大数据挖掘需要什么研究方向

㈠ 数据挖掘领域比较有前景的方向有哪些

数据挖掘领域比较有前景的方向有哪些？数据挖掘就业的途径从我看来有以下几种，（注意：所说的数据挖掘不包括数据仓库或数据库管理员的角色）。A：做科研(在高校、科研单位以及大型企业，主要研究算法、应用等)B：做程序开发设计（在企业做数据挖掘及其相关程序算法的实现等）C：数据分析师（在存在海量数据的企事业单位做咨询、分析等）目前国内的数据挖掘人员工作领域大致可分为三类:· 1）数据分析师：在拥有行业数据的电商、金融、电信、咨询等行业里做业务咨询，商务智能，出分析报告。· 2）数据挖掘工程师：在多媒体、电商、搜索、社交等大数据相关行业里做机器学习算法实现和分析。· 3）科学研究方向：在高校、科研单位、企业研究院等高大上科研机构研究新算法效率改进及未来应用

㈡ 现在数据挖掘的前沿方向是什么呢

8．1 数据挖掘未来研究方向
----当前，DMKD研究方兴未艾，其研究与开发的总体水平相当于数据库技术在70年代所处的地位，迫切需要类似于关系模式、DBMS系统和SQL查询语言等理论和方法的指导，才能使DMKD的应用得以普遍推广。预计在本世纪，DMKD的研究还会形成更大的高潮，研究焦点可能会集中到以下几个方面：
发现语言的形式化描述，即研究专门用于知识发现的数据挖掘语言，也许会像SQL语言一样走向形式化和标准化；
寻求数据挖掘过程中的可视化方法，使知识发现的过程能够被用户理解，也便于在知识发现的过程中进行人机交互；
研究在网络环境下的数据挖掘技术（WebMining），特别是在因特网上建立DMKD服务器，并且与数据库服务器配合，实现WebMining；
加强对各种非结构化数据的开采（DataMiningforAudio＆Video），如对文本数据、图形数据、视频图像数据、声音数据乃至综合多媒体数据的开采；
处理的数据将会涉及到更多的数据类型，这些数据类型或者比较复杂，或者是结构比较独特。为了处理这些复杂的数据，就需要一些新的和更好的分析和建立模型的方法，同时还会涉及到为处理这些复杂或独特数据所做的费时和复杂数据准备的一些工具和软件。
交互式发现；
知识的维护更新。
但是，不管怎样，需求牵引与市场推动是永恒的，DMKD将首先满足信息时代用户的急需，大量的基于DMKD的决策支持软件产品将会问世。
只有从数据中有效地提取信息，从信息中及时地发现知识，才能为人类的思维决策和战略发展服务。也只有到那时，数据才能够真正成为与物质、能源相媲美的资源，信息时代才会真正到来。
8．2 数据挖掘热点
就目前来看，将来的几个热点包括网站的数据挖掘（Web site data mining）、生物信息或基因（Bioinformatics/genomics）的数据挖掘及其文本的数据挖掘（Textual mining）。下面就这几个方面加以简单介绍。
8.2.1 网站的数据挖掘（Web site data mining）
需求
随着Web技术的发展，各类电子商务网站风起云涌，建立起一个电子商务网站并不困难，困难的是如何让您的电子商务网站有效益。要想有效益就必须吸引客户，增加能带来效益的客户忠诚度。电子商务业务的竞争比传统的业务竞争更加激烈，原因有很多方面，其中一个因素是客户从一个电子商务网站转换到竞争对手那边，只需点击几下鼠标即可。网站的内容和层次、用词、标题、奖励方案、服务等任何一个地方都有可能成为吸引客户、同时也可能成为失去客户的因素。而同时电子商务网站每天都可能有上百万次的在线交易，生成大量的记录文件（Logfiles）和登记表，如何对这些数据进行分析和挖掘，充分了解客户的喜好、购买模式，甚至是客户一时的冲动，设计出满足于不同客户群体需要的个性化网站，进而增加其竞争力，几乎变得势在必行。若想在竞争中生存进而获胜，就要比您的竞争对手更了解客户。
电子商务网站数据挖掘
在对网站进行数据挖掘时，所需要的数据主要来自于两个方面：一方面是客户的背景信息，此部分信息主要来自于客户的登记表；而另外一部分数据主要来自浏览者的点击流（Click-stream），此部分数据主要用于考察客户的行为表现。但有的时候，客户对自己的背景信息十分珍重，不肯把这部分信息填写在登记表上，这就会给数据分析和挖掘带来不便。在这种情况之下，就不得不从浏览者的表现数据中来推测客户的背景信息，进而再加以利用。
就分析和建立模型的技术和算法而言，网站的数据挖掘和原来的数据挖掘差别并不是特别大，很多方法和分析思想都可以运用。所不同的是网站的数据格式有很大一部分来自于点击流，和传统的数据库格式有区别。因而对电子商务网站进行数据挖掘所做的主要工作是数据准备。目前，有很多厂商正在致力于开发专门用于网站挖掘的软件。
8.2.2 生物信息或基因的数据挖掘
生物信息或基因数据挖掘则完全属于另外一个领域，在商业上很难讲有多大的价值，但对于人类却受益非浅。例如，基因的组合千变万化，得某种病的人的基因和正常人的基因到底差别多大？能否找出其中不同的地方，进而对其不同之处加以改变，使之成为正常基因？这都需要数据挖掘技术的支持。
对于生物信息或基因的数据挖掘和通常的数据挖掘相比，无论在数据的复杂程度、数据量还有分析和建立模型的算法而言，都要复杂得多。从分析算法上讲，更需要一些新的和好的算法。现在很多厂商正在致力于这方面的研究。但就技术和软件而言，还远没有达到成熟的地步。
8.2.3 文本的数据挖掘（Textualmining）
人们很关心的另外一个话题是文本数据挖掘。举个例子，在客户服务中心，把同客户的谈话转化为文本数据，再对这些数据进行挖掘，进而了解客户对服务的满意程度和客户的需求以及客户之间的相互关系等信息。从这个例子可以看出，无论是在数据结构还是在分析处理方法方面，文本数据挖掘和前面谈到的数据挖掘相差很大。文本数据挖掘并不是一件容易的事情，尤其是在分析方法方面，还有很多需要研究的专题。目前市场上有一些类似的软件，但大部分方法只是把文本移来移去，或简单地计算一下某些词汇的出现频率，并没有真正的分析功能。
随着计算机计算能力的发展和业务复杂性的提高，数据的类型会越来越多、越来越复杂，数据挖掘将发挥出越来越大的作用。

㈢ 大数据分析有哪些基本方向

【导读】跟着大数据时代的降临，大数据剖析也应运而生。随之而来的数据仓库、数据安全、数据剖析、数据发掘等等环绕大数据的商业价值的使用逐渐成为职业人士争相追捧的利润焦点。那么，大数据剖析有哪些根本方向呢?

1.可视化剖析

不管是对数据剖析专家仍是普通用户，数据可视化是数据剖析东西最根本的要求。可视化能够直观的展现数据，让数据自己说话，让观众听到成果。

2.数据发掘算法

可视化是给人看的，数据发掘便是给机器看的。集群、切割、孤立点剖析还有其他的算法让咱们深入数据内部，发掘价值。这些算法不只要处理大数据的量，也要处理大数据的速度。

3.猜测性剖析才能

数据发掘能够让剖析员更好的理解数据，而猜测性剖析能够让剖析员根据可视化剖析和数据发掘的成果做出一些猜测性的判别。

4.语义引擎

咱们知道由于非结构化数据的多样性带来了数据剖析的新的应战，咱们需求一系列的东西去解析，提取，剖析数据。语义引擎需求被设计成能够从“文档”中智能提取信息。

5.数据质量和数据管理

数据质量和数据管理是一些管理方面的最佳实践。经过标准化的流程和东西对数据进行处理能够保证一个预先界说好的高质量的剖析成果。

6.数据存储，数据仓库

数据仓库是为了便于多维剖析和多角度展现数据按特定形式进行存储所建立起来的联系型数据库。在商业智能系统的设计中，数据仓库的构建是关键，是商业智能系统的根底，为商业智能系统供给数据抽取、转换和加载(ETL)，并按主题对数据进行查询和拜访，为联机数据剖析和数据发掘供给数据平台。

以上就是小编今天给大家整理分享关于“大数据分析有哪些基本方向?”的相关内容希望对大家有所帮助。小编认为要想在大数据行业有所建树，需要考取部分含金量高的数据分析师证书，这样更有核心竞争力与竞争资本。

㈣ 数据挖掘方面还有什么研究方向吗

数据挖掘领域主要包括以下方面：基础理论研究(规则和模式挖掘、分类、聚类、话题学习、时间空间数据挖掘、机器学习方法，监督、非监督、半监督等)、社交网络分析和大规模图挖掘(图模式挖掘、社区发现、网络聚类系数估计、网络关系挖掘、网络用户行为分析、网络信息传播、社交网络应用，社交推荐(信息、好友等))、大数据挖掘(算法的并行、分布式扩展、多源异构数据融合挖掘等)。数据挖掘应用(医疗、教育、金融等)。研究热点是大数据挖掘、社交网络和大规模图挖掘。
下面，在说一下什么是大数据挖掘，它跟传统的方法其本质区别是什么?大数据挖掘可以分为三点：算法的扩展、分布式框架开发、多源数据融合分析。通过阅读KDD’13，KDD’14，几篇KDD’15的big data session中的文章，几乎百分之百的文章都提到了算法的scalability。由此可见，现今大数据挖掘与传统算法的本质区别在于算法的可扩展性。换句话说，现在研究的算法在不仅仅能处理小规模数据集，当数据增加时也具有较大范围内的适合。算法的扩展，我理解为两个方面：scale out-纵向扩展以及scale up-横向扩展。纵向扩展最要在算法底层、良好的数据结构设计或者并行设计方面。横向扩展主要指算法的分布式技术实现(自己编写分布式算法或者基于现有分布式框架实现)。这里所说的“大数据”，在不同的挖掘领域(文本、图结构、机器学习、图像)所对应的数据量是不同的。对文本来说，几百万个样本可能就是“大数据”;对机器学习来说，千万个样本，几十维、几百维(MB/GB)就是“大数据”;对大规模图挖掘来说，千万级节点、亿级边(GB)，也是“大数据”;对图像数据，百万级图像(TB)完全可以称得上“大数据”。那么，要做算法的可扩展性是不是必须用到并行技术、分布式编程技术?答案是一般需要，但并不绝对。算法如果做到了极致，单台计算机也能处理“大数据”问题，比如：TurboGraph: A Fast Parallel Graph Engine Handing Billion-Scale Graphs in a Single PC. 文章仅仅在一台计算机上利用线程并行(多核)实现了计算机集群完成的工作。有些文章是用MATLAB来完成的实验(Comparing apples to oranges: a scalable solution with heterogeneous hashing、Fast Flux Discrimination for Large-Scale Sparse Nonlinear Classification、Online Chinese Restaurant Process)、有些文章是利用hadoop集群来完成实验、有些是利用C/JAVA语言编写分布式程序实现、有些是利用多核CPU的多线程并行实现。可见，算法的实现方式不重要，重要的是算法具有scalability。多源数据融合以及挖掘分析也可以称得上大数据挖掘，可能不见得数据集有非常大，但是通过多种数据的融合发现了之前完成不了的事情、或者之前完成效果不好的事情。比如：heterogeneous hashing文章用了两个异构数据集(text、image)进行relation-aware分析。特别是微软亚洲研究院在KDD’13 上的U-Air: When Urban Air Quality Inference Meets Big Data，这篇文章就是融合了5个数据集(气象数据、空气质量数据、POI数据、路网数据、轨迹数据)，利用传统的数据挖掘方法进行了融合分析，得到了较好的效果并进行了商业应用。附注：个人认为算法也应该考虑扩展性，在面临数据集增加时，看看是否还会能达到高效地预测结果。
总结：在大数据研究中，更多的是偏理论算法的研究。可以这样说，数据挖掘本身就是跟数据打交道，在特定情况下(数据集较大时或不断增加时)，数据挖掘的任何一个研究点都可能会遇到“大数据”问题。所以，真正需要做的是找准一个问题，利用传统方法进行挖掘，并测试在大规模数据集下传统算法是否可行，如果不可行，提出算法的改进版或者自己动手实现一个新的、具有可扩展性的算法，这就是大数据研究的过程(也包括异构数据融合分析)。