Data mining

2022年8月9日 (二) 10:50的最后版本

您可以在Wikipedia上了解到此条目的英文信息 Data mining Thanks, Wikipedia.

data mining 数据挖掘

数据挖掘是从大量数据中寻找其规律的技术，主要有数据准备、规律寻找和规律表示三个步骤。数据准备是从各种数据源中选取和集成用于数据挖掘的数据；规律寻找是用某种方法将数据中的规律找出来；规律表示是用尽可能符合用户习惯的方式（如可视化）将找出的数据呈现出来。

[编辑] 简介

机器学习和数据库是数据挖掘的两大支撑。

[编辑] 理论

[编辑] 项目

[编辑] 工作流

一个通用数据挖掘工作流包含以下步骤：

Loading the data.
Preprocessing, analyzing, and filtering the input data.
Discovering patterns, affinities, clusters, and classes.
Selecting the model features and the appropriate machine learning algorithm(s).
Refining and validating the model.
Improving the computational performance of the implementation.

以上信息来源《Scala for Machine Learning》

[编辑] 数据预处理

[编辑] 分析方法

数据挖掘的十种分析方法：

记忆基础推理法
市场购物篮分析
决策树（Decision Trees）
基因算法（Genetic Algorithm）
群集侦测技术
连结分析（Link Analysis）
在线分析处理（OLAP）
类神经网络（Neural Networks）
区别分析
罗吉斯回归分析

详细内容见大图

[编辑] 文档

[编辑] 专题

在大数据时代，描述性的数据分析已经无法满足业务的需求，数据预测分析技术正成为商业智能发展的新方向。本系列将为您介绍预测分析技术的总体概述，预测分析的数学算法，预测解决方案的构建过程以及部署等方面的内容。

[编辑] 课程

数据挖掘：理论与算法最有趣的理论+最有用的算法=不得不学的数据科学。

讲义下载：

1. 走进数据科学：博大精深，美不胜收
2. 数据预处理：抽丝剥茧，去伪存真
3. 从贝叶斯到决策树：意料之外，情理之中
4. 神经网络：巨量并行，智慧无限
5. 支持向量机：数学之美，巅峰之作
6. 聚类分析：物以类聚，人以群分
7. 关联规则：营销购物，自有乾坤
8. 推荐算法：察言观色，投其所好
9. 集成学习：兼听则明，偏听则暗
A. 进化计算：大道至简，万物之本

[编辑] 厂商

top eight data-mining software vendors in 2008 published in a Gartner study.

Angoss Software
Infor CRM Epiphany
Portrait Software
SAS
SPSS
ThinkAnalytics
Unica
Viscovery

[编辑] 图集

吸纳多领域技术
10种分析方法
Orange
跨领域跨学科
无所不在
从数据到智能
数据预处理
数据集成工具魔力象限

[编辑] 链接

http://datamining.typepad.com/

@@ 第1行： / 第1行： @@
+{{SeeWikipedia}}
+data mining 数据挖掘
 数据挖掘是从大量数据中寻找其规律的技术，主要有数据准备、规律寻找和规律表示三个步骤。数据准备是从各种数据源中选取和集成用于数据挖掘的数据；规律寻找是用某种方法将数据中的规律找出来；规律表示是用尽可能符合用户习惯的方式（如可视化）将找出的数据呈现出来。
-==Projects==
+==简介==
-*[[Weka]]
+[[machine learning|机器学习]]和[[database|数据库]]是数据挖掘的两大支撑。
+==理论==
+==项目==
+*[[Orange]]
+*[[R Project]]
+*[[Apache Kylin]]
+*[[weka]]
 *[[QuickMiner]]
-==Links==
+*[[ScalaNLP]]
+*商业软件：[[SPSS]]
+==工作流==
+一个通用数据挖掘工作流包含以下步骤：
+*Loading the data.
+*Preprocessing, analyzing, and filtering the input data.
+*Discovering patterns, affinities, clusters, and classes.
+*Selecting the model features and the appropriate machine learning algorithm(s).
+*Refining and validating the model.
+*Improving the computational performance of the implementation.
+以上信息来源《Scala for Machine Learning》
+==数据预处理==
+*[[Pentaho]] [http://events.pentaho.com/data-prep-starter-kit.html Data Preparation Starter Ki]
+*[https://www.gartner.com/doc/reprints?id=1-3GQGPV9&ct=160901&st=sb Market Guide for Self-Service Data Preparation]
+*[http://docs.huihoo.com/data-science/Imporving-Data-Preparation-for-Business-Analytics-Best-Practices-Report-Q3-2016.pdf Improving Data Preparation for Business Analytics]
+==分析方法==
+数据挖掘的十种分析方法：
+*记忆基础推理法
+*市场购物篮分析
+*决策树（Decision Trees）
+*基因算法（Genetic Algorithm）
+*群集侦测技术
+*连结分析（Link Analysis）
+*在线分析处理（OLAP）
+*类神经网络（Neural Networks）
+*区别分析
+*罗吉斯回归分析
+详细内容见大图
+==文档==
+*[http://docs.huihoo.com/data-mining/concepts-and-techniques/3rd/slides/ Data Mining: Concepts and Techniques, 3rd ed 幻灯片PPT]
+*[http://docs.huihoo.com/data-mining/concepts-and-techniques/2nd/slides/ Data Mining: Concepts and Techniques, 2nd ed 幻灯片PPT]
+*[http://docs.huihoo.com/oracle/openworld/2014/CON8596-Predictive-Analytics-with-Oracle-Data-Mining.pptx Predictive Analytics with Oracle Data Mining]
+==专题==
+在大数据时代，描述性的数据分析已经无法满足业务的需求，数据预测分析技术正成为商业智能发展的新方向。本系列将为您介绍预测分析技术的总体概述，预测分析的数学算法，预测解决方案的构建过程以及部署等方面的内容。
+*[http://www.ibm.com/developerworks/cn/data/library/ba/ba-predictive-analytics1/index.html 预测未来，第 1 部分: 什么是预测分析？]
+*[http://www.ibm.com/developerworks/cn/data/library/ba/ba-predictive-analytics2/index.html 预测未来，第 2 部分: 预测建模技术]
+*[http://www.ibm.com/developerworks/cn/data/library/ba/ba-predictive-analytics3/index.html 预测未来，第 3 部分: 创建一个预测解决方案]
+*[http://www.ibm.com/developerworks/cn/data/library/ba/ba-predictive-analytics4/index.html 预测未来，第 4 部分: 预测解决方案的实际应用]
+==课程==
+*[https://www.edx.org/course/shu-ju-wa-jue-li-lun-yu-suan-fa-data-tsinghuax-80240372x 数据挖掘：理论与算法] 最有趣的理论+最有用的算法=不得不学的数据科学。
+讲义下载：
+*[http://docs.huihoo.com/edx/courses/data-mining-theory-and-algorithms/01-Introduction.pdf 1. 走进数据科学]：博大精深，美不胜收
+*[http://docs.huihoo.com/edx/courses/data-mining-theory-and-algorithms/02-Data-Preprocessing.pdf 2. 数据预处理]：抽丝剥茧，去伪存真
+*[http://docs.huihoo.com/edx/courses/data-mining-theory-and-algorithms/03-Bayes-Decision-Tree-Classifiers.pdf 3. 从贝叶斯到决策树]：意料之外，情理之中
+*[http://docs.huihoo.com/edx/courses/data-mining-theory-and-algorithms/04-Neural-Networks.pdf 4. 神经网络]：巨量并行，智慧无限
+*[http://docs.huihoo.com/edx/courses/data-mining-theory-and-algorithms/05-Support-Vector-Machines.pdf 5. 支持向量机]：数学之美，巅峰之作
+*[http://docs.huihoo.com/edx/courses/data-mining-theory-and-algorithms/06-Clustering.pdf 6. 聚类分析]：物以类聚，人以群分
+*[http://docs.huihoo.com/edx/courses/data-mining-theory-and-algorithms/07-Association-Rule.pdf 7. 关联规则]：营销购物，自有乾坤
+*[http://docs.huihoo.com/edx/courses/data-mining-theory-and-algorithms/08-Recommendation.pdf 8. 推荐算法]：察言观色，投其所好
+*[http://docs.huihoo.com/edx/courses/data-mining-theory-and-algorithms/09-Ensemble-Learning.pdf 9. 集成学习]：兼听则明，偏听则暗
+*[http://docs.huihoo.com/edx/courses/data-mining-theory-and-algorithms/10-Evolutionary-Algorithms.pdf A. 进化计算]：大道至简，万物之本
+==厂商==
+top eight data-mining software vendors in 2008 published in a Gartner study.
+* Angoss Software
+* Infor CRM Epiphany
+* Portrait Software
+* SAS
+* SPSS
+* ThinkAnalytics
+* Unica
+* Viscovery
+==图集==
+<gallery>
+image:data-mining-confluence-of-multiple-disciplines.png|吸纳多领域技术
+image:data-mining-10-method.jpg|10种分析方法
+image:orange-data-mining.png|Orange
+image:data-mining-interdisciplinary.png|跨领域跨学科
+image:data-mining-ubiquitous.png|无所不在
+image:From-Data-To-Intelligence.png|从数据到智能
+image:self-service-data-preparation.png|数据预处理
+image:Gartner-Magic-Quadrant-for-Data-Integration-Tools-August-2017.png|数据集成工具魔力象限
+</gallery>
+==链接==
 *http://datamining.typepad.com/
+[[category:data mining]]
+[[category:data analysis]]
+[[category:data science]]
+[[category:computer science]]
+[[category:machine learning]]
+[[category:database]]
+[[category:business intelligence]]