数据挖掘是什么，数据挖掘的学习路线是什么？

数据挖掘需要掌握高深的分析技能，高深的算法，需要掌握程序开发，这样，就能把数据挖掘工作做好，实际上不是这样的。着魔于高深的算法和程序开发，只能让你走火入魔。在工作中，最好的数据挖掘工程师是一定是最熟悉和理解业务的人。

2、数据挖掘与数据分析的区别

数据分析与数据挖掘的界定非常的模糊。但有一点可以确定，数据分析输出的是统计结果，比如总计，平均值等，数据挖掘输出的是模型或规则，工作中，仅此一点区别，而已。

(二)通过经典案例来学习数据挖掘，以达到触类旁通

对于数据挖掘的学习心得，jacky认为学习数据挖掘一定要结合业务背景、案例背景来学习，这样才是以解决问题为导向的学习方法。那么，大体上，数据挖掘经典案例有以下几种：

1、预测未来一段时间用户是否会流失

2、某个促销活动用户是否会响应参加

3、评估用户信用度是好还是差

4、细分现有的目标市场

5、对现有客户群进行群体细分

6、提升商品销售及交叉销售

7、一群用户购买了很多商品之后，哪些商品同时购买的几率比较高

8、预测未来的销量

9、天气预报中预测明天的气温是怎样的

10、国家的年底规划中，预测明年的GDP增长率是怎样的

数据挖掘要做的就是把上述类似的商业问题转化为数据挖掘问题

那么，问题来了，我们该如何把上述的商业问题转化为数据挖掘问题呢?我们可以对数据挖掘问题进行细分，分为四类问题：分类问题、聚类问题、关联问题、预测问题;

1、分类问题

用户流失预测、促销活动响应，评估用户度都属于数据挖掘的分类问题，我们需要掌握分类的特点，知道什么是有监督学习，掌握常见的分类方法:决策树、贝叶斯、KNN、支持向量机、神经网络和逻辑回归等;

2、聚类问题

细分市场，细分客户群体都属于数据挖掘的聚类问题，我们要掌握聚类特点，知道无监督学习的概念，了解常见的聚类算法，例如划分聚类、层次聚类、密度聚类、网格聚类、基于模型聚类等。

3、关联问题

交叉销售问题等属于关联问题，关联分析也叫购物篮分析，我们要掌握常见的关联分析算法：Aprior算法、Carma算法，序列算法等

4、预测问题

我们要掌握简单线性回归分析、多重线性回归分析、时间序列等

(三)用何种工具实操数据挖掘

能实现数据挖掘的工具和途径实在是太多了，SPSS、SAS、Python、R等等都可以，但是我们需要掌握哪个或者说我们要掌握哪几个，才算学会了数据挖掘呢?这需要看我们所处的层次和我们想要进阶的路径是怎样的。

1、达到理解入门层次

了解统计学和数据库即可

2、达到初级职场应用层次

数据库+统计学+SPSS(也可以是SPSS代替软件)

3、达到中级职场应用层次

SAS或R

4、达到数据挖掘师层次

SAS或R+Python(或其他编程语言)

(四)如何利用Python学习数据挖掘

只要能解决实际问题，用什么工具来学习数据挖掘都是无所谓的，这里jacky首推Python。那么，我们该如何利用Python来学习数据挖掘呢?我们需要掌握Python中的哪些知识呢?

1、Pandas库的操作

Panda是数据分析特别重要的一个库，我们要掌握以下三点：

1)pandas 分组计算;

2)pandas 索引与多重索引;

索引比较难，但是却是非常重要的

3)pandas 多表操作与数据透视表

2、numpy数值计算

numpy数据计算主要的应用是在数据挖掘，对于以后的机器学习，深度学习，这也是一个必须掌握的库，我们要掌握以下内容：

1)Numpy array理解;

2)数组索引操作;

3)数组计算;

4)Broadcasting(线性代数里面的知识)

3、数据可视化-matplotlib与seaborn

1)Matplotib语法

python最基本的可视化工具就是matplotlib。我们咋一看Matplotlib与matlib有点像，我们要搞清楚二者的关系是什么，这样我们学习起来才会比较轻松。

2)seaborn的使用

seaborn是一个非常漂亮的可视化工具。

3)pandas绘图功能

我们说过pandas是做数据分析的，但它也提供了一些绘图的API。

4、数据挖掘入门

这部分是最难也是最有意思的一部分，要掌握以下几个部分：

1)机器学习的定义

在这里跟数据挖掘先不做区别

2)代价函数的定义

3)Train/Test/Validate

4) Overfitting的定义与避免方法

5、数据挖掘算法

数据挖掘发展到现在，算法已经非常多了，下面只需掌握最简单的，最核心的，最常用的算法;

1)最小二乘算法;

2)梯度下降;

3)向量化;

4)极大似然估计;

5)Logistic Regression

6) Decision Tree

7) RandomForesr

8) XGBoost

6、数据挖掘实战

通过机器学习里面最著名的库scikit-learn来进行模型的理解。

以上，就是jacky为大家厘清的数据挖掘学习逻辑。可是，这还仅仅是开始，在通往数据挖掘师与数据科学家的道路上，我们还要学习文本处理与自然语言的知识、Linux与Spark的知识、深度学习的知识等等，我们要保持持续的兴趣来学习数据挖掘。
　　人工智能、大数据、云计算和物联网的未来发展值得重视，均为前沿产业，多智时代专注于人工智能和大数据的入门和科谱，在此为你推荐几篇优质好文：
数据统计分析和数据挖掘有何区别？
http://www.duozhishidai.com/article-11047-1.html
数据挖掘的聚类算法和优势
http://www.duozhishidai.com/article-12942-1.html
如何通过自学，成为数据挖掘“高手”？
http://www.duozhishidai.com/article-9796-1.html

多智时代-人工智能和大数据学习入门网站|人工智能、大数据、物联网、云计算的学习交流网站

数据挖掘是什么，数据挖掘的学习路线是什么？相关推荐

DS：机器学习之数据科学方向最强学习路线之数据分析、数据挖掘、机器学习工程化团队之详细攻略(更新中)
DS:机器学习之数据科学方向最强学习路线之数据分析.数据挖掘.机器学习工程化团队之详细攻略(更新中) 目录最强学习路线 DS市场岗位要求 DS应用领域基本必备技能
DS/ML：数据科学技术之数据科学生命周期(四大层次+机器学习六大阶段+数据挖掘【5+6+6+4+4+1】步骤)的全流程最强学习路线讲解之详细攻略
DS/ML:数据科学技术之数据科学生命周期(四大层次+机器学习六大阶段+数据挖掘[5+6+6+4+4+1]步骤)的全流程最强学习路线讲解之详细攻略导读:本文章是博主在数据科学和机器学习领域,先后实战 ...
【数据挖掘】数据挖掘简介 ( 6 个常用功能 | 数据挖掘结果判断 | 数据挖掘学习框架 | 数据挖掘分类 )
文章目录 I . 数据挖掘功能 II . 数据挖掘结果判断 III . 数据挖掘学习框架 IV . 数据挖掘分类 I . 数据挖掘功能 1 . 概念描述 ( Concept Descript ...
数据挖掘，机器学习，统计学习的区别与联系
这三个领域或学科交叉和重叠部分很多,数据挖掘,机器学习和统计学习的概念一直有或多或少的混淆,希望同样有我这样的困惑的朋友读完下面的文字能够清晰一些. 数据库提供数据管理技术,机器学习和统计学提供数据分 ...
数据挖掘、机器学习、深度学习的区别
数据挖掘数据挖掘的定义数据挖掘是指从数据库的大量数据中揭示出隐含的.先前未知的并有潜在价值的信息的非平凡过程.数据挖掘是一种决策支持过程,它主要基于人工智能.机器学习.模式识别.统计学.数据库.可 ...
哪本python入门书内容最详细-重磅 | 由浅入深的 AI 学习路线，最详细的资源整理！...
原标题:重磅 | 由浅入深的 AI 学习路线,最详细的资源整理! [导读] 本文由知名开源平台,AI技术平台以及领域专家: Datawhale, ApacheCN, AI有道和黄海广博士联合整理贡献 ...
python学习路线-2020年 Python学习路线及学习目标规划拿走不谢!
找不到完整的学习路线?小编分享2020年Python学习路线及学习目标规划拿走不谢,Python作为今年来特别受欢迎的编程语言,是AI时代头牌语言AI领域的敲门砖,Python已经入驻小学生教材,将来 ...
10 门必修的机器学习名校公开课，旨在完善你的 AI 学习路线！
点击上方"AI有道",选择"星标"公众号重磅干货,第一时间送达编辑 | 红色石头本文将给大家介绍机器学习和数据科学领域 10 个全球知名的免费公开课!这些 ...
大数据学习路线copy自淘宝
一.hadoop视频学习(入门到精通) 二.数据挖掘(入门到精通) 三.Hadoop学习路线 1.开发前期准备首先,如果你没有Java和Linux基础,建议你先简单学一下这两门课程,此宝贝里面都为你 ...
Hadoop生态系统学习路线
主要介绍Hadoop家族产品,经常使用的项目包含Hadoop, Hive, Pig, HBase, Sqoop, Mahout, Zookeeper, Avro, Ambari, Chukwa.新添加 ...

数据挖掘是什么，数据挖掘的学习路线是什么？

数据挖掘是什么，数据挖掘的学习路线是什么？相关推荐

最新文章

热门文章