数据挖掘有哪些方向

1. 数据挖掘就业方向是什么

数据挖掘就业的途径有以下几种，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）。

现在各个公司对于数据挖掘岗位的技能要求偏应用多一些。目前市面上的岗位一般分为算法模型、数据挖掘、数据分析三种。应用及就业领域：当前数据挖掘应用主要集中在电信(客户分析)，零售(销售预测)，农业(行业数据预测)，网络日志(网页定制)，银行(客户欺诈)，电力(客户呼叫)，生物(基因)，天体(星体分类)，化工，医药等方面。

如果对数据挖掘的学习有疑问的话，推荐CDA数据分析师的课程，课程内容兼顾培养解决数据挖掘流程问题的横向能力以及解决数据挖掘算法问题的纵向能力。要求学生具备从数据治理根源出发的思维，通过数字化工作方法来探查业务问题，通过近因分析、宏观根因分析等手段，再选择业务流程优化工具还是算法工具，能够遇到问题解决问题点击预约免费试听课。

2. 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。

3. 数据分析的方向都有哪些

数据分析有：分类分析，矩阵分析，漏斗分析，相关分析，逻辑树分析，趋势分析，行为轨迹分析，等等。 我用HR的工作来举例，说明上面这些分析要怎么做，才能得出洞见。

01） 分类分析
比如分成不同部门、不同岗位层级、不同年龄段，来分析人才流失率。比如发现某个部门流失率特别高，那么就可以去分析。

02） 矩阵分析
比如公司有价值观和能力的考核，那么可以把考核结果做出矩阵图，能力强价值匹配的员工、能力强价值不匹配的员工、能力弱价值匹配的员工、能力弱价值不匹配的员工各占多少比例，从而发现公司的人才健康度。

03） 漏斗分析
比如记录招聘数据，投递简历、通过初筛、通过一面、通过二面、通过终面、接下Offer、成功入职、通过试用期，这就是一个完整的招聘漏斗，从数据中，可以看到哪个环节还可以优化。

04） 相关分析
比如公司各个分店的人才流失率差异较大，那么可以把各个分店的员工流失率，跟分店的一些特性（地理位置、薪酬水平、福利水平、员工年龄、管理人员年龄等）要素进行相关性分析，找到最能够挽留员工的关键因素。

05） 逻辑树分析
比如近期发现员工的满意度有所降低，那么就进行拆解，满意度跟薪酬、福利、职业发展、工作氛围有关，然后薪酬分为基本薪资和奖金，这样层层拆解，找出满意度各个影响因素里面的变化因素，从而得出洞见。

06） 趋势分析
比如人才流失率过去12个月的变化趋势。

07）行为轨迹分析
比如跟踪一个销售人员的行为轨迹，从入职、到开始产生业绩、到业绩快速增长、到疲惫期、到逐渐稳定。

4. 可以说明一下数据挖掘和数据分析的工作方向吗

普通的数据分析师、数据挖掘工程师 = SQL工程师 + Excel工程师 + 统计学。
高端的 = 数据 + 业务 + 解决方案。
一般来说数据分析师产出的是分析报告、业务参谋建议，数据挖掘工程师产出的是有业务价值的数据。但是其实实际上，这两者的工作内容很难割裂开，因为要想做出有价值的分析报告、业务建议，必须深挖各个维度的数据。而想给出有价值的数据交付物，也必然要准备大量说明这个数据为什么有价值以及是如何产出的的报告、文档。所以最多就是说分析岗稍微偏业务一点，挖掘岗稍微偏数据一点。

想要学习了解更多数据挖掘的信息，推荐CDA数据分析师课程。CDA课程以项目调动学员数据挖掘实用能力的场景式教学为主，在设计的业务场景下提出业务问题，学员循序渐进思考并操作解决问题的过程中，掌握真正过硬的解决业务问题的数据挖掘能力。点击预约免费试听课。

5. 数据挖掘的相关学科有哪些

数据挖掘涉及的学科：统计学、数据库系统、数据仓库、信息检索、机器学习、应用、模式识别、可视化、算法、高性能计算、数理统计、机器学习、高性能计算、模式识别、神经网络、数据可视化、信息检索、图像与信号处理、空间数据分析等。

数据挖掘是一个比较传统的研究方向，是从大量的、随机的、不完全的、有噪声的、模糊的数据中，提取隐含在其中、人们事先不知道又潜在有用信息和知识的过程。数据挖掘需要根据数据仓库中的数据信息，选择合适的分析工具，应用统计方法、事例推理、规则推理、决策树、模糊集、甚至神经网络、遗传算法的方法处理信息，得出有用的分析信息。数据挖掘过程是一个反复循环的过程，每一个步骤如果没有达到预期的目标，都需要回到前面的步骤，重新调整并执行。数据挖掘需要综合运用计算机、数学以及统计学的相关知识。在大数据时代，数据挖掘被赋予了更丰富的含义，研究范围也有了相应的拓展。

想更多了解数据挖掘相关的学科，推荐上CDA数据分析师的课程。课程内容兼顾培养解决数据挖掘流程问题的横向能力以及解决数据挖掘算法问题的纵向能力。要求学生具备从数据治理根源出发的思维，通过数字化工作方法来探查业务问题，通过近因分析、宏观根因分析等手段，再选择业务流程优化工具还是算法工具，而非“遇到问题调算法包”。真正理解商业思维，项目思维，能够遇到问题解决问题。点击预约免费试听课。

6. 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)。

7. 数据挖掘有什么发展方向

数据仓库日益普及。尽管数据挖掘并不一定要有数据仓库的支持，但它仍然经常被看成数据仓库的后期产品，因为那些努力建立数据仓库的人有最丰富的数据资源可供挖掘。 Internet数据挖掘。许多供应商将数据挖掘技术用于电子商务，以提高Internet战点和客户的关联行。如IBM公司发布Web为中心的数据挖掘解决方案SurAid。 EIS工具供应商也在集成数据挖掘功能。将数据挖掘工具和查询及EIS工具集成起来将导致一个基于发现的过程，由此发现过程最终用户能获得最有用的东西，进而根据这些新的信息对有关问题进行更明确的阐述。 数据挖掘供应商更注重纵向市场。数据挖掘涉及到对数据内在本质的理解，因此供应商们更注重纵向市场。比如DataMind公司的重点是电信业的跳槽。电信业竞争的不规范和白热化已使保持客户成为一个备受关注的热点问题。

8. 数据挖掘包括哪些方向

应该是有很多方向的吧，大体可以分类为
1. 计算机技术方面的方向，比如提高机器处理性能等。
2. 算法方向，关于算法的修正和提升等
3. 应用方向，比如商业中应用，政府中应用，制造业中应用等。

9. 学习数据挖掘以后就业方向是什么

数据挖掘领域还是比较有前景的，主要有以下几个方向：
1.做科研，可以在高校、科研单位以及各个企业从事数据挖掘科研人员；
2.做程序开发设计，可以在互联网公司进行数据挖掘及其相关程序算法；
3.数据分析师，在企事业单位做咨询、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:
数据分析师：利用各项数据在电商、金融、电信、咨询等行业里做业务咨询。
数据挖掘工程师：在互联网、多媒体、电商等大数据相关行业里做机器学习算法实现和分析。
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。

关于数据挖掘的相关学习，推荐CDA数据师的相关课程，CDA数据分析师课程内容兼顾培养解决数据挖掘流程问题的横向能力以及解决数据挖掘算法问题的纵向能力。要求学生具备从数据治理根源出发的思维，通过数字化工作方法来探查业务问题，通过近因分析、宏观根因分析等手段，再选择业务流程优化工具还是算法工具，而非“遇到问题调算法包”。真正理解商业思维，项目思维，能够遇到问题解决问题；要求学生在使用算法解决微观根因分析、预测分析的问题上，根据业务场景来综合判断，洞察数据规律，使用正确的数据清洗与特征工程方法，综合使用统计分析方法、统计模型、运筹学、机器学习、文本挖掘算法，而非单一的机器学习算法。真正给企业提出可行性的价值方案和价值业务结果。点击预约免费试听课。

10. 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