一、数据挖掘简介

数据挖掘是通过分析每个数据，从大量数据中寻找其规律的技术，主要有三个步骤:数据准备、规律搜索和规律表示。数据准备是从相关数据源中选择所需的数据，并将其整合成用于数据挖掘的数据集；规则搜索是用某种方法找出数据集中包含的规则；规则表示用户可以理解的方式（如可视化）。数据挖掘的任务包括相关分析、聚类分析、分类分析、异常分析、特异组分析和演变分析。

近年来，数据挖掘引起了信息产业的极大关注。主要原因是有大量的数据可以广泛使用，迫切需要将这些数据转化为有用的信息和知识。信息和知识可广泛应用于商业管理、生产控制、市场分析、工程设计和科学探索等各种应用。数据挖掘利用了以下领域的思想：①统计抽样、估计和假设检验；②搜索算法、建模技术和学习理论，人工智能、模式识别和机器学习。数据挖掘也很快接受了来自其他领域的思想，包括优化、进化计算、信息理论、信号处理、可视化和信息检索。其他一些领域也起着重要的支撑作用。特别是，数据库系统需要提供有效的存储、索引和查询支持。高性能(并行)计算技术在处理海量数据集方面往往很重要。分布式技术也有助于处理海量数据，当数据不能集中在一起时更为重要。

二、数据挖掘需要学习哪些知识

1、统计知识

在做数据分析，统计的知识肯定是需要的，Excel、SPSS、R等是需要掌握的基本技能。如果我们做数据挖掘的话，就要重视数学知识，数据挖掘要从海量数据中发现规律，这就需要一定的数学知识，最基本的比如线性代数、高等代数、凸优化、概率论等。

2、概率知识

而朴素贝叶斯算法需要概率方面的知识，SKM算法需要高等代数或者区间论方面的知识。当然，我们可以直接套模型，R、Python这些工具有现成的算法包，可以直接套用。但如果我们想深入学习这些算法，最好去学习一些数学知识，也会让我们以后的路走得更顺畅。我们经常会用到的语言包括Python、Java、C或者C++，我自己用Python或者Java比较多。有时用MapReduce写程序，再用Hadoop或者Hyp来处理数据，如果用Python的话会和Spark相结合。

3、数据挖掘的数据类型

关系数据库、数据仓库、事务数据库、空间数据库、时间序列数据库、文本数据库和多媒体数据库。关系数据库就是表的集合，每个表都赋予一个唯一的名字。每个表包含一组属性列或字段，并通常存放大量元组，比如记录或行。关系中的每个元组代表一个被唯一关键字标识的对象，并被一组属性值描述。

4、数据仓库

数据仓库就是通过数据清理、数据变换、数据集成、数据装入和定期数据刷新构造 。数据挖掘的工作内容是什么呢?数据分析更偏向统计分析，出图，作报告比较多，做一些展示。数据挖掘更偏向于建模型。比如，我们做一个电商的数据分析。万达电商的数据非常大，具体要做什么需要项目组自己来定。电商数据能给我们的业务什么样的推进，我们从这一点入手去思考。我们从中挑出一部分进行用户分群。