2015年KDD会议论文集第1部分，获取自官方。

KDD2015 背景： 大规模开放在线课程 (MOOC) 的高辍学率令人担忧。 为解决辍学问题，应识别有退学倾向的学生，并努力防止流失。 在线课程辍学的早期预测是 MOOC 平台的一个基本问题。 本次比赛将在学堂X.com平台上进行辍学预测。 说明： 该竞赛要求参赛者根据他或她之前的行为来预测用户是否会在接下来的 10 天内放弃课程。 如果 U 在接下来的 10 天内没有在日志中留下课程 C 的记录，我们就说用户 U 在接下来的 10 天内放弃了课程 C。 有关日志的更多详细信息，请参阅数据集部分。 尖端： 目的 Course_id、module_id、类别、孩子 儿童#，儿童类别#，儿童级别 注册注册 ID、用户名、课程 ID 日志 注册 ID、用户名、课程 ID、时间、来源、事件、对象 时间转换（周、日、时间） 时间 * 事件 (#) 时间 * 对象 (#) 时间 * 来

IDS-KDDcup 检测网络流的异常连接（KDD-cup 99） 了解数据 尝试找出什么是数据集的不同类 在将字符串值映射到数字并将所有类别划分为正常和异常之后 准备数据 功能重连 PCA 入侵检测系统 朴素的贝叶斯 随机森林 逻辑回归 决策树 SVC 比较算法

KDDTest+.arff KDDTest+.txt KDDTest-21.arff KDDTest-21.txt KDDTrain+.arff KDDTrain+.txt KDDTrain+_20Percent.arff KDDTrain+_20Percent.txt

Yet Another KDD Cup 2015 Solution Based on Final result Public board This leaderboard calculates scores by about 50% of the test data. AUC score: 0.8874428893001793 Rank: #89 Private board AUC score: 0.8867360110438458 Rank: #86 TODO 加特征 加数据：最多可以到depth=4 feature selection 观察预测错了的instance 尝试深度学习model， kNN GBDT: min_samples_leaf, max_depth ... RF: min_samples_leaf, max_depth ... AdaBoost(with LR/SVC

kdd99的数据。用于无监督异常检测

NSL-KDD数据集是KDD99数据集的改进，可以作为有效地基准数据集，各机器学习算法可以在NSL-KDD数据集上进行入侵检测实验。 NSL-KDD数据集是KDD 99数据集的改进： 1、NSL-KDD数据集的训练集中不包含冗余记录，所以分类器不会偏向更频繁的记录； 2、NSL-KDD数据集的测试集中没有重复的记录，使得检测率更为准确。 3、来自每个难度级别组的所选记录的数量与原始KDD数据集中的记录的百分比成反比。结果，不同机器学习方法的分类率在更宽的范围内变化，这使得对不同学习技术的准确评估更有效。 4、训练和测试中的记录数量设置是合理的，这使得在整套实验上运行实验成本低廉而无需随机选择一小部分。因此，不同研究工作的评估结果将是一致的和可比较的。

1、内容概要：本资源主要基于Python实现kdd99入侵检测数据集预处理，搭建DNN和CNN神经网络实现kdd99入侵检测分类，适用于初学者学习入侵检测分类使用。 2、入侵检测数据集： 该数据集是从一个模拟的美国空军局域网上采集来的9个星期的网络连接数据,分成具有标识的训练数据和未加标识的测试数据。KDD99数据集总共由500万条记录构成，它还提供一个10%的训练子集kddcup.data_10_percent_corrected和测试子集corrected。 3、源代码Handle_data.py是kdd99数据集预处理源代码，kddcup.data_10_percent_corrected.xls是预处理后的数据集。 4、源代码：Kdd_dnn.py是基于DNN神经网络对入侵检测数据集进行分类；kdd_cnn.py是基于CNN神经网络对入侵检测数据集进行分类。

kddcup-2015 2015年KDD杯-预测MOOC辍学 信息： ： 团队：ttllbb

KDD CUP99数据集：是网络入侵检测领域的事实Benckmark，为基于计算智能的网络入侵检测研究奠定基础。 UNSW_NB15数据集：是综合性的网络攻击流量数据集，包括训练数据和测试数据，被广泛应用于异常入侵检测。相比于KDD99和NSL KDD数据集更适合相关研究人员用于入侵检测系统的研究。