数据挖掘_Dataset of Amtrak procurement providers(特拉克采购供应商数据集)
数据挖掘简介
数据挖掘简介数据挖掘简介2010-04-28 20：47数据挖掘数据挖掘(Data Mining)是采用数学、统计、人工智能和神经网络等领域的科学方法，从大量数据中挖掘出隐含的、先前未知的、对决策有潜在价值的关系、模式和趋势，并用这些知识和规则建立用于决策支持的模型，为商业智能系统服务的各业务领域提供预测性决策支持的方法、工具和过程。
数据挖掘前身是知识发现(KDD)，属于机器学习的范畴，所用技术和工具主要有统计分析(或数据分析)和知识发现。
知识发现与数据挖掘是人工智能、机器学习与数据库技术相结合的产物，是从数据中发现有用知识的整个过程。
机器学习(Machine Learning)是用计算机模拟人类学习的一门科学，由于在专家系统开发中存在知识获取的瓶颈现象，所以采用机器学习来完成知识的自动获取。
数据挖掘是KDD过程中的一个特定步骤，它用专门算法从数据中抽取模式(Patterns)。
1996年，Fayyad、Piatetsky-Shapiror和Smyth将KDD过程定义为：从数据中鉴别出有效模式的非平凡过程，该模式是新的、可能有用的和最终可理解的；KDD是从大量数据中提取出可信的、新颖的、有效的，并能被人理解的模式的处理过程，这种处理过程是一种高级的处理过程。
数据挖掘则是按照既定的业务目标，对大量的企业数据进行探索，揭示隐藏其中的规律性，并进一步将其设计为先进的模型和有效的操作。
在日常的数据库操作中，经常使用的是从数据库中抽取数据以生成一定格式的报表。
KDD与数据库报表工具的区别是：数据库报表制作工具是将数据库中的某些数据抽取出来，经过一些数学运算，最终以特定的格式呈现给用户；而KDD则是对数据背后隐藏的特征和趋势进行分析，最终给出关于数据的总体特征和发展趋势。
报表工具能制作出形如"上学期考试未通过及成绩优秀的学生的有关情况"的表格；但它不能回答"考试未通过及成绩优秀的学生在某些方面有些什么不同的特征"的问题，而KDD就可以回答。
数据挖掘中的自动特征提取方法
数据挖掘中的自动特征提取方法数据挖掘是一门利用各种算法和技术从大量数据中发现模式、关联和隐藏信息的过程。
而在数据挖掘中，自动特征提取方法是非常重要的一环。
本文将介绍一些常用的自动特征提取方法，并探讨它们在数据挖掘中的应用。
一、主成分分析（PCA）主成分分析是一种常用的降维技术，它通过线性变换将原始数据转换为一组新的特征，这些新特征能够最大程度地保留原始数据的信息。
主成分分析的核心思想是通过找到数据中的主要方差方向，将数据投影到这些方向上。
这样可以减少特征的维度，同时保留了数据中最关键的信息。
主成分分析在数据挖掘中的应用非常广泛。
例如，在图像识别中，可以使用主成分分析将图像数据降维，从而减少计算复杂度，提高识别准确率。
此外，主成分分析还可以用于数据可视化，通过将高维数据投影到二维或三维空间中，帮助我们更好地理解数据的分布和结构。
二、独立成分分析（ICA）独立成分分析是一种用于从混合信号中提取出独立信号的方法。
在实际应用中，往往会遇到多个信号混合在一起的情况，例如语音信号中的多个说话者的声音。
独立成分分析可以通过对混合信号进行逆变换，将其分离成独立的源信号。
独立成分分析在数据挖掘中的应用非常广泛。
例如，在语音识别中，可以使用独立成分分析将混合语音信号分离成独立的说话者信号，从而提高语音识别的准确率。
此外，独立成分分析还可以应用于脑电图（EEG）信号处理、金融数据分析等领域。
三、自编码器（Autoencoder）自编码器是一种无监督学习方法，它可以用于特征提取和降维。
自编码器的核心思想是通过训练一个神经网络，将输入数据重构为输出数据。
在这个过程中，网络的中间层起到了特征提取的作用，它可以学习到数据的潜在表示。
自编码器在数据挖掘中的应用非常广泛。
例如，在推荐系统中，可以使用自编码器提取用户的兴趣特征，从而实现个性化推荐。
此外，自编码器还可以用于图像去噪、异常检测等任务。
四、卷积神经网络（CNN）卷积神经网络是一种深度学习模型，它在图像处理和模式识别领域取得了巨大的成功。
数据挖掘教学大纲
数据挖掘教学大纲一、引言1.1 课程背景和目的1.2 数据挖掘的定义和应用领域1.3 数据挖掘的重要性和挑战二、数据预处理2.1 数据清洗2.1.1 缺失值处理2.1.2 异常值处理2.1.3 噪声处理2.2 数据集成2.2.1 数据源选择2.2.2 数据集成方法2.3 数据变换2.3.1 数据规范化2.3.2 数据离散化2.3.3 数据降维三、数据挖掘算法3.1 分类算法3.1.1 决策树算法3.1.2 朴素贝叶斯算法3.1.3 支持向量机算法3.2 聚类算法3.2.1 K-means算法3.2.2 层次聚类算法3.2.3 密度聚类算法3.3 关联规则挖掘算法3.3.1 Apriori算法3.3.2 FP-growth算法3.4 序列模式挖掘算法3.4.1 GSP算法3.4.2 PrefixSpan算法四、模型评估和选择4.1 训练集与测试集划分4.2 交叉验证方法4.2.1 K折交叉验证4.2.2 留一法交叉验证4.3 模型评价指标4.3.1 准确率4.3.2 召回率4.3.3 F1值五、数据挖掘应用案例5.1 电子商务领域的用户购买行为分析5.2 医疗领域的疾病预测5.3 金融领域的信用评估5.4 社交媒体领域的情感分析六、实践项目6.1 学生根据所学知识，选择一个真实场景的数据集进行数据挖掘分析6.2 学生需要完成数据预处理、选择合适的算法进行挖掘、评估模型效果等步骤6.3 学生需要撰写实践报告，详细描述数据挖掘的过程和结果七、教学方法7.1 理论讲授：通过课堂讲解，介绍数据挖掘的基本概念、算法原理和应用案例7.2 实践操作：通过实验课程，引导学生使用数据挖掘工具进行实际操作和分析7.3 讨论与互动：组织学生进行小组讨论和案例分析，加深对数据挖掘的理解7.4 案例分析：通过真实案例的分析，引起学生对数据挖掘的思量和创新八、教材和参考资料8.1 教材：《数据挖掘导论》8.2 参考资料：[参考书目1]、[参考书目2]、[参考网站1]、[参考网站2]九、考核方式9.1 平时成绩：包括课堂表现、实验报告、小组讨论等9.2 期末考试：考察学生对数据挖掘理论和实践的掌握程度9.3 实践项目成绩：考察学生在实际项目中的数据挖掘能力和报告撰写能力十、教学团队10.1 主讲教师：XXX10.2 助教：XXX十一、课程总结11.1 回顾课程内容和学习目标11.2 总结学生在课程中所取得的成果和收获11.3 展望数据挖掘在未来的应用和发展趋势以上为数据挖掘教学大纲的详细内容，包括课程背景和目的、数据预处理、数据挖掘算法、模型评估和选择、数据挖掘应用案例、实践项目、教学方法、教材和参考资料、考核方式、教学团队以及课程总结等方面的内容。
数据挖掘名词解释
数据挖掘名词解释数据挖掘（Data Mining）是指从大量的复杂、未经组织的数据中，通过使用各种算法和技术来挖掘出有用的、非显而易见的、潜藏在数据中的模式和知识的过程。
以下是对数据挖掘中常用的一些名词的解释：1. 数据预处理（Data Preprocessing）：指在进行数据挖掘之前，对原始数据进行清理、转换、集成和规约等操作，以获得适合挖掘的数据。
2. 特征选择（Feature Selection）：从原始数据中选择对于挖掘目标有意义的特征或属性，用于构建挖掘模型。
特征选择可以提高挖掘模型的准确性、有效性和可解释性。
3. 数据集成（Data Integration）：将不同数据源中的数据集成到一个统一的数据仓库或数据集中，以便进行分析和挖掘。
4. 数据降维（Dimensionality Reduction）：由于原始数据中可能包含大量的特征或属性，而这些特征可能存在冗余或不相关的情况，因此需要对数据进行降维，减少数据中的特征数目，提高挖掘效率和准确性。
5. 模式发现（Pattern Discovery）：通过对数据挖掘算法的应用，从数据中发现隐藏的、有意义的模式，如关联规则、序列模式、聚类模式等。
6. 关联规则挖掘（Association Rule Mining）：从大规模数据集中挖掘出频繁出现的项集和项集之间的关联规则。
关联规则挖掘常用于市场篮子分析、购物推荐、交叉销售等领域。
7. 分类（Classification）：根据已知的样本和样本的标签，训练分类模型，然后用于对未标注样本的分类预测。
分类是数据挖掘中的一项重要任务，常用于客户分类、欺诈检测、垃圾邮件过滤等场景。
8. 聚类（Clustering）：根据数据中的相似性或距离度量，将样本划分为若干个组或簇，使得同组内的样本更加相似，不同组之间的样本差异更大。
聚类可用于市场细分、用户群体划分、图像分析等领域。
9. 时间序列分析（Time Series Analysis）：针对按时间顺序排列的数据，通过挖掘数据中的趋势、周期性、季节性等模式，预测未来的走势和变化。
《统计学习要素：机器学习中的数据挖掘、推断与预测》随笔
《统计学习要素：机器学习中的数据挖掘、推断与预测》阅读札记目录一、内容概括 (2)1.1 机器学习的发展与应用 (2)1.2 统计学习的概念与重要性 (4)二、数据挖掘 (5)2.1 数据挖掘的定义与过程 (6)2.2 常用数据挖掘方法与技术 (8)2.2.1 分类与聚类 (10)2.2.2 关联规则挖掘 (11)2.2.3 回归与异常检测 (13)2.3 数据挖掘的应用领域 (13)2.3.1 市场营销 (15)2.3.2 医疗诊断 (16)2.3.3 金融风险预测 (17)三、推断 (18)3.1 推断的基本概念与原理 (19)3.2 常用推断方法与技术 (20)3.2.1 参数估计 (22)3.2.2 置信区间 (22)3.2.3 假设检验 (23)3.3 推断的应用领域 (24)3.3.1 经济学研究 (26)3.3.2 社会科学研究 (27)3.3.3 工程质量控制 (28)四、预测 (30)4.1 预测的基本概念与原理 (31)4.2 常用预测方法与技术 (33)4.2.1 时间序列分析 (34)4.2.2 机器学习中的预测模型 (35)4.3 预测的应用领域 (37)4.3.1 金融市场预测 (38)4.3.2 医疗健康预测 (40)4.3.3 交通流量预测 (41)五、总结与展望 (43)5.1 本书内容总结 (44)5.2 未来发展趋势与挑战 (45)一、内容概括《统计学习要素：机器学习中的数据挖掘、推断与预测》是一本介绍统计学习基础概念和方法的书籍，旨在帮助读者理解机器学习的基本原理和应用。
本书共分为四个部分，分别是监督学习、无监督学习、半监督学习和强化学习。
在监督学习部分，作者首先介绍了基本的回归和分类问题，然后讨论了核方法、决策树、支持向量机等常用算法。
在无监督学习部分，作者介绍了聚类、降维等基本概念和算法。
在半监督学习部分，作者讨论了半监督学习的基本思想和应用场景，并介绍了一些常用的半监督学习算法。
数据挖掘教学大纲
数据挖掘教学大纲一、引言1.1 课程背景数据挖掘是一门综合性学科，结合了统计学、机器学习、数据库技术等多个领域的知识和技术，旨在从大规模数据集中发现有价值的信息和模式。
1.2 课程目标本课程旨在培养学生对数据挖掘的基本概念、方法和技术的理解和应用能力，使其能够运用数据挖掘技术解决实际问题。
二、课程内容2.1 数据挖掘概述2.1.1 数据挖掘定义和基本任务2.1.2 数据挖掘过程和流程2.1.3 数据挖掘应用领域和案例介绍2.2 数据预处理2.2.1 数据清洗和去噪2.2.2 数据集成和转换2.2.3 数据规范化和归一化2.3 数据挖掘算法2.3.1 分类算法2.3.1.1 决策树算法2.3.1.2 朴素贝叶斯算法2.3.1.3 支持向量机算法2.3.2 聚类算法2.3.2.1 K均值算法2.3.2.2 层次聚类算法2.3.2.3 密度聚类算法2.3.3 关联规则挖掘算法2.3.3.1 Apriori算法2.3.3.2 FP-Growth算法2.4 模型评估和选择2.4.1 训练集和测试集划分2.4.2 交叉验证2.4.3 模型评估指标2.5 数据可视化2.5.1 数据可视化基本原理2.5.2 常用数据可视化工具和技术三、教学方法3.1 理论讲授通过课堂讲解，介绍数据挖掘的基本概念、方法和技术，以及相关的应用案例。
3.2 实践操作通过实验和案例分析，让学生实际操作数据挖掘工具和算法，加深对理论知识的理解和应用能力。
3.3 课堂讨论鼓励学生参预课堂讨论，分享自己的观点和经验，提高学生的思维能力和问题解决能力。
四、教学评价4.1 课堂表现考察学生课堂参预度、提问和回答问题的能力，以及对理论知识的理解程度。
4.2 实验报告要求学生完成一定数量的实验，并撰写实验报告，评估学生对数据挖掘算法和工具的实际应用能力。
4.3 期末考试考察学生对课程内容的整体掌握程度，包括理论知识和实际应用能力。
五、参考教材1. Han, J., Kamber, M., & Pei, J. (2022). Data mining: concepts and techniques. Morgan Kaufmann.2. Tan, P. N., Steinbach, M., & Kumar, V. (2022). Introduction to data mining. Pearson Education.六、教学资源1. 数据挖掘软件：如RapidMiner、Weka等2. 数据集：包括公开数据集和自行采集的数据集七、课程进度安排本课程共分为16周，每周2学时，具体进度安排如下：1. 第1-2周：引言和数据挖掘概述2. 第3-4周：数据预处理3. 第5-6周：分类算法4. 第7-8周：聚类算法5. 第9-10周：关联规则挖掘算法6. 第11-12周：模型评估和选择7. 第13-14周：数据可视化8. 第15-16周：复习和总结以上是关于数据挖掘教学大纲的详细内容。
数据挖掘英语
数据挖掘英语随着信息技术和互联网的不断发展，数据已经成为企业和个人在决策和分析中不可或缺的一部分。
而数据挖掘作为一种利用大数据技术来挖掘数据潜在价值的方法，也因此变得越来越重要。
在这篇文章中，我们将会介绍数据挖掘的相关英语术语和概念。
一、概念1.数据挖掘（Data Mining）数据挖掘是一种从大规模数据中提取出有用信息的过程。
数据挖掘通常包括数据预处理、数据挖掘和结果评估三个阶段。
2.机器学习（Machine Learning）机器学习是一种通过对数据进行学习和分析来改善和优化算法的方法。
机器学习可以被视为是一种数据挖掘的技术，它可以用来预测未来的趋势和行为。
3.聚类分析（Cluster Analysis）聚类分析是一种通过将数据分组为相似的集合来发现数据内在结构的方法。
聚类分析可以用来确定市场细分、客户分组、产品分类等。
4.分类分析（Classification Analysis）分类分析是一种通过将数据分成不同的类别来发现数据之间的关系的方法。
分类分析可以用来识别欺诈行为、预测客户行为等。
5.关联规则挖掘（Association Rule Mining）关联规则挖掘是一种发现数据集中变量之间关系的方法。
它可以用来发现购物篮分析、交叉销售等。
6.异常检测（Anomaly Detection）异常检测是一种通过识别不符合正常模式的数据点来发现异常的方法。
异常检测可以用来识别欺诈行为、检测设备故障等。
二、术语1.数据集（Dataset）数据集是一组数据的集合，通常用来进行数据挖掘和分析。
2.特征（Feature）特征是指在数据挖掘和机器学习中用来描述数据的属性或变量。
3.样本（Sample）样本是指从数据集中选取的一部分数据，通常用来进行机器学习和预测。
4.训练集（Training Set）训练集是指用来训练机器学习模型的样本集合。
5.测试集（Test Set）测试集是指用来测试机器学习模型的样本集合。
数据挖掘中的特征选择和模型评估技巧
数据挖掘中的特征选择和模型评估技巧特征选择和模型评估是数据挖掘中不可忽视的重要环节。
特征选择是指从原始数据集中选择与目标变量相关的一些特征，以提高模型的预测性能和解释能力。
而模型评估则是通过一系列评估指标对所建立的模型进行性能评估和比较，从而选择最佳的模型。
在数据挖掘的过程中，数据特征往往众多，但并不是所有的特征都对模型的预测能力有积极影响。
特征选择的目的就是找出对目标变量预测有帮助的特征，剔除无用的特征，从而提高模型的性能和效果。
一种常用的特征选择方法是过滤法，它通过对特征进行统计分析或相关度计算将重要的特征筛选出来。
常用的统计分析方法包括方差分析（ANOVA），卡方检验等。
相关度计算则是通过计算特征与目标变量之间的关联性来选择特征。
常用的相关度计算方法有皮尔逊相关系数、互信息等。
通过这些统计方法可以得到特征的重要性排序，进而选择排名靠前的特征。
另一种常用的特征选择方法是包裹法，它是通过将特征子集作为输入，不断构建模型并评估得分来进行特征选择。
常见的包裹法有递归特征消除（RFE）和遗传算法等。
这些方法不需要先验知识，可以针对不同的模型进行特征选择。
此外，嵌入法也是一种常用的特征选择方法。
嵌入法将特征选择作为模型训练的一部分，通过模型的评估指标来确定特征的重要性。
经典的嵌入法有L1正则化、决策树等。
这些方法可以在模型训练的过程中同时进行特征选择和模型训练，具有较好的效果和稳定性。
特征选择完成后，接下来就是模型评估的环节。
模型评估是评估所建立模型的性能和预测能力，从而选择最佳的模型。
模型评估通常使用一系列评估指标来量化模型的性能，如准确率、召回率、精确率、F1值等。
这些指标可以衡量模型在不同方面的预测能力，根据具体需求选择适合的指标来评估模型。
通常情况下，模型评估会采用交叉验证方法来避免模型对训练集的过拟合。
常见的交叉验证方法有K折交叉验证和留一交叉验证。
交叉验证将数据集划分为训练集和验证集，通过不同的划分方式来评估模型的性能。
机器学习中的数据挖掘与模式识别(Ⅱ)
机器学习中的数据挖掘与模式识别随着信息时代的到来，大数据已经成为各行各业的重要组成部分。
而机器学习作为大数据处理的关键技术之一，数据挖掘与模式识别更是机器学习中不可或缺的重要环节。
本文将探讨机器学习中的数据挖掘与模式识别，从其定义、应用和发展趋势等多个方面展开论述。
一、数据挖掘与模式识别的定义数据挖掘是指从大量数据中发现并提取先前未知的、有价值的、可理解的模式和信息的过程。
而模式识别则是将目标对象的特征与已知模式相比较，以确定其所属类别或属性的过程。
在机器学习中，数据挖掘与模式识别通常是指利用算法和模型来分析数据、识别模式并做出预测的过程。
二、数据挖掘与模式识别的应用数据挖掘与模式识别在各个领域都有着广泛的应用。
在金融领域，机器学习的数据挖掘能够帮助银行和投资机构发现欺诈行为、预测股市走势以及制定个性化的投资组合。
在医疗领域，数据挖掘和模式识别可以帮助医生分析大量的病例数据，辅助诊断疾病和预测患者的治疗效果。
在电子商务领域，数据挖掘和模式识别可以帮助企业分析用户行为，精准推荐商品，提高销售转化率。
在智能制造领域，数据挖掘和模式识别可以帮助企业提高生产效率，优化生产计划，减少生产成本。
三、数据挖掘与模式识别的发展趋势随着科学技术的不断进步，数据挖掘与模式识别也在不断发展。
一方面，随着大数据技术的普及和成熟，数据挖掘的数据规模越来越大，模式识别的准确性和稳定性也在不断提高。
另一方面，随着人工智能技术的飞速发展，机器学习算法也在不断创新，例如深度学习、强化学习等技术的应用，使得数据挖掘与模式识别的应用领域更加广泛。
未来，数据挖掘与模式识别的发展趋势将更加注重算法的自动化和智能化，以适应大规模数据的处理需求。
同时，数据挖掘与模式识别在医疗健康、智能制造、智能交通等领域的应用前景也将更加广阔。
四、数据挖掘与模式识别的挑战尽管数据挖掘与模式识别有着广泛的应用前景，但是也面临着一些挑战。
首先，随着数据规模的不断增大，数据的质量和可信度成为了一个亟待解决的问题。
基于机器学习的数据挖掘
基于机器学习的数据挖掘1. 前言：介绍数据挖掘和机器学习的概念数据挖掘是指通过对大规模数据的分析，提取出有用且没有明显发现的信息的过程。
数据挖掘包括三个主要组成部分：数据采集，数据处理和数据分析。
机器学习是指通过使用数据，并自我调整和学习来改进算法，以便执行某些任务，从而模拟人类行为。
2. 机器学习的类型：监督，非监督，半监督和强化学习机器学习有四种类型，监督，非监督，半监督和强化学习。
监督学习是指使用标记数据来训练模型以执行特定任务。
非监督学习是指在没有标记数据的情况下构建模型，因为没有可用的标准来评估模型，因此用途不太多。
半监督学习是介于监督和非监督学习之间。
强化学习则是通过探索学习环境中的行为以及获得结果来进行训练，并根据得到的结果来调整模型。
3. 数据挖掘的应用领域机器学习和数据挖掘大量应用于金融、医疗保健、零售、物流等领域。
在金融领域，它被用于风险评估、客户信用评分、过程自动化等领域。
在医疗领域，机器学习可以用于疾病预测、临床试验和影像分析等。
在物流和零售领域，它可以帮助企业进行更准确的预测，优化供应链和库存管理。
4. 数据挖掘的过程数据挖掘的过程包括以下几个步骤：4.1 数据收集和数据准备数据收集是收集数据以进行后续分析的过程。
数据准备是指准备数据以用于后续分析。
这些步骤是数据挖掘过程中最重要的先决条件之一。
4.2 数据预处理数据预处理是指将原始数据变换为清晰的数据，以便进行更好的数据分析。
预处理通常包括数据清理、数据集成、数据转换和数据规约。
4.3 模型选择和训练模型选择需要特别注意，因为选择的模型将直接影响您提取的信息类型。
将使用给定算法来构建模型，该算法将基于所选特征和预测标签进行训练。
该模型可用于进行预测或分类。
4.4 模型评估和改进模型设计和测试是数据挖掘过程中最繁琐的步骤之一。
该过程需要大量尝试和错误，以发现正确的模型设置。
模型的性能度量可以使用不同的测量标准，例如精度、召回率、精度和F1分数。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Dataset of Amtrak procurement providers(特拉克采
购供应商数据集)
数据摘要：
This data set is about list of vendors of services and products to AMTRAK. Amtrak is goverment owned providing passenger train services in United States.
中文关键词：
计算机科学,商业,特拉克,采购供应商,美国,
英文关键词：
Computer science,Business,Amtrak,Procurement providers,USA,
数据格式：
TEXT
数据用途：
The data can be used for data mining and analysis.
数据详细介绍：
Dataset of Amtrak procurement
providers
∙Abstract
This data set is about list of vendors of services and products to AMTRAK. Amtrak is government owned providing passenger train services in United States.
∙Data Description
Columns: ID, COMPANY, ADDRESS 1, ADDRESS 2, CITY, STATE, ZIPCODE, CORE COMPETENCY, NATURE of BUSINESS, CONTACT NAME, TITLE, PHONE, FAX, EMAIL, WEBSITE, FEDERAL TAX ID, DUNS NO., OWNERSHIP MINORITY
Database Number of rows: 879, of Businesses in the Amtrak Procurement Directory
Data raw sample
1 1st JMG & Associates LLC 12006 Brandywine Road Clinton MD
20735 Information Technology Information Technology management Consulting; Service and Acquisition Support J. Milton Goodman President/ CEO 301-782-7340 301-782-7341 mgoodman@ 90-0114848 Black American Male
2 2IM Group LLC 118 N. Clinton Ave. Suite 440 Chicago IL 60661 Civil
Engineering Civil engineering design; roadway; parking lot; drainage design; sustainable damage Luis Montgomery President 312-441-9554;
ext. 1 312-441-9558 luis.m@ 42-1679389 Hispanic Male
3 4 Connectivity Inc. 8945 Ridge Ave. Suite 10 Philadelphia PA 19128
Information Technology Professional consulting services in enterprise integration architecture; services oriented architecture; project management and software development Nancy Krystkiewicz President 215-469-2223 clientservices@ 27-0278512 832923184 Female
4 503 Corporation 5019 Mulberry Street Philadelphia PA 19124 Security
Systems Security Systems Installation and Distribution Raymond A Yabor President 215-535-3100 215-535-3106 info@
5 5H Technologies 164
6 Kentucky Ave. Paducah KY 42003
Environmental Environmental and safety compliance/engineering/ permitting services. IT services. Wetlands delineation and mtigation services. Project controls services. QA services. Environmental sampling and reporting David F. Hutcheson; Jr. Vice President 270-448-0755 270-448-0754 dh@ 20-4085005 621187314 Female ...
Reference
数据预览：
点此下载完整数据集。