1、收集数据

       收集数据一般来说就是补充外部的数据，包括采用爬虫还有接口，获取，补充目前数据当中不足部分。Python scrapy以及requests等都是很好的工具。

2、准备数据

       这主要包括数据清洗，预处理，错值纠正还有缺失值填补。同时还有连续值离散化，去掉异常值，以及数据归一化的这一过程。同时需要根据准备采用的挖掘工具来准备一个恰当的数据格式。

3、分析数据

       通过初步统计、分析与可视化，或者是探索性的数据分析工具，能够得到初步的一个数据概况。分析数据的分布，质量，可靠程度，实际作用域，用来确定下一步的算法选择。

4、训练算法

       整个工作流最核心的一步，根据现有数据选择算法，生成训练模型。主要是算法选择与参数调整：算法的选择。需要对算法性能和精度以及编码实现难度进行衡量和取舍。在实际的工程上，不考虑算法复杂度超过O(N^2)的算法。Java的Weka与Python的Scipy就是一个很好的数据挖掘分析工具，一般来说都会在小数据集做算法选择的预研。参数调整。这是一门神奇的技能，只能够在实际过程中体会。

5、测试算法

       这一步主要是针对监督算法(分类,回归)，为了防止模型的过度拟合，需要测试算法模型的覆盖能力与其性能。方法上主要包括Holdout，还有random subsampling.非监督算法(聚类)，采用更加具体的指标，主要包括熵，纯度，精度，召回等。

6、使用,解释,修正算法

       数据挖掘并不是一个静态的过程，需要不断的对模型进行重新评估，衡量与修正。算法模型的生命周期也是一个值得去探讨的话题。