众文网1.毕业论文答辩自述应该怎么写
毕业论文答辩的自述最重要的是要搞清楚老师想听的以及你需要讲的。
因此本条回答就从指导老师的角度来提供一些答辩自述的干货，同时答辩时回答环节也与自述同样重要，所以也提一提回答问题环节的注意事项。
当然，其实大家不要把答辩看的那么难，它其实是这样的。
严格按照以下模版，相信大家都能胸有成竹。
言归正传，接下来就直接上干货：
首先要弄清楚答辩的自述时间，学校的不同或层次的不同通常有不同的要求，但大多数都在5-15分钟之间，因此在写自述时就需要考虑时间的限制，但无论如何限制，自述的必要组成部分都有以下几点内容：
一、自我介绍
论文答辩的自我介绍要包含姓名、专业班级、指导老师以及论文题目。例如：我是xx专业xx班的xxx，我的指导老师是xxx，我的毕业论文题目是《xxx》。即可。
二、论文简介
论文简介部分类似于论文的摘要部分，但受时间的限制，论文简介部分要更简短，尽量用1-2句话简单概括整片论文的内容，例如：本文主要基于xxx理论，运用xx方法和xx模型，研究了xx问题，得到了xx的结论。即可，切记不要在此展开过多，给后面重点部分留足时间。
三、研究背景
这部分通俗来讲即“为什么写这篇文章”“这篇文章的意义何在”。
例如，社会学的论文如若研究保护隐私的社会学方法，那么在这部分即说明隐私泄露问题日趋严重；再如，金融学的论文如若研究系统性风险，那么在这部分即说明系统性金融风险的危害性。
四、文献综述
文献综述是论文必不可少的一个部分但在答辩自述时不必过多展开，基本模版如下：现有的相关论文主要从xx、xx、xx等角度来进行研究，但仍存在xxx角度的空白以及xx的问题。即可。
五、研究内容（划重点）
如果说前四个部分都是蓄势，第五部分则是答辩中的核心环节了。相信研究内容也是最困扰大家的环节，但不用担心，下面我将直接举例子来说明如何在答辩中介绍研究内容。
比如，答主的论文方向是研究系统性金融风险，那么在这一部分我是这样来介绍的。
本文是运用xx的方法来对系统性风险进行测量的，我选择的数据是xx，数据的宽度和长度分别是xx、xx，首先呢我对数据进行的是一个描述性统计（并展示给老师看你处理的数据结果）、其次呢再进行平稳性检验，结果如下（并展示给老师看你的结果）。。
此处省略一段各种给老师展示的数据及表格。。..
总结，这一部分的主要逻辑是把你的研究过程展示给老师看，一是让老师更加明确你的研究内容，二是为了展现你的论文工作量。
六、结论
结论部分相信大家的论文都有，因此在这一部分则是根据时间的安排将论文所得的结论告诉答辩老师，要注意在时间允许的情况下可以展开讲解，在时间紧迫的情况下可以用要点的形式展示。
七、总结与展望
本文研究的局限性与不足，可以选择1-2不足即可。
以上是答辩自述环节必须要包含的内容，接下来还有回答问题环节。
问答环节需要注意的几个点：
1. 答辩老师一般会先提建议，再问问题，一定要注意在老师提建议时一定要态度谦虚，不要和老师争辩，通用句式“嗯嗯，感谢x老师的建议，下一步我会进行完善的”即可。
2. 提问的问题一般是出自老师对你论文感到疑惑的地方，这时可以适当解释老师的疑惑，注意这个适当，一旦发现老师坚持认为你的表达有问题时，通用句式“嗯嗯，我再琢磨一下，谢谢老师”
3. 最后送大家答辩谨言：
答辩答辩，只答不辩
你若争辩，二辩再见。
2.急求有关数据挖掘方面的毕业论文题目
寿险行业数据挖掘应用分析
寿险是保险行业的一个重要分支，具有巨大的市场发展空间，因此，随着寿险市场的开放、外资公司的介入，竞争逐步升级，群雄逐鹿已成定局。如何保持自身的核心竞争力，使自己始终立于不败之地，是每个企业必须面对的问题。信息技术的应用无疑是提高企业竞争力的有效手段之一。寿险信息系统经过了多年的发展，已逐步成熟完善，并积累了相当数量的数据资源，为数据挖掘提供了坚实的基础，而通过数据挖掘发现知识，并用于科学决策越来越普遍受到寿险公司的重视。
数据挖掘
数据挖掘（Data Mining,DM）是指从大量不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、有用的信息和知识的过程。其表现形式为概念（Concepts）、规则（Rules）、模式（Patterns）等形式。
目前业内已有很多成熟的数据挖掘方法论，为实际应用提供了理想的指导模型。CRISP-DM(Cross-Industry Standard Process for Data Mining)就是公认的、较有影响的方法论之一。CRISP-DM强调，DM不单是数据的组织或者呈现，也不仅是数据分析和统计建模，而是一个从理解业务需求、寻求解决方案到接受实践检验的完整过程。CRISP-DM将整个挖掘过程分为以下六个阶段：商业理解（Business Understanding），数据理解（Data Understanding），数据准备（Data Preparation），建模（Modeling），评估（Evaluation）和发布（Deployment）。
商业理解就是对企业运作、业务流程和行业背景的了解；数据理解是对现有企业应用系统的了解；数据准备就是从企业大量数据中取出一个与要探索问题相关的样板数据子集。建模是根据对业务问题的理解，在数据准备的基础上，选择一种更为实用的挖掘模型，形成挖掘的结论。评估就是在实际中检验挖掘的结论，如果达到了预期的效果，就可将结论发布。在实际项目中，CRISP-DM模型中的数据理解、数据准备、建模、评估并不是单向运作的，而是一个多次反复、多次调整、不断修订完善的过程。
行业数据挖掘
经过多年的系统运营，寿险公司已积累了相当可观的保单信息、客户信息、交易信息、财务信息等，也出现了超大规模的数据库系统。同时，数据集中为原有业务水平的提升以及新业务的拓展提供了条件，也为数据挖掘提供了丰厚的土壤。
根据CRISP-DM模型，数据挖掘首先应该做的是对业务的理解、寻找数据挖掘的目标和问题。这些问题包括：代理人的甄选、欺诈识别以及市场细分等，其中市场细分对企业制定经营战略具有极高的指导意义，它是关系到企业能否生存与发展、企业市场营销战略制定与实现的首要问题。
针对寿险经营的特点，我们可以从不同的角度对客户群体进行分类归纳，从而形成各种客户分布统计，作为管理人员决策的依据。从寿险产品入手，分析客户对不同险种的偏好程度，指导代理人进行重点推广，是比较容易实现的挖掘思路。由于国内经济发展状况不同，各省差异较大，因此必须限定在一个经济水平相当的区域进行分析数据的采样。同时，市场波动也是必须要考虑的问题，一个模型从建立到废弃有一个生命周期，周期根据模型的适应性和命中率确定，因此模型需要不断修订。
挖掘系统架构
挖掘系统包括规则生成子系统和应用评估子系统两个部分。
规则生成子系统主要完成根据数据仓库提供的保单历史数据，统计并产生相关规律，并输出相关结果。具体包括数据抽取转换、挖掘数据库建立、建模（其中包括了参数设置）、模型评估、结果发布。发布的对象是高层决策者，同时将模型提交给应用评估子系统.根据效果每月动态生成新的模型。
应用评估子系统可以理解为生产系统中的挖掘代理程序，根据生成子系统产生的规则按照一定的策略对保单数据进行非类预测。通过系统的任务计划对生产数据产生评估指标。具体包括核心业务系统数据自动转入数据平台、规则实时评估、评估结果动态显示、实际效果评估。规则评估子系统根据规则进行检测。经过一段时间的检测，可利用规则生成子系统重新学习，获得新的规则，不断地更新规则库，直到规则库稳定。
目前比较常用的分析指标有： 险种、交费年期、被保人职业、被保人年收入、被保人年龄段、被保人性别、被保人婚姻状况等。
实践中，可结合实际数据状况，对各要素进行适当的取舍，并做不同程度的概括，以形成较为满意的判定树，产生可解释的结论成果。
3.答辩时,论文研究内容及观点,要怎么说
毕业生论文答辩 一、答辩流程 （一）简要叙述你的毕业论文的内容。
叙述中要表述清楚你写这篇论文的构思（提纲），论点、论据，论述方式（方法）。一般约5分钟左右。
答辩老师通过你的叙述，了解你对所写论文的思考过程，考察你的分析和综合归纳能力。 （二）即兴答辩。
答辩老师向你提出2—3个问题后，其中一个问题一般针对你的论文中涉及的基本概念、基本原理提出问题，考察学生对引用的基本概念基本原理的理解是否准确。第二个问题，一般针对你的论文中所涉及的某一方面的论点，要求结合工作实际或专业实务进行讲（论）述。
考察你学习的专业基础知识对你实务（实际）工作的联系及帮助，即理论联系实际的能力。第三个问题，根据学生有一定工作经验，提出专业理论或实务中的问题，引导学生以工作实践中遇到的案例和实务，研讨理论依据或当前所学专业发展中的诸多问题及热点问题。
考察学生专业方面的潜在能力 二、答辩准备 （一）学生自述需要准备的问题 1、自己为什么选择这个课题？ 2、研究这个课题的意义和目的是什么？（学术价值与现实意义） 3、全文的基本框架、基本结构是如何安排的？ 4、全文的各部分之间逻辑关系如何？ 5、说明有关本课题的研究历史与现状，几千人做了哪些研究，取得哪些成果，哪些问题没有解决，自己在研究本课题的过程中，发现了那些不同见解？对这些不同的意见，自己是怎样逐步认识的？又是如何处理的？ 6、论文虽未论及，但与其较密切相关的问题还有哪些？ 7、还有哪些问题自己还没有搞清楚，在论文中论述得不够透彻？ 8、文章的基本观点和立论依据？ 9、本文的优缺点？ 10.论文有何创新之处？ 11.重要引文的具体出处？ 12.本文提出见解的可行性？ 13. 定稿交出之后，自己重读时发现的缺陷？ 14.写作毕业论文时的体会？ 对以上问题应仔细想一想，必要时要用笔记整理出来，写成发言提纲，在答辩时用。这样才能做到有备无患，临阵不慌。
（二）答辩过程中老师常提出的问题： 1、你的毕业论文采用了哪些与本专业相关的研究方法？ 2、论文中的核心概念是什么？用你自己的话高度概括。 3、你选题的缘由是什么？研究具有何种现实指导意义？ 4、论文中的核心概念怎样在你的文中体现？ 5、从反面的角度去思考：如果不按照你说的那样去做，结果又会怎样？ 6、论文的理论基础与主体框架存在何种关联？最主要的理论基础是什么？ 7、质性研究与访谈法、定性研究、定量研究、调查研究、实证研究的区别？ 8、经过你的研究，你认为结果会是怎样？有何正面或负面效果？ 9、你的论文基础何种研究视角？是管理学、教育学、心理学还是社会学视角？ 10、论文研究的对象是个体还是群体？是点的研究还是面的研究？ 11、研究的应然、实然、使然分别是什么？ 12、论文中的结论、建议或策略是否具有可行性和操作性？ 13、研究对象是否具有可比性？研究框架是否符合论文规范（而不是写书的逻辑）！ 三、答辩技巧 （一）自述与问题回答 学生首先要介绍一下论文的概要，这就是所谓“自述报告”，须强调一点的是“自述”而不是“自读”。
这里重要的技巧是必须注意不能照本宣读，把报告变成了“读书”。“照本宣读”是第一大忌。
这一部分的内容可包括写作动机、缘由、研究方向、选题比较、研究范围、围绕这一论题的最新研究成果、自己在论文中的新见解、新的理解或新的突破。做到概括简要，言简意赅。
不能占用过多时间，一般以十分钟为限。所谓“削繁去冗留清被，画到无时是熟时”，就是说，尽量做到词约旨丰，一语中的。
要突出重点，把自己的最大收获、最深体会、最精华与最富特色的部分表述出来。这里要注意一忌主题不明；二忌内容空泛，东拉西扯；三忌平平淡淡，没有重点。
在答辩时，学生要注意仪态与风度，这是进入人们感受渠道的第一信号。如果答辩者能在最初的两分种内以良好的仪态和风度体现出良好的形象，就有了一个良好的开端。
在听取教师提问时所要掌握的技巧要领是： 沉着冷静，边听边记 精神集中，认真思考 既要自信，又要虚心 实事求是，绝不勉强 听准听清，听懂听明 在回答问题时所要掌握的技巧是构思时要求每个问题所要答的“中心”“症结”“关健”在哪里？从哪一个角度去回答问题最好？应举什么例子来证明？回答问题的内容实质上是一段有组织的“口头作文”。这就要一、文章应有论点、论据。
二、有开头主体与结尾。三、有条理、有层次。
四、应用词确当，语言流畅。五、应口齿清楚、语速适度。
开头要简洁：单刀直入，是最好的开头，开门见山地表述观点，在答辩中是最好的办法。主体部份的表述可条分缕析，即把所要回答的内容逐条归纳分析，实际上是对自己掌握的材料由此及彼，由表及里地做整理。
这样的表述就不会流于表面，而能深入本质。条分缕析可以把自己掌握的一些实际例子合并，整理成若干条目，列成几个小标题：分成几点，一点一点，一条一条地说出。
满碗的饭必须一口一口吃，满肚子的道理也必须一条一条讲出来，环环相扣，条条相连，令人听完后有清楚的印象。假如在准备的时候已经准备了一个较完整的。
4.求数据挖掘的论文
数据挖掘、OLAP在财务决策中的应用杨春华（杭州商学院财务与会计学院，杭州，310012）[摘要]数据挖掘、OLAP是当前基于大型数据库或数据仓库的新型信息分析技术，在许多领域得到广泛应用，取得了很好的成效。
如何将其应用于财务决策以提高决策的正确性、及时性，降低决策的风险，已成为财务管理领域的重要研究课题。本文在介绍数据挖掘、OLAP技术及其相互关系的基础上，分析了财务决策领域应用这两种技术的现实必要性，并进一步论述了财务决策中数据挖掘和OLAP的应用流程。
[Abstract]In this paper, the author introduced Data Mining and OLAP at first. And then, the author analyzed the practical necessity for the firms to apply these two techniques in the area of financial decision-making. In the end, the author brought forward the flow of the appliance.[关键词]数据挖掘，联机分析处理，财务决策[Key words]Data Mining,OnLine Analysis Process(OLAP),Financial Decision-making正文随着计算机技术和Internet技术的发展，以及企业在以往事务型处理中数据的不断积累，一方面企业数据资源日益丰富，信息超载，另一方面数据资源中蕴涵的知识企业却至今未能得到充分的挖掘和利用，“数据丰富而知识贫乏”是常见现象。如何才能不被信息的汪洋大海所淹没，并能从中及时发现有用的知识，提高信息的利用效率，已成为企业急需面对的一个问题。
正是在这种背景下，数据挖掘、OLAP技术应运而生。这是两种基于大量数据库或数据仓库的新型数据分析技术。
将其应用到财务决策领域则有利于提高决策的正确性、及时性，降低决策的风险。一、数据挖掘与OLAP1.数据挖掘关于数据挖掘，一种较为公认的定义是由G.Piatetsky-Shapiro等人提出的。
他们认为：数据挖掘是从大型数据库中提取人们感兴趣的知识，这些知识是隐含的、事先不知的，潜在有用的信息。数据挖掘涉及到机器学习、模式识别、统计学、智能数据库、知识获取、数据可视化、高性能计算、专家系统等各个领域。
它不仅面向特定数据库的简单检索查询调用，而且要对这些数据进行微观、中观乃至宏观的统计、分析、综合和推理，以指导实际问题的求解，企图发现事件间的相互关联，甚至利用已有的数据对未来的活动进行预测。这样一来，就把人们对数据的应用从低层次的末端查询操作，提高到为各级经营决策者提供决策支持。
2.OLAP联机分析处理（OLAP）的概念最早是由关系数据库之父E.F.Codd于1993年提出的，它是基于大型数据库或数据仓库的信息分析过程，是大型数据库或数据仓库的用户接口部分，其目的是满足决策支持或多维环境特定的查询和报表要求。简单地讲，OLAP就是共享多维信息的快速分析。
它是跨部门、面向主题的，其基本特点是快速性、可分析性、多维性、信息性和共享性。也就是说，OLAP能快速响应用户的要求，能处理与应用有关的任何逻辑分析和统计分析，能提供多维数据分析的多维视图，能及时获得信息和管理大容量的信息，以及能在大量用户群中共享潜在的数据。
其中“多维性”是其核心灵魂。3.数据挖掘与OLAP数据挖掘和OLAP都是基于大型数据库或数据仓库的数据分析技术，有着一定的联系和区别。
数据挖掘和OLAP最本质的区别在于，数据挖掘是一种挖掘性的分析工具，它主要是利用各种分析方法主动地去挖掘大量数据中蕴涵的规律，产生一些假设，帮助人们在这些假设的基础上更有效地进行决策；而OLAP则是一种求证性的分析工具，一般由用户预先设定一些假设，然后使用OLAP去验证这些假设，提供可以使用户很方便地进行数据分析的手段。但就工具而言，数据挖掘和OLAP这两种分析工具本身又是相辅相成的，且界限正在逐渐模糊。
OLAP的分析结果可以补充到系统知识库中，给数据挖掘提供分析信息并作为数据挖掘的依据；数据挖掘发现的知识可以指导OLAP的分析处理，拓展OLAP分析的深度，以便发现OLAP所不能发现的更为复杂、细致的信息。二、财务决策中应用数据挖掘、OLAP的必要性财务决策是企业决策中最重要的组成部分之一。
任何好的财务决策都需要事实和数字支持。一个财务决策的正确程度取决于所使用的事实和数字的正确程度。
随着竞争的增加，财务决策的时效性也变得越来越重要了。因此，在财务决策领域应用数据挖掘、OLAP是企业现实的需要。
1.有利于提高财务信息的利用能力。解决企业财务决策问题需要询问为中心的数据图解，其以序列导向和多维为特征。
而传统的财务数据查询是一种事务处理（OLTP），它是面向应用，支持日常操作的，对查询得到的数据信息缺乏分析能力，决策者不能够在大量历史数据的支持下对某一主题的相关数据进行多角度的比较、分析，得出科学的分析结果。因此，财务决策问题自身的多维特性驱动了数据挖掘、OLAP在其领域的应用，以提高财务信息的利用能力。
2.有利于解决财务信息的噪音问题。科学财务决策必须以尽可能真实、及时、充分的信息为依据。
这些信息既包括诸如企业目标、企业现状、事物状况等企业的内部资料，又包括诸如客户、供应商等企业的关联。
5.求人帮我写一份我的论文答辩的自诉,《数据仓库技术在决策支持系统
数据仓库的出现和发展是计算机应用到一定阶段的必然产物。
经过多年的计算机应用和市场积累，许多商业企业已保存了大量原始数据和各种业务数据，这些数据真实地反映了商业企业主体和各种业务环境的经济动态。然而由于缺乏集中存储和管理，这些数据不能为本企业进行有效的统计、分析和评估提供帮助。
也就是说，无法将这些数据转化成企业有用的信息。70年代出现并被广泛应用的关系型数据库技术为解决这一问题提供了强有力的工具。
从80年代中期开始，随着市场竞争的加剧，商业信息系统用户已经不满足于用计算机仅仅去管理日复一日的事务数据，他们更需要的是支持决策制定过程的信息。80年代中后期，出现了数据仓库思想的萌芽，为数据仓库概念的最终提出和发展打下了基础。
90年代初期，W.H.Inmon在其里程碑式的著作《建立数据仓库》中提出了“数据仓库”的概念，数据仓库的研究和应用得到了广泛的关注。这对处于激烈竞争中的商业企业，有着非同小可的现实意义。
数据仓库不是数据的简单堆积，而是从大量的事务型数据库中抽取数据，并将其清理、转换为新的存储格式，即为决策目标把数据聚合在一种特殊的格式中。公认的数据仓库之父W.H.Inmon将其定义为：“数据仓库是支持管理决策过程的、面向主题的、集成的、随时间而变的、持久的数据集合。”
从数据库到数据仓库 传统的数据库技术是以单一的数据资源，即数据库为中心，进行从事务处理、批处理到决策分析等各种类型的数据处理工作。然而，不同类型的数据有着不同的处理特点，以单一的数据组织方式进行组织的数据库并不能反映这种差异，特别是满足不了现代商业企业数据处理多样化的要求。
随着数据库应用的广泛普及，人们对数据处理的这种多层次特点有了更清晰的认识。总结起来，当前的商业企业数据处理可以大致地划分为两大类：操作型处理和分析型处理。
操作型处理也叫事务处理，是指对数据库联机的日常操作，通常是对一个或一组记录的查询和修改，主要是为企业的特定应用服务的，人们关心的是响应时间、数据的安全性和完整性。分析型处理则用于商业企业管理人员的决策分析。
两者之间的巨大差异使得操作型处理和分析型处理的分离成为必然。这种分离，划清了数据处理的分析型环境与操作型环境之间的界限，从而由原来的以单一数据库为中心的数据环境发展成为一种新环境：体系化环境。
数据库系统作为数据管理手段，主要用于事务处理。在这些数据库中已经保存了大量的日常业务数据。
传统的DSS（决策支持系统）一般是直接建立在这种事务处理环境上的。数据库技术一直力图使自己能胜任从事务处理、批处理到分析处理的各种类型的信息处理任务。
尽管数据库在事务处理方面的应用获得了巨大的成功，但它对分析处理的支持一直不能令人满意，尤其是当以业务处理为主的联机事务处理（OLTP）应用与以分析处理为主的DSS应用共存于同一个数据库系统时，两种类型的处理发生了明显的冲突。人们逐渐认识到，事务处理和分析处理具有极不相同的性质，直接使用事务处理环境来支持DSS是行不通的。
具体来说，事务处理环境不适合DSS应用的原因概括起来主要有以下5条：1、事务处理和分析处理的性能特性不同 在事务处理环境中，用户的行为特点是数据的存取操作频率高而每次操作处理的时间短，因此，系统可以允许多个用户按分时方式使用系统资源，同时保持较短的响应时间，OLTP是这种环境下的典型应用。在分析处理环境中，用户的行为模式与此完全不同，某个DSS应用程序可能需要连续运行几个小时，从而消耗大量的系统资源。
将具有如此不同处理性能的两种应用放在同一个环境中运行显然是不适当的。2、数据集成问题 DSS需要集成的数据。
全面而正确的数据是有效的分析和决策的首要前提，相关数据收集得越完整，得到的结果就越可靠。因此，DSS不仅需要整个企业内部各部门的相关数据，还需要企业外部、竞争对手等处的相关数据。
事务处理的目的在于使业务处理自动化，一般只需要与本部门业务有关的当前数据。而对整个企业范围内的集成应用考虑得很少。
当前绝大部分企业内数据的真正状况是分散而非集成的。造成这种分散的原因有很多种，主要有事务处理应用分散、“蜘蛛网”问题、数据不一致问题、外部数据和非结构化数据。
（1）事务处理应用的分散当前商业企业内部各事务处理应用间实际上几乎都是独立的，之所以出现这种现象有多种原因。有的原因是设计方面的，例如：系统设计人员为了减少系统开发费用和加快开发进度，总是采用简单而“有效”的设计方案，这种“有效”仅指对解决当前面临的问题有效，而不能保证对以后新出现的问题继续有效。
有的原因是经济方面的，当经费有限时，一些商业企业总是考虑对关键的业务活动建立应用系统，然后再逐步建立其他业务的信息处理系统。还有的原因是历史、地理方面的，例如：某个大公司由分散在各地的多个子公司组成、企业的兼并等等。
由于这种事务处理应用分散状况的存在，DSS应用需要对分散在多个事务处理应用中的相关数据进行集成，以向分。
转载请注明出处众文网 » 数据挖掘毕业论文答辩记录范文(毕业论文答辩自述应该怎么写)