把數據挖掘到哪裡

❶ 數據挖掘主要涉及到哪些方面的知識

1. 工程能力
（ 1 ）編程基礎：需要掌握一大一小兩門語言，大的指 C++ 或者 Java ，小的指Python 或者 shell 腳本；需要掌握基本的資料庫語言；
建議：MySQL + python + C++ ；語言只是一種工具，看看語法就好；
推薦書籍：《C++ primer plus 》
（ 2 ）開發平台： Linux ；
建議：掌握常見的命令，掌握 Linux 下的源碼編譯原理；
推薦書籍：《Linux 私房菜》
（ 3 ）數據結構與演算法分析基礎：掌握常見的數據結構以及操作（線性表，隊，列，字元串，樹，圖等），掌握常見的計算機演算法（排序演算法，查找演算法，動態規劃，遞歸等）；
建議：多敲代碼，多刷題；
推薦書籍：《大話數據結構》《劍指 offer 》
（ 4 ）海量數據處理平台： Hadoop （ mr 計算模型，java 開發）或者 Spark （ rdd 計算模型， scala開發），重點推薦後者；
建議：主要是會使用，有精力的話可以看看源碼了解集群調度機制之類的；
推薦書籍：《大數據 spark 企業級實戰》
2. 演算法能力
（ 1 ）數學基礎：概率論，數理統計，線性代數，隨機過程，最優化理論
建議：這些是必須要了解的，即使沒法做到基礎扎實，起碼也要掌握每門學科的理論體系，涉及到相應知識點時通過查閱資料可以做到無障礙理解；
（ 2 ）機器學習 / 深度學習：掌握 常見的機器學習模型（線性回歸，邏輯回歸， SVM ，感知機；決策樹，隨機森林， GBDT ， XGBoost ；貝葉斯， KNN ， K-means ， EM 等）；掌握常見的機器學習理論（過擬合問題，交叉驗證問題，模型選擇問題，模型融合問題等）；掌握常見的深度學習模型（ CNN ，RNN 等）；
建議：這里的掌握指的是能夠熟悉推導公式並能知道模型的適用場景；
推薦書籍：《統計學習方法》《機器學習》《機器學習實戰》《 UFLDL 》
（ 3 ）自然語言處理：掌握常見的方法（ tf-idf ， word2vec ，LDA ）；
3. 業務經驗
（ 1 ）了解推薦以及計算廣告相關知識；
推薦書籍：《推薦系統實踐》《計算廣告》
（ 2 ）通過參加數據挖掘競賽熟悉相關業務場景，常見的比賽有 Kaggle ，阿里天池， datacastle 等。

❷ 數據挖掘是什麼

數據挖掘（Data Mining）是指通過大量數據集進行分類的自動化過程，以通過數據分析來識別趨勢和模式，建立關系來解決業務問題。換句話說，數據挖掘是從大量的、不完全的、有雜訊的、模糊的、隨機的數據中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。

原則上講，數據挖掘可以應用於任何類型的信息存儲庫及瞬態數據（如數據流），如資料庫、數據倉庫、數據集市、事務資料庫、空間資料庫（如地圖等）、工程設計數據（如建築設計等）、多媒體數據（文本、圖像、視頻、音頻）、網路、數據流、時間序列資料庫等。也正因如此，數據挖掘存在以下特點：

（1）數據集大且不完整
數據挖掘所需要的數據集是很大的，只有數據集越大，得到的規律才能越貼近於正確的實際的規律，結果也才越准確。除此以外，數據往往都是不完整的。

（2）不準確性
數據挖掘存在不準確性，主要是由雜訊數據造成的。比如在商業中用戶可能會提供假數據；在工廠環境中，正常的數據往往會收到電磁或者是輻射干擾，而出現超出正常值的情況。這些不正常的絕對不可能出現的數據，就叫做雜訊，它們會導致數據挖掘存在不準確性。

（3）模糊的和隨機的
數據挖掘是模糊的和隨機的。這里的模糊可以和不準確性相關聯。由於數據不準確導致只能在大體上對數據進行一個整體的觀察，或者由於涉及到隱私信息無法獲知到具體的一些內容，這個時候如果想要做相關的分析操作，就只能在大體上做一些分析，無法精確進行判斷。
而數據的隨機性有兩個解釋，一個是獲取的數據隨機；我們無法得知用戶填寫的到底是什麼內容。第二個是分析結果隨機。數據交給機器進行判斷和學習，那麼一切的操作都屬於是灰箱操作。

❸ 什麼是數據挖掘，或數據挖掘的過程是什麼

1.1 數據挖掘的興起

1.1.1 數據豐富與知識匱乏

整個知識發現過程是由若乾重要步驟組成（數據挖掘只是其中一個重要步驟）：

1）數據清洗：清除數據雜訊和與挖掘主題明顯無關的數據

2）數據集成：將來自多數據源中的相關數據組合到一起

3）數據轉換：將數據轉換為易於進行數據挖掘的數據存儲形式

4）數據挖掘：它是知識挖掘的一個重要步驟，其作用是利用智能方法挖掘數據模式或規律知識

5）模式評估：其作用是根據一定評估標准從挖掘結果篩選出有意義的模式知識

6）知識表示：其作用是利用可視化和知識表達技術，向用戶展示所挖掘出的相關知識

1.1.4 數據挖掘解決的商業問題（案例）

• 客戶行為分析

• 客戶流失分析

• 交叉銷售

• 欺詐檢測

• 風險管理

• 客戶細分

• 廣告定位

• 市場和趨勢分析

❹ 數據挖掘是什麼

數據挖掘是從大量的、不完全的、有雜訊的、模糊的、隨機的數據中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。

數據挖掘流程：

• 定義問題：清晰地定義出業務問題，確定數據挖掘的目的。

• 數據准備：數據准備包括：選擇數據–在大型資料庫和數據倉庫目標中 提取數據挖掘的目標數據集;數據預處理–進行數據再加工，包括檢查數據的完整性及數據的一致性、去雜訊，填補丟失的域，刪除無效數據等。

• 數據挖掘：根據數據功能的類型和和數據的特點選擇相應的演算法，在凈化和轉換過的數據集上進行數據挖掘。

• 結果分析：對數據挖掘的結果進行解釋和評價，轉換成為能夠最終被用戶理解的知識。

數據挖掘的技術，可粗分為：統計方法、機器學習方法、神經網路方法和資料庫方法。統計方法，可細分為：回歸分析（多元回歸、自回歸等）、判別分析（貝葉斯判別、CBR、遺傳演算法、貝葉斯信念網路等。神經網路方法，可細分為：前向神經網路（BP演算法等）、自組織神經網路（自組織特徵映射、競爭學習等）等。資料庫方法主要是基於可視化的多維數據分析或OLAP方法，另外還有面向屬性的歸納方法。

❺ 什麼是指如何把大數據智能化的潛力挖掘出來

數據挖掘是指人們從事先不知道的大量不完整、雜亂、模糊和隨機數據中提取潛在隱藏的有用信息和知識的過程。下面說下我們在挖掘大數據的時候，都會用到的幾種方法：
方法1、(可視化分析)無論是日誌數據分析專家還是普通用戶，數據可視化都是數據分析工具的最基本要求。可視化可以直觀地顯示數據，讓數據自己說話，讓聽眾看到結果。
方法2、(數據挖掘演算法)如果說可視化用於人們觀看，那麼數據挖掘就是給機器看的。集群、分割、孤立點分析和其他演算法使我們能夠深入挖掘數據並挖掘價值。這些演算法不僅要處理大量數據，還必須盡量縮減處理大數據的速度。
方法3、(預測分析能力)數據挖掘使分析師可以更好地理解數據，而預測分析則使分析師可以根據可視化分析和數據挖掘的結果做出一些預測性判斷。

❻ 數據挖掘它在把數據加工成有用信息的過程中起什麼作用

數據挖掘的定義是：從大量的數據中通過演算法搜索隱藏於其中信息的過程。
也就是說在數據加工成有用的信息的第一步（除了收據收集以外）就是數據挖掘，他是數據再加工的前提條件，沒有數據挖掘，那麼也就不存在後面的而所謂數據分析等等這么內容，因為你根本沒有從大量的數據中找到隱藏域其中的「有用」的信息。
舉個例子：電視劇《在一起》中有一集是講流調的，其中有個人能准確地說出那個老太太和另外一個人同時出現在了某個地方，這個就是數據挖掘。然後再根據地點的公共監控和特徵，找到二者存在的關系，這個就是數據分析，如果都挖掘不出來（不知道二者曾經共同出現過），那麼怎麼進行分析呢？
當然數據分析不僅僅是這一點，數據的治理，整理，匯總，分類，建模等等，這些都是數據分析，那麼數據分析的前提是有數據，這個數據從哪裡來的，數據挖掘從海量的數據中「挖」來的，數據挖掘起到的主要作用我覺得就是這個--信息准備（把數據從海量的龐大的不可操作的信息，轉換為輕量的有用的可操作的信息）

❼ 數據挖掘的功能 數據挖掘可以挖掘到什麼類型的模式

數據挖掘功能用於指定數據挖掘任務要找的模式類型．一般而言，數據挖掘任務可以分兩類：描述和預測．描述性挖掘任務描述資料庫中的數據的一般性質．預測性挖掘任務對當前數據進行推斷，以做出預測．
概念／類描述：特徵化和區分
數據特徵化
數據區分
挖掘頻繁模式，關聯和相關
關聯分析．假設作為AllElectronics的市場部經理，想確定在相同的事務中，哪些商品經常被一起購買．從AllElectronics事務資料庫中挖掘出來的這種規則的一個例子是
buys (X, "computer") => buys(X, "software") [support = 1%, confidence = 50%]
其中，X是變數，代表顧客．50%的置信度或可信性表示，如果一位顧客購買計算機，則購買軟體的可能性是50%．1%的支持度意味所分析的所有事務的1%顯示計算機與軟體一起購買．這個關聯規則涉及單個重復的屬性或謂詞（即 buys）．包含單個謂詞的關聯規則稱作單維關聯規則（single-dimensional association rule）．去掉謂詞符號，上面的規則可以簡單地寫成 "computer => software [1%, 50%]"．
假設給定涉及購買的AllElectronics關系資料庫．數據挖掘系統還可以發現如下形式的規則：
age(X, "20...29") ^ income(X, "20K...29K") => buys(X, "CD player") [support = 2%, confidence = 60%]
該規則指出，所研究的AllElectronics顧客，2%是20 ~ 29歲，年收入為2000 ~ 29000，並且在AllElectronics購買了CD播放機．這個年齡和收入組的顧客購買CD機的概率為60%．注意，這個屬性稱為一維，上面的規則可以稱作多維關聯規則 (multidimensional association rule)．