Journals
ACM TKDD http://tkdd.cs.uiuc.edu/
DMKDhttp://www.springerlink.com/content/1573-756X/?p=859c3e83455d41679ef1be783e923d1d&pi=0
IEEE TKDE http://www.ieee.org/organizations/pubs/transactions/tkde.htm
ACM TODS http://www.acm.org/tods/
VLDB Journal http://www.vldb.org/
ACM Tois http://www.acm.org/pubs/tois/
Conferences
SigKDD http://www.sigkdd.org/
ICDM http://www.cs.uvm.edu/~icdm/
SDM http://www.siam.org/meetings/sdm07/
PKDD http://www.ecmlpkdd2007.org/
VLDB http://www.vldb.org/
SigMod http://www.acm.org/sigmod/
ICDE http://www.ipsi.fraunhofer.de/tcde/conf_e.html
WWW http://www.iw3c2.org/conferences
Online Resources
http://www.kdnuggets.com
http://www.chinakdd.com
网址集合 http://www.dmoz.org/Computers/Software/Databases/Data_Mining//
A google co-op search engine for Data Mining
http://www.google.com/coop/cse?cx=006422944775554126616:ixcd3tdxkke
Data Mining, University of Houston
http://nas.cl.uh.edu/boetticher/CSCI5931 Data Mining.html
Data Mining Program, University of Central Florida http://dms.stat.ucf.edu/
Data Mining Group, University of Dortmund http://www-ai.cs.uni-dortmund.de/index.html
Data Mining, MIT OCW
http://ocw.mit.edu/OcwWeb/Sloan-School-of-Management/15-062Data-MiningSpring2003/CourseHome/
Data Mining Group, Tsinghua http://dbgroup.cs.tsinghua.edu.cn/dmg.html
KDD oral presentations video http://www.videolectures.net
Tools
Weka http://www.cs.waikato.ac.nz/ml/weka/
Rapid Miner(Yale) http://rapid-i.com/content/view/3/76/lang,en/
IlliMine http://illimine.cs.uiuc.edu/
Alpha Miner http://www.eti.hku.hk/alphaminer
Potter's Wheel A-B-C http://control.cs.berkeley.edu/abc/
分析：
一流的：
数据库三大顶级会议SIGMOD，VLDB，ICDE，数据挖掘KDD，实际相关的还有机器学习ICML,还有信息检索的SIGIR；数据库的理论会议PODS。
二流的：
EDBT，ICDT，CIKM，SDM，ICDM，PKDD，还有ECML欧洲的机器学习会议（这个应该是1.5档的，比一般的二流好）
SIGMOD：97分，数据库的最高会议，涉及范围广泛，稍偏应用（因为理论文章有PODS）。没说的，景仰如滔滔江水。这个会议不仅是double-blind review，而且有rebuttal procedure，可谓独树一帜，与众不同。
VLDB：95分，非常好的数据库会议。与SIGMOD类似，涉及范围广泛，稍偏应用。
从文章的质量来说，SIGMOD和VLDB难分伯仲，没有说谁比谁更高。他们的范围也几乎一样。 不少牛人都认为，今年的rebuttal procedure其实并不怎么成功。投稿太多，很难做到每一篇都公平公正。很多rebuttal没人看。
double-blind是把双刃剑。这几年来每年都有人冒充牛人的风格来投稿，有的还真进去了。 反而VLDB的审稿质量一直很高。每年的VLDB都有很理论的paper。
一般来说，我感觉大家还是认为SIGMOD要好那么一点点。根据我个人读过的文章，也有这样的感觉。不过这个并不重要了，有差别也是那么一点。
PODS：95分。是“数据库理论的最好会议,也是一个很好的理论会议”。每年总是co-located with SIGMOD。感觉其中算法背景的人占主流（你可以数数PODS文章中有多少来自Motwani group），也有一部分AI背景的人（毕竟SIGART也是主办者之一）。它的影响力远不及SIGMOD，然而其中文章的质量比较整齐，variance小于SIGMOD（以及其他任何数据库会议）。有一位牛人说：“PODS never had a really bad paper，”这是它值得骄傲的地方。
KDD:：full paper 95分，poster/short paper 90分。数据挖掘的最高会议。由于历史积累不足以及领域圈子较小，勿用讳言KDD目前比SIGMOD尚有所不如。我觉得我们可以这样类比：KDD:SIGMOD=CRYPTO:STOC。
回顾密码学的历史，真正最牛的文章一般发在STOC/FOCS而非CRYPTO/EUROCRYPT，这和今天的数据挖掘何等类似！然而你看看今天的密码学文章，已经有顶级的密码学家（恕我不便写出名字）不再往STOC/FOCS投稿。我觉得同样的事情在不久的 将来也会发生在数据挖掘中，让我们拭目以待。
这几年来KDD的质量都很高。其full paper的质量高于SIGMOD/VLDB中数据挖掘方面的paper 的质量。原因是SIGMOD/VLDB审稿人中数据挖掘的人很少，审稿标准不一定能掌握得很好。
这几年好几篇SIGMOD/VLDB的数据挖掘paper都follow一些KDD的paper。而在KDD，要拿一篇full paper真难。去年复旦拿了一篇，实属难能可贵。今年他们又拿了一个SIGMOD demo，说明工作的确很扎实。
听说在很多地方，如果能有一篇SIGMOD/VLDB/KDD，就能博士毕业，能有两篇就能找到不错的工作。“革命尚未成功，同志仍需努力！”
ICDE：92分。很好的数据库会议，也是一个大杂烩。好处是覆盖面广、包容性强，坏处是文 章水平参差不齐。
EDBT：88分，不错的数据库会议，录取率很低然而历史积累不足，影响还明显不及ICDE。
ICDT：88分，PODS的欧洲版，数据库理论第二会议。
和SIGMOD/VLDB一样，ICDE和EDBT在质量和影响上都不相上下。 其它的如CIKM，ICDM，SDM，SSDBM，PKDD等等都比以上的会议差一截。
CIKM：85分。
SDM：full paper 90分，poster/short paper 85分。SIAM的数据挖掘会议，与ICDM并列为数据挖掘领域的第二位，比KDD有明显差距。好像其中统计背景的人比较多，也有一部分机 器学习背景的人，比较diversified。
ICDM：full paper 90分，poster/short paper 85分。IEEE的数据挖掘会议，与SDM并列为数据挖掘领域的第二位，比KDD有明显差距。
PKDD：83分（因为poster/short paper数量很少，所以不予区分）。好像是KDD的欧洲版， 但与KDD差距很大。