育才学习网1. 如何学习数据分析
【转自网络】首先，我要说的是我觉得你是一名在校大学生！Data Mining不是你想的那么简单，他不单单和数学有关系，还包括了计算机领域的诸多学科。
还有社会工程学、逻辑学等文科和理科的交叉学科！他是一门庞大的体系。你要是真想学我只能给你指条比较快的成才之路，后面的东西自己慢慢学都赶趟！慢慢充实自己！大学四年好好利用！学无止境！既然是数据分析那你的高等数学必须要过硬，别着急这只是你的其他学科的基础课。
其次是概率与统计，这才是正科，大学那点玩意就是糊弄人的，你要多看这方面的书。这个一定要学好！线性必须要会要精通。
因为数据划分是数据挖掘里最重要的一个环节。这个就是线性范畴里的了。
也要精通，学会线性分析你就发现你就学会了很多。数学有这三个底子就可以了。
数学分析不要看了。因为那只是高数的延伸！计算机你一定要懂。
数据库你必须得学会。三大数据库ORACLE.SQL.MYSQL原理基本类似触类旁通！还有就是培养你的思维，尽量缜密敏捷。
这样才可以发现数据中的不同！因为有的数据挖掘是计算机处理的。有的则是纸面上的。
所以必须学会记录好了，就先这么多了。你学会了这几个就是你进军下一步的基础，这几个就够你学一阵子的了。
祝你好运哥们！数据挖掘的起点很高——1、统计学2、机器学习3、数学——图论，最优化理论等。WEB上的数据结构更加复杂。
python语言————应该学习抱歉，事情太多，如果不追着就忘了！我认为你作为企业员工对数据挖掘感兴趣，最主要的就是从应用和解决问题开始，所以我想把数据挖掘这个狭义定义的内容改成你应该对数据分析感兴趣，数据挖掘只是数据分析的一个重要工具和解决方法之一！数量统计知识方面：我认为统计思想是数学在实践中最重要的体现，但对于实际工作者最重要的是掌握统计思想，其实统计理论非常复杂，但实际应用往往是比较简单的！比如，很多人都在大学学了假设检验，但实际应用中假设就是看P值是否小于0.05，但是H0是什么？拒绝还是接受的是什么现实问题；要理解！掌握软件问题：从软件角度学，是非常好的思路，我基本上就是这样学的。我常说编软件的人最懂理论，否则编不出来，编软件的人最知道应用，否则软件买不出去；现在软件越来越友好，把软件自带案例做一遍，你会自觉不自觉的掌握软件解决问题的思路和能解决的问题类型；数据仓库问题：OLAP和数据挖掘是数据仓库建立基础上的两个增值应用，从企业整体角度，数据挖掘应该建立在企业数据仓库完备的基础上。
所以说数据仓库是针对企业级数据挖掘应用提出的，但我们应该记住，企业从来不是为了数据挖掘建立数据仓库，而是因为有了数据仓库后必然会提出数据挖掘的需求！现在随着数据挖掘软件的工具智能化，以及数据仓库和ETL工具的接口友好，对数据库层面的要求越来越少；数学不好可能反应了一个人思考问题的方式或深入理解问题的能力，但数学不是工具是脑具，不断解决问题的过程可以让我们思考问题更数学化！沈浩老师建议：不急，一步一步来！先把本职工作中的数据分析问题理解了，干好了！熟练玩好Excel软件工具，这个可以看《Excel高级应用与数据分析》我写的书，当然有很多Excel论坛和网站，从我的博客就可以连接到。学习好统计分析方法，我不是单指统计原理，而是统计分析方法，比如回归分析，因子分析等，不断进入统计分析解决问题的思考方式；这个可以看看SPSS软件方面的书和数据案例，通过软件学习解决数据分析的统计问题，这方面的书很多，当然你也可以关注我的博客，不断增加统计分析方法解决数据分析问题的思路，自己对照着完成！在上述问题有了比较好的理解后，也就是你应该算是一个数据分析能手的时候，开始进入数据挖掘领域，你会发现用数据挖掘思想解决问题具有智能化、自动化的优势，接下来，你需要考虑数据建模的过程，通过学习Clementine软件或SAS的挖掘工具，不断理解数据挖掘与原来的数据分析工具有什么不同或优势！当前面都是了解并且能够得心应手后，你就要有针对性的掌握你工作所在行业的问题，例如：电信行业的解决方案问题：客户流失、客户价值、客户离网、客户保持、客户响应、客户交叉销售等商业模型，同时与数据分析和数据挖掘统一在一起的解决方案！接下来，你应该掌握数据库的一些原理和操作，特别是SQL语言的方式你到了这个阶段，就应该有全面解决问题的能力，比如挖掘出来的知识或商业规则如何推送到营销平台上等等梳理自己的知识结构，不仅会操作，现在你应该成为专家了，要能够宣扬你的知识能力和领导力，当然也要表明你在数据挖掘领域的专业特长要经常帮助同事和行业朋友，比如帮助解决数据分析问题，帮助咨询，甚至给大家讲课，这对你的知识梳理和能力的提高非常重要，你的自信心会更强！有兴趣，可以建立一个博客或什么，不断写点东西，经常思考和总结结交广泛的朋友！关于入门的教材：互联网，其实不用买什么书网络基本都有；要有好的搜索能力，当然包括搜各种软件！SPSS和Clementine软件的说明和案例，都做一遍；《数据。
2. 什么是数据挖掘
由于数据科学刚刚兴起，数据科学家作为一种新生职业被提出，数据研究高级科学家Rachel Schutt将其定义为”计算机科学家、软件工程师和统计学家的混合体“。数据挖掘作为一个学术领域，横跨多个学科，涵盖了统计学、数学、机器学习和数据库等，此外还包括各类专业方向比如从油田电力、海洋生物、历史文本、电子通讯、法律税务等的各个专业领域。注意每一分类都需要相当的行业经验。
而要明白某一事物的本质，就需要通过另一些近似的事物特性对比来说明。就好像你单独提问什么是男人？很难解释对不对。所以咱们来举个栗子简单看看：
一、分析报告
在《大闹天宫》里孙悟空跟二郎神在花果山下大战三百回合，咱来写一篇文章分析。
孙悟空有金刚不坏火眼金睛筋斗云七十二般变化加上定海神针身法灵活。
二郎神杨戬有三只眼缚妖索哮天犬银袍金甲加上三尖两刃四窍八环刀力量无穷。
所以在大战开始三百回合时候不相上下，结果后来二郎神派出天兵天将放火烧花果山让大圣慌了心神被偷袭得手
最后二郎神赢了。分析报告完成。
二、统计分析
大圣二战杨戬。这次在二位大战之前做个数理统计来预测结果。
首先根据历史样本史书记载发现两人在之前的五百年里打过100次，其中孙悟空赢60次。
然后有记录显示，之前孙悟空和牛魔王战斗的胜率是80%，而杨戬斗牛魔王胜率是70%。
所以可以得出综合预测总体胜率是孙悟空赢面大。
结论依靠历史记录，使用样本预测总体，根据经验做出假设。统计分析完成。
三、数据挖掘
孙悟空和杨戬终极决战。这次咱们根据两位的详细资料（如家庭出身、教育背景、工作经验、婚育情况等）让计算机做协同过滤关联分析。计算机通过数据清洗建模后发现：
贫苦出身的孩子一般比皇亲国戚更能吃苦所以功夫底子更好平时训练更加扎实。
战斗经验丰富的斗战胜佛因为平时经常打架擅长利用天时地利环境因素而胜算更大。
在都得到大师指点的情况下，贫苦出身的孩子可以利用后天的努力来弥补先天悟性的欠缺。
样貌奇特注定孤独终老的神仙总是会比同等条件下美若天仙喜欢拈花惹草处处留情的神仙功夫好。
综上所述，我们可知道：
论出身两位大神不分伯仲。一个从石头出来，一个是凡人与神仙结合所生。
悟空的师父菩提老祖（准提道人）和二郎神的师父玉鼎真人的师父元始天尊同为鸿钧老祖的高足所以前者更胜一筹。
斗战胜佛战斗经验相对整日快活逍遥无忧无虑的二郎神来说更加丰富。
另孙行者由于样貌原因始终单身（好伤感）。
所以可以得出结论，这次大战孙悟空赢面大。数据挖掘完成。
四、最后总结：
分析报告一般是整个事件发生结束以后的总结（马后炮）。
统计分析能利用大量的历史样本来预测整个事件总体未来的走向（概率）。
数据挖掘则透过事件的表象发现隐藏在背后的蛛丝马迹，从而找到潜伏的规律以及看似无关事物之间背后的联系。
3. 如何学习数据挖掘
【转自网络】首先，我要说的是我觉得你是一名在校大学生！Data Mining不是你想的那么简单，他不单单和数学有关系，还包括了计算机领域的诸多学科。
还有社会工程学、逻辑学等文科和理科的交叉学科！他是一门庞大的体系。你要是真想学我只能给你指条比较快的成才之路，后面的东西自己慢慢学都赶趟！慢慢充实自己！大学四年好好利用！学无止境！既然是数据分析那你的高等数学必须要过硬，别着急这只是你的其他学科的基础课。
其次是概率与统计，这才是正科，大学那点玩意就是糊弄人的，你要多看这方面的书。这个一定要学好！线性必须要会要精通。
因为数据划分是数据挖掘里最重要的一个环节。这个就是线性范畴里的了。
也要精通，学会线性分析你就发现你就学会了很多。数学有这三个底子就可以了。
数学分析不要看了。因为那只是高数的延伸！计算机你一定要懂。
数据库你必须得学会。三大数据库ORACLE.SQL.MYSQL原理基本类似触类旁通！还有就是培养你的思维，尽量缜密敏捷。
这样才可以发现数据中的不同！因为有的数据挖掘是计算机处理的。有的则是纸面上的。
所以必须学会记录好了，就先这么多了。你学会了这几个就是你进军下一步的基础，这几个就够你学一阵子的了。
祝你好运哥们！数据挖掘的起点很高——1、统计学2、机器学习3、数学——图论，最优化理论等。WEB上的数据结构更加复杂。
python语言————应该学习抱歉，事情太多，如果不追着就忘了！我认为你作为企业员工对数据挖掘感兴趣，最主要的就是从应用和解决问题开始，所以我想把数据挖掘这个狭义定义的内容改成你应该对数据分析感兴趣，数据挖掘只是数据分析的一个重要工具和解决方法之一！数量统计知识方面：我认为统计思想是数学在实践中最重要的体现，但对于实际工作者最重要的是掌握统计思想，其实统计理论非常复杂，但实际应用往往是比较简单的！比如，很多人都在大学学了假设检验，但实际应用中假设就是看P值是否小于0.05，但是H0是什么？拒绝还是接受的是什么现实问题；要理解！掌握软件问题：从软件角度学，是非常好的思路，我基本上就是这样学的。我常说编软件的人最懂理论，否则编不出来，编软件的人最知道应用，否则软件买不出去；现在软件越来越友好，把软件自带案例做一遍，你会自觉不自觉的掌握软件解决问题的思路和能解决的问题类型；数据仓库问题：OLAP和数据挖掘是数据仓库建立基础上的两个增值应用，从企业整体角度，数据挖掘应该建立在企业数据仓库完备的基础上。
所以说数据仓库是针对企业级数据挖掘应用提出的，但我们应该记住，企业从来不是为了数据挖掘建立数据仓库，而是因为有了数据仓库后必然会提出数据挖掘的需求！现在随着数据挖掘软件的工具智能化，以及数据仓库和ETL工具的接口友好，对数据库层面的要求越来越少；数学不好可能反应了一个人思考问题的方式或深入理解问题的能力，但数学不是工具是脑具，不断解决问题的过程可以让我们思考问题更数学化！沈浩老师建议：不急，一步一步来！先把本职工作中的数据分析问题理解了，干好了！熟练玩好Excel软件工具，这个可以看《Excel高级应用与数据分析》我写的书，当然有很多Excel论坛和网站，从我的博客就可以连接到。学习好统计分析方法，我不是单指统计原理，而是统计分析方法，比如回归分析，因子分析等，不断进入统计分析解决问题的思考方式；这个可以看看SPSS软件方面的书和数据案例，通过软件学习解决数据分析的统计问题，这方面的书很多，当然你也可以关注我的博客，不断增加统计分析方法解决数据分析问题的思路，自己对照着完成！在上述问题有了比较好的理解后，也就是你应该算是一个数据分析能手的时候，开始进入数据挖掘领域，你会发现用数据挖掘思想解决问题具有智能化、自动化的优势，接下来，你需要考虑数据建模的过程，通过学习Clementine软件或SAS的挖掘工具，不断理解数据挖掘与原来的数据分析工具有什么不同或优势！当前面都是了解并且能够得心应手后，你就要有针对性的掌握你工作所在行业的问题，例如：电信行业的解决方案问题：客户流失、客户价值、客户离网、客户保持、客户响应、客户交叉销售等商业模型，同时与数据分析和数据挖掘统一在一起的解决方案！接下来，你应该掌握数据库的一些原理和操作，特别是SQL语言的方式你到了这个阶段，就应该有全面解决问题的能力，比如挖掘出来的知识或商业规则如何推送到营销平台上等等梳理自己的知识结构，不仅会操作，现在你应该成为专家了，要能够宣扬你的知识能力和领导力，当然也要表明你在数据挖掘领域的专业特长要经常帮助同事和行业朋友，比如帮助解决数据分析问题，帮助咨询，甚至给大家讲课，这对你的知识梳理和能力的提高非常重要，你的自信心会更强！有兴趣，可以建立一个博客或什么，不断写点东西，经常思考和总结结交广泛的朋友！关于入门的教材：互联网，其实不用买什么书网络基本都有；要有好的搜索能力，当然包括搜各种软件！SPSS和Clementine软件的说明和案例，都做一遍；《数据。
4. 什么是数据挖掘
简单地说，数据挖掘是从大量数据中提取或‘挖掘’知识。
该术语实际上有点用词不当。数据挖掘应当更正确地命名为‘从数据中挖掘知识’，不幸的是它有点长。
许多人把数据挖掘视为另一个常用的术语‘数据库中知识发现’或KDD的同义词。而另一些人只是把数据挖掘视为数据库中知识发现过程的一个基本步骤。
数据挖掘是一个用数据发现问题、解决问题的学科。通常通过对数据的探索、处理、分析或建模实现。
我们可以看到数据挖掘具有以下几个特点： 基于大量数据：并非说小数据量上就不可以进行挖掘，实际上大多数数据挖掘的算法都可以在小数据量上运行并得到结果。但是，一方面过小的数据量完全可以通过人工分析来总结规律，另一方面来说，小数据量常常无法反映出真实世界中的普遍特性。
非平凡性：所谓非平凡，指的是挖掘出来的知识应该是不简单的，绝不能是类似某著名体育评论员所说的“经过我的计算，我发现了一个有趣的现象，到本场比赛结束 为止，这届世界杯的进球数和失球数是一样的。非常的巧合！”那种知识。
这点看起来勿庸赘言，但是很多不懂业务知识的数据挖掘新手却常常犯这种错误。 隐含性：数据挖掘是要发现深藏在数据内部的知识，而不是那些直接浮现在数据表面的信息。
常用的BI工具，例如报表和OLAP，完全可以让用户找出这些信息。 新奇性：挖掘出来的知识应该是以前未知的，否则只不过是验证了业务专家的经验而已。
只有全新的知识，才可以帮助企业获得进一步的洞察力。 价值性：挖掘的结果必须能给企业带来直接的或间接的效益。
有人说数据挖掘只是“屠龙之技”，看起来神乎其神，却什么用处也没有。这只是一种误解，不可否认的 是在一些数据挖掘项目中，或者因为缺乏明确的e69da5e887aae799bee5baa6e79fa5e9819331333431353331业务目标，或者因为数据质量的不足，或者因为人们对改变业务流程的抵制，或者因为挖掘人员的经验不足，都会导 致效果不佳甚至完全没有效果。
但大量的成功案例也在证明，数据挖掘的确可以变成提升效益的利器。
5. 什么是数据挖掘
数据挖掘简单地说就是，在大型数据库中，自动发现有用信息的过程，加以分析。其中数据库中的知识发现是重要的环节，也就是人们说的KDD,knowledge discovery in database。网舟科技在数据分析与可视化方面有自己独特的见解与心得，专注美国Adobe数据产品的实际应用分析。
2KDD是什么
其实就是一个数据处理的过程，从输入数据开始，进行预处理工作，包括特征选择，维归约规范化和选择数据子集等等，随后进行分析和挖掘，再经过处理，例如模式过滤，可视化，模式表示等，最后形成可用信息的过程。
3数据挖掘要解决什么问题
具体的讲主要是以下几个，首先是数据的可伸缩性，提高或改变数据的可伸缩度。其次是解决数据高维性的问题。处理异种数据和复杂数据。解决数据所有权与分布问题。对非传统的分析进行合理处理。
4数据挖掘的任务
其实主要包括四个大块，可以独立运行，也可以联合操作，分别是聚类分析，预测建模，关联分析，异常检测。
聚类分析实用的技术包括K均值，凝聚层次聚类，dbscan，簇评估等，主要目的是通过基于原型，密度，图等的聚类，发现其间的关系。
预测建模则更多的是一种可视化角度分析方法，利用分类，回归等方法，来建立模型解决问题。
关联分析顾名思义，更多强调数据中的特征强关联，例如说过一万次的啤酒与尿布等。
异常检验则主要是识别不同于其他数据的具有显著特征值的数据。
6. 数据挖掘具体要做什么
最低0.27元开通文库会员，查看完整内容> 原发布者：谷子 数据挖掘的基本流程数据挖掘有很多不同的实施方法，如果只是把数据拉到Excel表格中计算一下，那只是数据分析，不是数据挖掘。
本节主要讲解数据挖掘的基本规范流程。CRISP-DM和SEMMA是两种常用的数据挖掘流程。
2.5.1 数据挖掘的一般步骤从数据本身来考虑，数据挖掘通常需要有信息收集、数据集成、数据规约、数据清理、数据变换、数据挖掘实施过程、模e69da5e887aa3231313335323631343130323136353331333433623762式评估和知识表示8个步骤。步骤（1）信息收集：根据确定的数据分析对象，抽象出在数据分析中所需要的特征信息，然后选择合适的信息收集方法，将收集到的信息存入数据库。
对于海量数据，选择一个合适的数据存储和管理的数据仓库是至关重要的。步骤（2）数据集成：把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中，从而为企业提供全面的数据共享。
步骤（3）数据规约：如果执行多数的数据挖掘算法，即使是在少量数据上也需要很长的时间，而做商业运营数据挖掘时数据量往往非常大。数据规约技术可以用来得到数据集的规约表示，它小得多，但仍然接近于保持原数据的完整性，并且规约后执行数据挖掘结果与规约前执行结果相同或几乎相同。
步骤（4）数据清理：在数据库中的数据有一些是不完整的（有些感兴趣的属性缺少属性值）、含噪声的（包含错误的属性值），并且是不一致的（同样的信息不同的表示方式），因此需要进行数据清理，将完整、正确、一致的数据信息存入数据仓库中。不然，挖掘的结果会差强人意。
步骤（5）数据变换：通过平。
7. 数据仓库与数据挖掘 书
韩家炜的数据挖掘概念与技术，还有本数据挖掘原理。优点是大家都说好，缺点是写的泛了点，看了还是很多不懂。
如果你是CS出身的话，推荐一本Data mining introductory and advanced topics
还有你搜WEKA，一个有名的开源DM软件，有本教科书~
另外有本紫色封面的从统计方面讲的书也不错~
剩下的就大多是国产书了，一般的特点是从实用的角度去写，一上来直入主题开始分析XX算法~ 估计其中也有些好书~
