数据挖掘概述
数据挖掘
目录
数据驱动的决策支持
决策需要数据分析的支持
非客观的决策在管理上有重大作用
基于数据分析的决策，成为当前时代的话题
数据挖掘Data Ming
数据挖掘：数据挖掘（Data Mining，DM），是从大量的、有噪声的、不完全的、模糊和随机的数据中，提取出隐含在其中的、人们事先不知道的、具有潜在利用价值的信息和知识的过程。
数据挖掘是多门学科的汇总：
数据挖掘的流程
国际标准CRISP-DM
数据挖掘的四类问题
分类——聚类——关联——回归
（一）分类：确定一个特定的对象属于哪一类
常用算法：决策树、支持向量机（SVN），最近邻（KNN）、贝叶斯网络和神经网络
（二）聚类：根据相似性，把事物聚成簇。同簇之间的事物相似性较高；不同簇的事物之间相似性较差
常用算法：K-Means，BIRCH，DBSCAN，OPTICS等
（三）关联：描述而非预测性的方法，用来发现数据集背后，项集之间的关系
常用算法：：Apriori，FP-growth
（四）回归：建立回归方程，用于预测今后因变量的变化
根据因变量和自变量的函数表达式分为：线性回归分析、非线性回归分析。
根据因变量和自变量的个数可分为：一元回归分析、多元回归分析、逻辑回归分析和其它回归分析等
：
目标
原理：了解数据挖掘概念，理解挖掘流程
方法：清楚常用算法原理，能在具体场合使用算法，并对算法进行评估和调优
工具：SPSS Modeler等数据分析工具
数据分析
统计分析
数据可视化
数据挖掘
机器学习
深度学习：处理图像、音频和文字等数据分析的热点和有效手段
行动学习 L=P+Q
知识化掌握、运用
数据分析与数据挖掘
数据分析：实现现状分析、原因分析、预测分析。目标明确，先做假设
数据挖掘：解决分类、聚类、关联和预测。寻找未知的模式和规律
数据分析的有效学习方式
- 掌握理论知识
- 学习优秀数据分析师的思路
- 参与新项目
- 参与企业的实际项目