数据挖掘入门介绍_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
数据挖掘入门介绍
上传于||暂无简介
阅读已结束，如果下载本文需要使用0下载券
想免费下载更多文档？
你可能喜欢做数据挖掘也有些年头了，写这篇文一方面是写篇文，给有个朋友作为数据挖掘方面的参考，另一方面也是有抛砖引玉之意，希望能够和一些大牛交流，相互促进，让大家见笑了。
数据挖掘入门的书籍，中文的大体有这些：
Jiawei&Han的《数据挖掘概念与技术》
Ian&H.&Witten&/&Eibe&Frank的《数据挖掘&实用机器学习技术》
Tom&Mitchell的《机器学习》
TOBY&SEGARAN的《集体智慧编程》
Anand&Rajaraman的《大数据》
Pang-Ning&Tan的《数据挖掘导论》
Matthew&A.&Russell的《社交网站的数据挖掘与分析》
很多人的第一本数据挖掘书都是Jiawei&Han的《数据挖掘概念与技术》，这本书也是我们组老板推荐的入门书（我个人觉得他之所以推荐是因为Han是他的老师）。其实我个人来说并不是很推荐把这本书。这本书什么都讲了，甚至很多书少有涉及的一些点比如OLAP的方面都有涉猎。但是其实这本书对于初学者不是那么友好的，给人一种教科书的感觉，如果你有大毅力读完这本书，也只能获得一些零碎的概念的认识，很难上手实际的项目。
我个人推荐的入门书是这两本：TOBY&SEGARAN的《集体智慧编程》和Ian&H.&Witten&/&Eibe&Frank的《数据挖掘&实用机器学习技术》
《集体智慧编程》很适合希望了解数据挖掘技术的程序员，这本书讲述了数据挖掘里面的很多实用的算法，而且最重要的是其讲述的方式不是像Han那种大牛掉书袋的讲法，而是从实际的例子入手，辅以python的代码，让你很快的就能理解到这种算法能够应用在哪个实际问题上，并且还能自己上手写写代码。唯一的缺点是不够深入，基本没有数学推导，而且不够全面，内容不够翔实。不过作为一本入门书这些缺点反而是帮助理解和入门的优点。
推荐的另一本《数据挖掘&实用机器学习技术》则相对上一本书要稍微难一点，不过在容易理解的程度上依然甩Han老师的书几条街，其作者就是著名的Weka的编写者。整本书的思想脉络也是尽可能的由易到难，从简单的模型入手扩展到现实生活中实际的算法问题，最难能可贵的是书的最后还稍微讲了下如何使用weka，这样大家就能在学习算法之余能够用weka做做小的实验，有直观的认识。&
看完上述两本书后，我觉得大体数据挖掘就算有个初步的了解了。往后再怎么继续入门，就看个人需求了。
如果是只是想要稍微了解下相关的技术，或者作为业余爱好，则可随便再看看Anand&Rajaraman的《大数据》以及Matthew&A.&Russell的《社交网站的数据挖掘与分析》。前者是斯坦福的"Web挖掘"这门课程的材料基础上总结而成。选取了很多数据挖掘里的小点作为展开的，不够系统，但讲的挺好，所以适合有个初步的了解后再看。后者则亦是如此，要注意的是里面很多api因为GFS的缘故不能直接实验，也是个遗憾
如果是继续相关的研究学习，我认为则还需要先过一遍Tom&Mitchell的《机器学习》。这本书可以看做是对于十多年前的机器学习的一个综述，作者简单明了的讲述了很多流行的算法（十年前的），并且对于各个算法的适用点和特点都有详细的解说，轻快地在一本薄薄的小书里给了大家一个机器学习之旅。
进阶这个话题就难说了，毕竟大家对于进阶的理解各有不同，是个仁者见仁的问题。就我个人来说，则建议如下展开：
视频学习方面：
可以看看斯坦福的《机器学习》这门课程的视频，最近听说网易公开课已经全部翻译了，而且给出了双语字幕，更加容易学习了^_^
书籍学习方面：
我个人推荐的是这样：可以先看看李航的《统计学习方法》，这本书着重于数学推导，能让我们很快的对于一些算法的理解更加深入。
有了上面这本书的基础，就可以开始啃一些经典名著了。这些名著看的顺序可以不分先后，也可以同时学习：
Richard&O.&Duda的《模式分类》这本书是力荐，很多高校的数据挖掘导论课程的教科书便是这本（也是我的数据挖掘入门书，很有感情的）。如果你不通读这本书，你会发现在你研究很多问题的时候，甚至一些相对简单的问题（比如贝叶斯在高斯假设下为什么退化成线性分类器）都要再重新回头读这本书。
Christopher&M.&Bishop的《Pattern&Recognition&And&Machine&Learning》这本书也是经典巨著，整本书写的非常清爽。
《The&Elements&of&Statistical&Learning》这本书有句很好的吐槽&机器学习&--&从入门到精通&可以作为这本书的副标题。可以看出这本书对于机器学习进阶的重要性。值得一说的是这本书虽然有中文版，但是翻译之烂也甚是有名，听说是学体育的翻译的。
Hoppner,&Frank的《Guide&to&Intelligent&Data&Analysis》这本书相对于上面基本经典巨著并不出名，但是写的甚好，是knime官网上推荐的，标榜的是解决实际生活中的数据挖掘问题，讲述了CRISP-DM标准化流程，每章后面给出了R和knime的应用例子。
以前写过的读书笔记/flclain/archive//2785079.html
项目方面：
事实上，我觉得从进阶起就应该上手一些简单的项目了。如果不实践只是看书和研究算法，我觉得是无法真正理解数据挖掘的精髓所在的。打个简单的比方，就算你看完了C++&Primer、effective&C++等等书籍，如果自己不写C++，那么自己也就会停留在hello&world的级别。实践出真知非常切合数据挖掘这门学科，实际上手项目后才会发现什么叫"80%的准备，20%的建模"，real&world的问题我认为并不是仅仅靠modeling就能很好的解决的。详细的可以看看《Guide&to&Intelligent&Data&Analysis》就能略知一二。如果上手做推荐或者一些简单的项目，也可以考虑用用mahout，推荐的入门手册是《mahout&in&action》。项目问题说来话长，有时间会以CRISP流程为引单独作文，这里也就不详谈了。
软件方面：
我常用而且推荐的软件有如下，这里只是简单的列出，以后有时间再详细分析和写出入门：
Weka&Java的软件，可以集成到自己的项目中
Orange&一个用python写的数据挖掘开源软件，界面做的很漂亮，可以做图形化实验，也可以用python调用编程。
Knime&和Orange类似，特点是可以集成weka和R等开源软件
SAS的EM模块以及R&还有最最经典的matlab大大
不过引用余凯大大的一个weibo来说
&不用Matlab的理由太多，稍微列一下，大家补充吧:
1. 积重难返，最后工作效率反而越来越低；
2. follow production protocol, 相当于学习无数程序员的实践经验；
3. 不能驾驭算法和系统的人不能真正作出有实用价值的研究成果；
4. 百度腾讯阿里谷歌面试通不过；
5. Matlab很贵&
这里有篇文有简要的介绍上面的部分开源软件http://www.oschina.net/question/12_14026
再往后的其实就是我就是觉得是学数学了，然后就是深入读一些你感兴趣的topic的书籍和paper，接项目，做项目了。发展有数据分析师或者去专门的企业做数据研究员，当然混学术界的我就不清楚了。
初略写完发现成一篇长文了，最近也是在做一个用眼底照片预测stroke的项目，比较忙，等闲下来以后也会写些算法或者软件或者实际项目的心得的文。当然也只是我个人粗浅的想法，也希望能和大家有所交流，相互促进，我个人邮箱是，有什么问题可以在帖子里讨论，也可邮件或者豆邮交流^_^
阅读(...) 评论()Q&A：Q:学习,最近在看集体智慧编程,楼主可否推荐下数学基础的书?A:我数学本身也不好 自己也在偷偷补 因为看的不多也不能给出个提纲式的建议 只能给您列下我近期看过和在看的觉得不错的书 您看做参考吧矩阵方面 Kaare Brandt Petersen的《The Matrix Cookbook》 网易公开课中的《麻省理工公开课：线性代数》2.概率论与数理统计方面 JohnA.Rice 的《数理统计与数据分析》《统计建模与R软件》3.微积分方面 网易公开课中的《麻省理工学院公开课：单变量微积分》其实您只要有了1、概率论与数理统计以及其他统计学基础2、扎实的线性代数功底3、微积分（如果能学习下实变函数和泛函分析就更好了）这几方面的基础 基本上机器学习的大部分算法您都具有了其数学基础如果您觉得我说的太泛 可以先看看《模式分类》这本书的附录中的数学基础 这样您就大体有个印象了入门：数据挖掘入门的书籍，中文的大体有这些：Jiawei Han的《数据挖掘概念与技术》Ian H. Witten / Eibe Frank的《数据挖掘 实用机器学习技术》Tom Mitchell的《机器学习》TOBY SEGARAN的《集体智慧编程》Anand Rajaraman的《大数据》Pang-Ning Tan的《数据挖掘导论》Matthew A. Russell的《社交网站的数据挖掘与分析》很多人的第一本数据挖掘书都是Jiawei Han的《数据挖掘概念与技术》，这本书也是我们组老板推荐的入门书（我个人觉得他之所以推荐是因为Han是他的老师）。其实我个人来说并不是很推荐把这本书。这本书什么都讲了，甚至很多书少有涉及的一些点比如OLAP的方面都有涉猎。但是其实这本书对于初学者不是那么友好的，给人一种教科书的感觉，如果你有大毅力读完这本书，也只能获得一些零碎的概念的认识，很难上手实际的项目。我个人推荐的入门书是这两本：TOBY SEGARAN的《集体智慧编程》和Ian H. Witten / Eibe Frank的《数据挖掘 实用机器学习技术》《集体智慧编程》很适合希望了解数据挖掘技术的程序员，这本书讲述了数据挖掘里面的很多实用的算法，而且最重要的是其讲述的方式不是像Han那种大牛掉书袋的讲法，而是从实际的例子入手，辅以python的代码，让你很快的就能理解到这种算法能够应用在哪个实际问题上，并且还能自己上手写写代码。唯一的缺点是不够深入，基本没有数学推导，而且不够全面，内容不够翔实。不过作为一本入门书这些缺点反而是帮助理解和入门的优点。推荐的另一本《数据挖掘 实用机器学习技术》则相对上一本书要稍微难一点，不过在容易理解的程度上依然甩Han老师的书几条街，其作者就是著名的Weka的编写者。整本书的思想脉络也是尽可能的由易到难，从简单的模型入手扩展到现实生活中实际的算法问题，最难能可贵的是书的最后还稍微讲了下如何使用weka，这样大家就能在学习算法之余能够用weka做做小的实验，有直观的认识。看完上述两本书后，我觉得大体数据挖掘就算有个初步的了解了。往后再怎么继续入门，就看个人需求了。如果是只是想要稍微了解下相关的技术，或者作为业余爱好，则可随便再看看Anand Rajaraman的《大数据》以及Matthew A. Russell的《社交网站的数据挖掘与分析》。前者是斯坦福的”Web挖掘”这门课程的材料基础上总结而成。选取了很多数据挖掘里的小点作为展开的，不够系统，但讲的挺好，所以适合有个初步的了解后再看。后者则亦是如此，要注意的是里面很多api因为GFS的缘故不能直接实验，也是个遗憾如果是继续相关的研究学习，我认为则还需要先过一遍Tom Mitchell的《机器学习》。这本书可以看做是对于十多年前的机器学习的一个综述，作者简单明了的讲述了很多流行的算法（十年前的），并且对于各个算法的适用点和特点都有详细的解说，轻快地在一本薄薄的小书里给了大家一个机器学习之旅。进阶：进阶这个话题就难说了，毕竟大家对于进阶的理解各有不同，是个仁者见仁的问题。就我个人来说，则建议如下展开：视频学习方面：可以看看斯坦福的《机器学习》这门课程的视频，最近听说网易公开课已经全部翻译了，而且给出了双语字幕，更加容易学习了^_^书籍学习方面：我个人推荐的是这样：可以先看看李航的《统计学习方法》，这本书着重于数学推导，能让我们很快的对于一些算法的理解更加深入。有了上面这本书的基础，就可以开始啃一些经典名著了。这些名著看的顺序可以不分先后，也可以同时学习：Richard O. Duda的《模式分类》这本书是力荐，很多高校的数据挖掘导论课程的教科书便是这本（也是我的数据挖掘入门书，很有感情的）。如果你不通读这本书，你会发现在你研究很多问题的时候，甚至一些相对简单的问题（比如贝叶斯在高斯假设下为什么退化成线性分类器）都要再重新回头读这本书。Christopher M. Bishop的《Pattern Recognition And Machine Learning》这本书也是经典巨著，整本书写的非常清爽。《The Elements of Statistical Learning》这本书豆友有句很好的吐槽“机器学习 — 从入门到精通”可以作为这本书的副标题。可以看出这本书对于机器学习进阶的重要性。值得一说的是这本书虽然有中文版，但是翻译之烂也甚是有名，听说是学体育的翻译的。Hoppner, Frank的《Guide to Intelligent Data Analysis》这本书相对于上面基本经典巨著并不出名，但是写的甚好，是knime官网上推荐的，标榜的是解决实际生活中的数据挖掘问题，讲述了CRISP-DM标准化流程，每章后面给出了R和knime的应用例子。项目方面：事实上，我觉得从进阶起就应该上手一些简单的项目了。如果不实践只是看书和研究算法，我觉得是无法真正理解数据挖掘的精髓所在的。打个简单的比方，就算你看完了C++ Primer、effective C++等等书籍，如果自己不写C++，那么自己也就会停留在hello world的级别。实践出真知非常切合数据挖掘这门学科，实际上手项目后才会发现什么叫”80%的准备，20%的建模”，real world的问题我认为并不是仅仅靠modeling就能很好的解决的。详细的可以看看《Guide to Intelligent Data Analysis》就能略知一二。如果上手做推荐或者一些简单的项目，也可以考虑用用mahout，推荐的入门手册是《mahout in action》。项目问题说来话长，有时间会以CRISP流程为引单独作文，这里也就不详谈了。软件方面：我常用而且推荐的软件有如下，这里只是简单的列出，以后有时间再详细分析和写出入门：Weka Java的软件，可以集成到自己的项目中Orange 一个用python写的数据挖掘开源软件，界面做的很漂亮，可以做图形化实验，也可以用python调用编程。Knime 和Orange类似，特点是可以集成weka和R等开源软件SAS的EM模块以及R 还有最最经典的matlab大大这里有篇文有简要的介绍http://www.oschina.n et/question/12_14026再往后：再往后的其实就是我就是觉得是学数学了，然后就是深入读一些你感兴趣的topic的书籍和paper，接项目，做项目了。发展有数据分析师或者去专门的企业做数据研究员，当然混学术界的我就不清楚了。初略写完发现成一篇长文了，最近也是在做一个用眼底照片预测stroke的项目，比较忙，等闲下来以后也会写些算法或者软件或者实际项目的心得的文。当然也只是我个人粗浅的想法，也希望能和大家有所交流，相互促进，我个人的邮箱是，有什么问题可以再帖子里讨论，也可邮件交流^_^作者：懒惰啊我　
　文章为作者独立观点，不代表微头条立场
的最新文章
老外说英语为什么听起来那么自然好听，为什么你的英语听起来永远感觉差那么一点，原来老外说英语经常会用到”连读”有的人能力不如你，人生阅历不如你，技巧不如你，亲和力不如你，形象不如你，但收入比你高！是什么限制了你的收入?译者|穆文杰 原文作者Ahmed El Deeb。一、小数据来自哪里？科技公司的数据科学、关联性分析以及机器1. Did the alarm clock go off?闹钟响了吗?Go off 在英文里有好几个意思，不论生活还是工作中，我们有时难免会遇到一些误会，在遇到误会的情况下，我们要怎么样去解释呢?除了I am so文章通过介绍Visualization 即可视化，罗列了数据的展现方式。对于数据分析最困难的一部分就是数据的翻译：心 审校：闫盖 导读：冉伟【导读】这是一篇来自投资人，分析量子计算趋势与投资机会的雄心勃勃的文章。作者作者：周琛洋——北京理工大学光电学院，AIE实验室研究成员作者这是一个科技腾飞的时代，十多年前，或许你还在为在VR（虚拟现实）技术大热的时候，AR（增强现实）被认为是更大的一个未来“金矿”，也是分析机构认为的下一个技1.Oh man!最简单的抱怨句式，其中oh的声调为汉语拼音中的四声，man是一声，好莱坞电影中有时会出现这某日先生宿舍哥们聚会，又一个哥们打了辞职报告，决定从体制内出走，准备成为律所的合伙人。宿舍四个人，已经有两个格隆汇APP Android和iOS版已推出，欢迎下载使用！更多精彩欢迎登陆网站：www.gelonghui大家可能都注意到年轻男女有的时候会用特殊的眼光看对方。这也是很自然的。今天我们就来讲几个经常用来表达这个现象受益良多！1. A programmer’s wife tells him: “Run to the store an私有云的定义有些误人子弟。John Burke，他是一名Nemertes Research的分析师，在一年半概述相对于结构化数据（即行数据，存储在数据库里，可以用二维表结构来逻辑表达实现的数据）而言，不方便用数据库二引言：很多企业已经意识到，一个系统化的数据体系将是数据化运营的核心支柱。那么，企业该如何清晰地打造自己的数据关于Hadoop版本的选择？目前为止，作为半只脚迈进Hadoop大门的人，我建议大家还是选择Hadoop 11. A lawyer would make a better statesman than a soldi低成本的生活，其实也是低碳、环保的生活。低成本生活的最高境界就是：用最少的钱，享受最健康的生活。物价往上做加摘要：目前，大多数专业的火警探测系统都是有线连接形式部署的。然而，射频技术加上低功耗广域网络的助力，让无线方日前，高盛发布VR/AR报告，从市场预测、应用场景及软件市场分析、虚拟现实与增强现实解决方案供应商等几大部分一、问题的提出在应用系统开发初期，由于开发数据库数据比较少，对于查询SQL语句，复杂视图的的编写等体会不出S独家！阿里Hadoop 集群架构及服务体系：北京时间 2 月 27 日凌晨 1 点，第 63 届 iF 设计之夜暨颁奖礼在德国慕尼黑 BMW 世界举行，美国一些比较幽默的说法也许在日常生活中不是那么常见， 但如果在适当的时机使用，必可收画龙点睛之效。1. Is文|飞林沙1.企业级服务公司的思考今年最大的变化，是我第一次从一个互联网行业进入了一个企业级服务市场，经过一开场Let's get ready for class. 准备上课。Time for class. 上课时间1. What If I Fail – How Will I Recover?万一不成功--我要怎么做才能重大数据发展趋势预测：融合、跨界、基础、突破。融合是说在产业里面，比如说在垂直行业的融合，在企业里面垂直融合，ETL（extract, transform and load）产品乍看起来似乎并不起眼，单就此项技术本身而导读：企业数据中心按规模划分为部门级数据中心、企业级数据中心、互联网数据中心以及主机托管数据中心等。数据中心作为继陆、海、空、天之后的第五维空间，网络空间已成为信息时代国家间博弈的新舞台和战略利益拓展的新疆域。美国是本次报告选取知名的“数据交易平台”和“数据市场”共7 家通过实际注册体验进行对比汇总而成。包括“数多多”，“- 作者：诺亦腾CEO&联合创始人刘昊扬- 来源：联想控股微空间- 版权归原作者所有，如涉及版权问题，请联系Andrew Moore曾担任谷歌工程副总监，现在是卡耐基梅隆大学计算机科学系的系主任。他说，人工智能的大跃摘要：海量数据的产生、获取、挖掘及整合，使之展现出巨大的商业价值，这就是我理解的大数据。但是这只是我们对大数日前高盛发布研究报告来对虚拟现实（VR）和增强现实（AR）产业进行分析。对此篇研报进行翻译后，将其独到之处（摘要：你能否想象，在安防中，不再需要人工审核几十小时的录像，系统可以立即帮你筛选出异常状况；电视不再需要电视hbswdd分享IT和信息化资讯，分享水文、水利、水资源行业技术，分享生活的阳光面，让我们加入点滴学习大家庭，一起每天进步！热门文章最新文章hbswdd分享IT和信息化资讯，分享水文、水利、水资源行业技术，分享生活的阳光面，让我们加入点滴学习大家庭，一起每天进步！苹果/安卓/wp
苹果/安卓/wp
积分 577, 距离下一级还需 223 积分
权限: 自定义头衔, 签名中使用图片
道具: 彩虹炫, 雷达卡, 热点灯, 雷鸣之声, 涂鸦板, 金钱卡, 显身卡, 匿名卡, 抢沙发下一级可获得
权限: 隐身
购买后可立即获得
权限: 隐身
道具: 金钱卡, 雷鸣之声, 彩虹炫, 雷达卡, 涂鸦板, 热点灯
难过签到天数: 30 天连续签到: 1 天[LV.5]常住居民I
本帖最后由 浮世若离丶 于
16:07 编辑
大数据与云计算时代，现代金融，零售，生物医学，互联网等行业中，数据挖掘已成为价值评估，指导决策不可忽视的营销技术。盘点2015百大数据挖掘成功案例：（节选）· 深圳市儿童医院成功部署IBM集成平台与商业智能分析系统· 英特尔携杭州诚道科技构建智能交通· 数据挖掘在青岛银行：提升银行交易性能、简化运营和管理· 百度大脑PK人脑 大数据押高考作文题
（北京现场班）&&
（远程直播班）
&&Python数据挖掘
5月14—15日5月21—22日5月28—29日
&&Python数据挖掘
5月14—15日5月21—22日5月28—29日
邹博，北师大计算机博士毕业，在科学院从事机器学习和数据挖掘科研工作，主持完成三维计算几何行业建模软件，擅长方向为机器学习、数据挖掘、自然语言处理、计算几何。主持三维数字地质图制图技术及其应用、三维地质建模应用示范研究、遥感信息解译与像元增强研究等多项部级科研项目，对大型软件架构有深刻理解，改进了多项遥感图像的分割、分类、增强算法并用于实际。在多家大学和教育机构担任机器学习和数据挖掘讲师，实战经验丰富，算法推导细致透彻，广受学员好评。
1.&&全日制学生及CDA LEVEL Ⅰ老学员8折优惠（学生证证明文件）；2.&&同一单位三人及以上报名9折优惠，五人及以上8折优惠；4.&&老学员9折优惠；
1. 现场授课使用Python软件进行数据挖掘，多媒体互动，现场答疑。
2. 时间：上午9:00—12:00，下午13:00—16:30，16:30—17:00现场答疑。&&3. 现场提供咖啡茶饮，水果常备。4. 赠送独家讲义，数据 ，现场班视频。
授课对象1）各行业数据分析、数据挖掘从业者2）金融、电信、零售、医学等各行业业务数据分析人员3）ZF事业单位大数据及数据挖掘项目人员4）数据挖掘岗位就业、提拔涨薪、技能优化等从业人员5）对数据挖掘感兴趣的各界人员
1、系统掌握数据分析/挖掘的基本理念、方法2、掌握商业数据分析的分析方式、流程，具有实际开展数据分析/挖掘项目的能力3、掌握商业数据分析/挖掘报告的展现技能
&&1.1Python入门，Anaconda安装1.2Python数据类型、数据语法、运算符第二讲2.1 函数、模块、异常与文件处理2.2 函数与重要Python包2.3 数据挖掘常用包介绍第三讲3.1 特征变量选择：主成分和因子等3.2 样本聚类3.3 案例1:汽车类型聚类与地域购买偏好分析第四讲4.1 决策树模型4.2 模型验证+组合算法4.3 案例2:电信离网用户预警第五讲5.1 最近邻域法（KNN）、MBR、样条曲线5.2 线性回归与岭回归、可实现的Lasso算法5.3 案例3:婚恋网站被约会可能性预测案例4:零售业客户价值预测模型
第六讲6.1 逻辑回归；广义线性模型6.2 支持向量机6.3 案例5：新闻内容分类第七讲7.1 文本分析流程概述7.2 常用字符串函数与正则表达式7.3 分词与词频统计7.4 案例6：新闻内容分类& & 案例7：构造新闻热点词指数第八讲8.1 社会网络分析8.2 案例8:电信客户交友圈与流失预警& & 案例9:电信再入网客户身份指纹识别
1.在线填写报名信息；2.给予反馈，确认报名信息；3.网上缴费：
4.开课前一周发送电子版课件和教室路线图
【咨询方式】
电话：010-
手机：（陈老师）QQ：
& && &（王老师）QQ：
邮箱：& && && && && & ——Join And Learn!
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
支持，常老师很不错~
论坛好贴推荐
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
为做大做强论坛，本站接受风险投资商咨询，请联系（010-）
邮箱：service@pinggu.org
合作咨询电话：(010)
广告合作电话：（刘老师）
投诉电话：(010)
不良信息处理电话：(010)
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师