數據挖掘是什麼?

數據挖掘是什麼？

數據挖掘（英語：Data mining），又譯為數據採礦、數據挖掘。它是數據庫知識發現（英語：Knowledge-Discovery in Databases，簡稱：KDD)中的一個步驟。數據挖掘一般是指從大量的數據中自動搜索隱藏於其中的有著特殊關係性（屬於Association rule learning）的信息的過程。數據挖掘通常與計算機科學有關，並通過統計、在線分析處理、情報檢索、機器學習、專家系統（依靠過去的經驗法則）和模式識別等諸多方法來實現上述目標。

數據挖掘與數據分析的主要區別是什麼

總結一下主要有以下幾點：

1、計算機編程能力的要求

作為數據分析很多情況下需要用到成型的分析工具，比如EXCEL、SPSS，或者SAS、R。一個完全不懂編程，不會敲代碼的人完全可以是一名能好的數據分析師，因為一般情況下OFFICE包含的幾個工具已經可以滿足大多數數據分析的要求了。很多的數據分析人員做的工作都是從原始數據到各種拆分彙總，再經過分析，最後形成完整的分析報告。當然原始數據可以是別人提供，也可以自己提取（作為一名合格的數據分析師，懂點SQL知識是很有好處的）。

而數據挖掘則需要有編程基礎。為什麼這樣說呢？舉兩個理由：第一個，目前的數據挖掘方面及相關的研究生方面絕大多數是隸屬於計算機系；第二點，在招聘崗位上，國內比較大的公司掛的崗位名稱大多數為“數據挖掘工程師”。從這兩點就可以明確看出數據挖掘跟計算機跟編程有很大的聯繫。

2、在對行業的理解的能力

要想成為一名優秀的數據分析師，對於所從事的行業有比較深的瞭解和理解是必須要具備的，並且能夠將數據與自身的業務緊密結合起來。簡單舉個例子來說，給你一份業務經營報表，你就能在腦海中勾畫出目前經營狀況圖，能夠看出哪裡出現了問題。但是，從事數據挖掘不一定要求對行業有這麼高的要求。

3、專業知識面的要求

數據分析師出對行業要了解外，還要懂得一些統計學、營銷、經濟、心理學、社會學等方面的知識，當然能瞭解數據挖掘的一些知識會更好。數據挖掘工程師則要求要比較熟悉數據庫技術、熟悉數據挖掘的各種算法，能夠根據業務需求建立數據模型並將模型應用於實際，甚至需要對已有的模型和算法進行優化或者開發新的算法模型。想要成為優秀的數據挖掘工程師，良好的數學、統計學、數據庫、編程能力是必不可少的。

總之一句話來概括的話，數據分析師更關注於業務層面，數據挖掘工程師更關注於技術層面。

數據分析師與數據挖掘工程師的相似點：

1、都跟數據打交道。

他們玩的都是數據，如果沒有數據或者蒐集不到數據，他們都要丟飯碗。

2、知識技能有很多交叉點。

他們都需要懂統計學，懂數據分析一些常用的方法，對數據的敏感度比較好。

3、在職業上他們沒有很明顯的界限。

很多時候數據分析師也在做挖掘方面的工作，而數據挖掘工程師也會做數據分析的工作，數據分析也有很多時候用到數據挖掘的工具和模型，很多數據分析從業者使用SAS、R就是一個很好的例子。而在做數據挖掘項目時同樣需要有人懂業務懂數據，能夠根據業務需要提出正確的數據挖掘需求和方案能夠提出備選的算法模型，實際上這樣的人一腳在數據分析上另一隻腳已經在數據挖掘上了。

事實上沒有必要將數據分析和數據挖掘分的特別清，但是我們需要看到兩者的區別和聯繫，作為一名數據行業的從業者，要根據自身的特長和愛好規劃自己的職業生涯，以尋求自身價值的最大化。

sc-cpda 數據分析公眾交流平臺

大數據和數據挖掘什麼區別？

傳統的數據挖掘就是在數據中尋找有價值的規律，這和現在熱炒的大數據在方向上是一致的。

只不過大數據具有“高維、海量、實時”的特點，就是說數據量大，數據源和數據的維度高，並且更新迅速的特點，傳統的數據挖掘技術可能很難解決，需要從算法的改進（提升算法對大數據的處理能力）和方案的框架（分解任務，把大數據分析拆解成若干小單元加以解決，或者通過規律的提取，把重複出現的數據加以整合等等）等多方面去提升處理能力。

所以，可以理解成大數據是場景是問題，而數據挖掘是手段。

數據挖掘是做什麼的

數據挖掘(Data Mining)的定義是通過分析每個數據，從大量數據中尋找其規律的技術，主要有數據準備、規律尋找和規律表示3個步驟。數據挖掘的任務有關聯分析、聚類分析、分類分析、異常分析、特異群組分析和演變分析等。

數據挖掘能做以下七種不同事情：

· 分類 （Classification）

· 估計（Estimation）

· 預測（Prediction）

· 相關性分組或關聯規則（Affinity grouping or association rules）

· 聚類（Clustering）

· 描述和可視化（Description and Visualization）

· 複雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)

什麼是數據挖掘？

科技的快速發展和數據的存儲技術的快速進步，使得各種行業或組織的數據得以海量積累。但是，從海量的數據當中，提取有用的信息成為了一個難題。在海量數據面前，傳統的數據分析工具和方法很無力。由此，數據挖掘技術就登上了歷史的舞臺。

數據挖掘是一種技術，將傳統的數據分析方法與處理大量數據的複雜算法相結合（圖1），從大量的、不完全的、有噪聲的、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、但又是潛在有用信息和知識的過程。

那數據挖掘能夠幹什麼？有哪些數據挖掘技術？怎麼應用？

數據挖掘技術應用廣泛，如：1. 在交通領域，幫助鐵路票價制定、交通流量預測等。2. 在生物學當中，挖掘基因與疾病之間的關係、蛋白質結構預測、代謝途徑預測等。3. 在金融行業當中，股票指數追蹤、稅務稽查等方面有重要運用。4. 在電子商務領域，對顧客行為分析、定向營銷、定向廣告投放、誰是最有價值的用戶、什麼產品搭配銷售等。可以說，有數據的方法，就有數據挖掘的用武之地。

那數據挖掘過程是什麼呢？如圖2：

數據挖掘的任務主要分為一下四類，如圖3：

1.建模預測：用因變量作用目標變量建立模型。分為兩類：（1）分類，用於預測離散的目標變量；（2）迴歸，用於預測連續的目標變量。兩項任務目標都是訓練一個模型，使目標變量預測值與實際值之間的誤差達到最小。預測建模可以用來判斷病人是否患有某種疾病，可以用於確定顧客是否需要某種產品，預測交通流量。

2.關聯分析：用來發現描述數據中強關聯特徵的模式。所發現的模式通常用特徵子集的形式表示。由於搜索空間是指數規模的，關聯分析的目標是以有效的方式提取最有用的模式。關聯分析的應用包括用戶購買商品之間的聯繫、找出相關功能的基因組、表單預測輸出下拉列表如圖4。

3.聚類分析：發現緊密相關的觀測值群組，使得與屬於不同簇的觀察值相比，同一簇的觀察值相互之間儘可能的類似。聚類可用來對相關的顧客分組、給不同功能的基因分組、不同的癌症細胞系分組。

4.異常檢測：識別其特徵顯著不同於其他數據的觀測值。這樣的觀測值稱為異常點或離群點。異常檢測算法的目標是發現真正的異常點，而避免錯誤地將正常的對象標註為異常點。換言之，一個好的異常點檢測模型必須具有高檢測率和低誤報率。異常檢測的應用包括檢測欺詐、網絡攻擊、疾病的不尋常模式。

參考文章：

1. 《大話數據挖掘》

2. 《數據挖掘導論》

3. mp.weixin.qq.com/...5e6#rd

數據挖掘的定義是什麼？有哪幾種挖掘技術

您好，我是研究數據挖掘的，給予簡易完整的回答，希望能幫到你。

數據挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機的數據集中識別有效的、新穎的、潛在有用的，以及最終可理解的模式的非平凡過程。它是一門涉及面很廣的交叉學科，包括機器學習、數理統計、神經網絡、數據庫、模式識別、粗糙集、模糊數學等相關技術。

數據挖掘的技術，可粗分為：統計方法、機器學習方法、神經網絡方法和數據庫方法。統計方法，可細分為：迴歸分析（多元迴歸、自迴歸等）、判別分析（貝葉斯判別、CBR、遺傳算法、貝葉斯信念網絡等。神經網絡方法，可細分為：前向神經網絡（BP算法等）、自組織神經網絡（自組織特徵映射、競爭學習等）等。數據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。

數據挖掘具體要做什麼？

數據挖掘是一個很大的方面。你會java，這個很好。可以從weka 這個工具學起來，他是一個java寫的工具包。對於一個具體問題，比如，怎麼獲取測試數據，對於數據怎麼預處理，這些weka都有直接的接口。

至於你說的建模，不是一句話可以說清楚，首先你肯定要調查這個領域做得比較好的有哪些方法，然後從中至少選取幾種方法，都要實現，做統計，歸納結果，選擇符合你數據集的。當然你的數據集合一定要有代表性，就是國際認可的，至於怎麼罰到這些數據，一般都是比較出名的論文引用的，這些就很可以。用的工具當然有很多，你不能侷限於一種方式或者一種工具，不同情況下用不同的工具，根據實際需要選擇。比如你要做聚類，你選擇一個weka，做神經元，你可能會傾向於matlab，實際情況決定你選擇的工具。

流程方面：數據獲取------數據預處理-----完成預定的任務 這是一個大概的流程。這一套都可以用weka實現。對於數據挖掘而言，都是80%數據+20%算法，數據很重要，算法其實只是一個測試數據集的作用，這是一點看法，希望對你有幫助。

數據挖掘的本質指的是

什麼是數據挖掘 數據挖掘(Data Mining)，又稱為數據庫中的知識發現(Knowledge Discovery in Database, KDD)，就是從大量數據中獲取有效的、新穎的、潛在有用的、最終可理解的模式的非平凡過程，簡單的說，數據挖掘就是從大量數據中提取或“挖掘”知識。 並非所有的信息發現任務都被視為數據挖掘。例如，使用數據庫管理系統查找個別的記錄，或通過因特網的搜索引擎查找特定的Web頁面，則是信息檢索（information retrieval）領域的任務。雖然這些任務是重要的，可能涉及使用複雜的算法和數據結構，但是它們主要依賴傳統的計算機科學技術和數據的明顯特徵來創建索引結構，從而有效地組織和檢索信息。儘管如此，數據挖掘技術也已用來增強信息檢索系統的能力。 [編輯本段] 數據挖掘的起源 為迎接前一節中的這些挑戰，來自不同學科的研究者彙集到一起，開始著手開發可以處理不同數據類型的更有效的、可伸縮的工具。這些工作建立在研究者先前使用的方法學和算法之上，在數據挖掘領域達到高潮。特別地是，數據挖掘利用了來自如下一些領域的思想：(1) 來自統計學的抽樣、估計和假設檢驗，(2) 人工智能、模式識別和機器學習的搜索算法、建模技術和學習理論。數據挖掘也迅速地接納了來自其他領域的思想，這些領域包括最優化、進化計算、信息論、信號處理、可視化和信息檢索。 一些其他領域也起到重要的支撐作用。特別地，需要數據庫系統提供有效的存儲、索引和查詢處理支持。源於高性能（並行）計算的技術在處理海量數據集方面常常是重要的。分佈式技術也能幫助處理海量數據，並且當數據不能集中到一起處理時更是至關重要。 [編輯本段] 數據挖掘能做什麼 1)數據挖掘能做以下六種不同事情（分析方法）： · 分類 （Classification） · 估值（Estimation） · 預言（Prediction） · 相關性分組或關聯規則（Affinity grouping or association rules） · 聚集（Clustering） · 描述和可視化（Des cription and Visualization） · 複雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等) 2)數據挖掘分類 以上六種數據挖掘的分析方法可以分為兩類：直接數據挖掘；間接數據挖掘 · 直接數據挖掘 目標是利用可用的數據建立一個模型，這個模型對剩餘的數據，對一個特定的變量（可以理解成數據庫中表的屬性，即列）進行描述。 · 間接數據挖掘 目標中沒有選出某一具體的變量，用模型進行描述；而是在所有的變量中建立起某種關係 。 · 分類、估值、預言屬於直接數據挖掘；後三種屬於間接數據挖掘 3)各種分析方法的簡介 · 分類 （Classification） 首先從數據中選出已經分好類的訓練集，在該訓練集上運用數據挖掘分類的技術，建立分類模型，對於沒有分類的數據進行分類。 例子： a. 信用卡申請者，分類為低、中、高風險 b. 分配客戶到預先定義的客戶分片 注意： 類的個數是確定的，預先定義好的 · 估值（Estimation） 估值與分類類似，不同之處在於，分類描述的是離散型變量的輸出，而估值處理連續值的輸出；分類的類別是確定數目的，估值的量是不確定的。 例子： a. 根據購買模式，估計一個家庭的孩子個數 b. 根據購買模式，估計一個家庭的收入 c. 估計real estate的價值 一般來說，估值可以作為分類的前一步工作。給定......

“數據挖掘”是指什麼

數據挖掘就是從大量數據中找出規律，對解決實際問題有幫助的規律。

需要使用工具軟件，統計軟件，最常見的是EXCEL，當然要加載功能才能實現。

數據挖掘與數據分析是學什麼的

數據挖掘和數據分析都是針對已有的數據進行處理，從其中提取有效信息的研究方向和技術。

一個簡單的數據挖掘的例子是，給一堆樣本數據，根據樣本所具有的屬性信息，對每個樣本進行分類。數據挖掘有很多算法，可能會需要寫一些簡單的程序，用Java或者C++。Matlab中提供了許多已經實現了的數據挖掘算法，其它也有很多開源的軟件包共數據挖掘者使用。

數據分析偏重從統計分析方面，比如信息墒、假設檢驗等，對已有數據進行分析，從中尋找到潛在的信息。

這兩門課程既然是作為選修課的，說明你不是統計系或者計算機系的，選修課一般都不會太難。這兩門課只需要一點點數學基礎，再加上點耐心。