿债能力、成 长能力、资产管理质量及股东获利能力5个方面共15项财务指标作为股票投资价值的衡量指标，首次尝 试使用面向大数据的并行聚类算法Mahout中的K-means聚类算法和模糊K-means聚类算法对中国A股 市场约2 600支股票依据其财务指标进行聚类，以便进行股票板块的划分，并比较两种算法在不同距离度量 方式下的迭代次数、执行时间、聚类间密度和聚类内密度。

大数据时代的数据挖掘—— 从应用的角度看大数据挖掘 介绍了大数据时代数据挖掘的特点、任务及难点，分析了大数据挖掘的核心架构，提出大数据的核心和本质，即应用、算法、数据和平台4个要素的有机结合。在此基础上介绍了本团队研究设计的大数据挖掘系统FIU-Miner。该系统是一个用户友好并支持在分布式环境中进行高效率计算和算法快速集成的数据挖掘系统平台，使得数据分析人员能够快速有效地进行各类数据挖掘任务。最后，介绍了基于FIU-Miner的3个典型的成功应用案例：高端制造业数据挖掘、空间数据挖掘和商务智能数据挖掘。

基于电力运营大数据分析实现节能减排 研究解决全国火电机组出力系数普遍较低，旋转备用率偏大的问题。通过对近年来安徽电网发电、用电负荷特性数据以及2014年全国大机组竞赛的大量数据进行挖掘和分析，提出了解决问题的几个方案：一是优化电力调度，减少机组在网运行时间；二是增加机组利用小时；三是优化机组设计，降低主辅设备出力富裕度，按IEC标准定义湿冷机组的铭牌；四是发电集团内部机组电量分配优化；五是国家能源局修订电量偏差不大于2%的监管政策。据此可大幅提高火电机组的出力系数，降低旋转备用率和发电煤耗，减少主要污染。

数据技术发展的十个前沿方向（下） 精度是衡量机器学习（人工智能）算法好坏的重要指标。传统上，精度概念包括正确率、识别率、召回率等。在大数据时代，精度被赋予了更多的含义。

大数据引领教育未来：从成绩预测谈起 近年来，大数据已经在教育领域的管理与引导等诸多方面被广泛运用。例如，智能教学系统（ITS）基于与学生间交互的日志数据进行个性化知识诊断，分析学生的知识掌握情况，发现学生的薄弱点，从而自适应地帮扶学生更好地获取知识和技能。

导读 金融与大数据安全导读。