1樓：
根據我的理解，機器學習是資料探勘中的一種重要工具。然則資料探勘不僅僅要研究、拓展、應用一些機器學習方法，還要通過許多非機器學習技術解決資料倉儲、大規模資料、資料噪音等等更為實踐問題。機器學習的涉及面也很寬，常用在資料探勘上的方法通常只是「從資料學習」，然則機器學習不僅僅可以用在資料探勘上，一些機器學習的子領域甚至與資料探勘關係不大，例如增強學習與自動控制等等。
所以我個人認為，資料探勘是從目的而言的，機器學習是從方法而言的，兩個領域有相當大的交集，但不能等同。
資料探勘的應用有哪些？
2樓：江蘇中公優就業
資料探勘目前在中國的尚未流行開，猶如屠龍之技；資料探勘本身融合了統計學、資料庫、機器學習、模式識別、知識發現等學科，並不是新的技術。
資料探勘之所以能夠應用不是因為演算法，演算法是以前就有的。資料探勘應用的原因是大資料和雲計算。比如阿爾法狗的後台有上千臺計算機同時執行神經網路演算法；
資料初期的準備工作，也稱data warehousing。通常佔整個資料探勘專案工作量的70%左右。在前期你需要做大量的資料清洗和字段擴充的工作。資料探勘和報告展現只佔30%左右；
資料探勘技術更適合業務人員學習（相比技術人員學習業務來的更高效）。
目前國內的資料探勘人員工作領域大致可分為三類
1）資料分析師：在擁有行業資料的電商、金融、電信、諮詢等行業裡做業務諮詢，商務智慧型，出分析報告；
2）資料探勘工程師：在多**、電商、搜尋、社交等大資料相關行業裡做機器學習演算法實現和分析；
3）科學研究方向：在高校、科研單位、企業研究院等高大上科研機構研究新演算法效率改進及未來應用。
你自己的定位與學習
基於以上的介紹，你大概可以明確你需要努力的方向。如果你不是致力於科研方向，那麼你需要掌握如下的技能：
1. 需要理解主流機器學習演算法的原理和應用。按照需要解決的問題，主要分為三大類，見下圖：
2. 需要熟悉至少一門程式語言。如r，python，spss modeler，sas，weka等。
關於軟體，有三個原則：只要能達到目標的軟體就是好軟體；你研究的領域啥軟體好用就用啥軟體；不要妄想用乙個軟體解決所有問題。
3. 需要理解資料庫基本原理，能夠熟練操作至少一種資料庫，如mysql，oraceldb2等。
4. 熟悉資料探勘常見的運用場景。如客戶生命週期管理、客戶畫像和客戶分群、客戶價值**模型構建、推薦系統設計等，這些需要依託於不同行業。
5.經典圖書推薦：《資料探勘：概念與技術》、《資料探勘導論》、《機器學習實戰》、《資料庫系統概論》、《r語言實戰》。
什麼是資料探勘？
3樓：cda資料分析師
簡單地說，資料探勘是從大量資料中提取或『挖掘』知識。該術語實際上有點用詞不當。資料探勘應當更正確地命名為『從資料中挖掘知識』，不幸的是它有點長。
許多人把資料探勘視為另乙個常用的術語『資料庫中知識發現』或kdd的同義詞。而另一些人只是把資料探勘視為資料庫中知識發現過程的乙個基本步驟。
資料探勘是乙個用資料發現問題、解決問題的學科。
通常通過對資料的探索、處理、分析或建模實現。
我們可以看到資料探勘具有以下幾個特點：
基於大量資料：並非說小資料量上就不可以進行挖掘，實際上大多數資料探勘的演算法都可以在小資料量上執行並得到結果。但是，一方面過小的資料量完全可以通過人工分析來總結規律，另一方面來說，小資料量常常無法反映出真實世界中的普遍特性。
隱含性：資料探勘是要發現深藏在資料內部的知識，而不是那些直接浮現在資料表面的資訊。常用的bi工具，例如報表和olap，完全可以讓使用者找出這些資訊。
新奇性：挖掘出來的知識應該是以前未知的，否則只不過是驗證了業務專家的經驗而已。只有全新的知識，才可以幫助企業獲得進一步的洞察力。
價值性：挖掘的結果必須能給企業帶來直接的或間接的效益。有人說資料探勘只是「屠龍之技」，看起來神乎其神，卻什麼用處也沒有。
這只是一種誤解，不可否認的 是在一些資料探勘專案中，或者因為缺乏明確的業務目標，或者因為資料質量的不足，或者因為人們對改變業務流程的抵制，或者因為挖掘人員的經驗不足，都會導 致效果不佳甚至完全沒有效果。但大量的成功案例也在證明，資料探勘的確可以變成提公升效益的利器。
4樓：知於大資料
由於資料科學剛剛興起，資料科學家作為一種新生職業被提出，資料研究高階科學家rachel schutt將其定義為「計算機科學家、軟體工程師和統計學家的混合體「。資料探勘作為乙個學術領域，橫跨多個學科，涵蓋了統計學、數學、機器學習和資料庫等，此外還包括各類專業方向比如從油田電力、海洋生物、歷史文字、電子通訊、法律稅務等的各個專業領域。注意每一分類都需要相當的行業經驗。
而要明白某一事物的本質，就需要通過另一些近似的事物特性對比來說明。就好像你單獨提問什麼是男人？很難解釋對不對。
所以咱們來舉個栗子簡單看看：
一、分析報告
在《大鬧天宮》裡孫悟空跟二郎神在花果山下大戰三百回合，咱來寫一篇文章分析。
孫悟空有金剛不壞火眼金睛筋斗雲七十二般變化加上定海神針身法靈活。
二郎神楊戩有三隻眼縛妖索哮天犬銀袍金甲加上三尖兩刃四竅八環刀力量無窮。
所以在大戰開始三百回合時候不相上下，結果後來二郎神派出天兵天將放火燒花果山讓大聖慌了心神被偷襲得手。
最後二郎神贏了。
分析報告完成。
二、統計分析
大聖二戰楊戩。這次在二位大戰之前做個數理統計來**結果。
首先根據歷史樣本史書記載發現兩人在之前的五百年裡打過100次，其中孫悟空贏60次。
然後有記錄顯示，之前孫悟空和牛魔王戰鬥的勝率是80%，而楊戩鬥牛魔王勝率是70%。
所以可以得出綜合**總體勝率是孫悟空贏面大。
結論依靠歷史記錄，使用樣本**總體，根據經驗做出假設。
統計分析完成。
三、資料探勘
孫悟空和楊戩終極決戰。這次咱們根據兩位的詳細資料（如家庭出身、教育背景、工作經驗、婚育情況等）讓計算機做協同過濾關聯分析。計算機通過資料清洗建模後發現：
貧苦出身的孩子一般比皇親國戚更能吃苦所以功夫底子更好平時訓練更加紮實。
戰鬥經驗豐富的鬥戰勝佛因為平時經常打架擅長利用天時地利環境因素而勝算更大。
在都得到大師指點的情況下，貧苦出身的孩子可以利用後天的努力來彌補先天悟性的欠缺。
樣貌奇特注定孤獨終老的神仙總是會比同等條件下美若天仙喜歡拈花惹草處處留情的神仙功夫好。
綜上所述，我們可知道：
論出身兩位大神不分伯仲。乙個從石頭出來，乙個是凡人與神仙結合所生。
悟空的**菩提老祖（準提道人）和二郎神的**玉鼎真人的**元始天尊同為鴻鈞老祖的高足所以前者更勝一籌。
鬥戰勝佛戰鬥經驗相對整日快活逍遙無憂無慮的二郎神來說更加豐富。
另孫行者由於樣貌原因始終單身（好傷感）。
所以可以得出結論，這次大戰孫悟空贏面大。
資料探勘完成。
四、最後總結：
分析報告一般是整個事件發生結束以後的總結（描述性）。
統計分析能利用大量的歷史樣本來**整個事件總體未來的走向（**性概率）。
資料探勘則透過事件的表象發現隱藏在背後的蛛絲馬跡，從而找到潛伏的規律以及看似無關事物之間背後的聯絡，用此來洞察未來（規範性）。
5樓：野路子產品經理
給你分享乙個pdf看看什麼是資料探勘
6樓：風_南
科技的快速發展和資料的儲存技術的快速進步，使得各種行業或組織的資料得以海量積累。但是，從海量的資料當中，提取有用的資訊成為了乙個難題。在海量資料面前，傳統的資料分析工具和方法很無力。
由此，資料探勘技術就登上了歷史的舞台。
資料探勘是一種技術，將傳統的資料分析方法與處理大量資料的複雜演算法相結合（圖1），從大量的、不完全的、有雜訊的、模糊的、隨機的資料中，提取隱含在其中的、人們事先不知道的、但又是潛在有用資訊和知識的過程。
那資料探勘能夠幹什麼？有哪些資料探勘技術？怎麼應用？
資料探勘技術應用廣泛，如：1. 在交通領域，幫助鐵路票價制定、交通流量**等。
2. 在生物學當中，挖掘基因與疾病之間的關係、蛋白質結構**、代謝途徑**等。3.
在金融行業當中，**指數追蹤、稅務稽查等方面有重要運用。4. 在電子商務領域，對顧客行為分析、定向營銷、定向廣告投放、誰是最有價值的使用者、什麼產品搭配銷售等。
可以說，有資料的方法，就有資料探勘的用武之地。
那資料探勘過程是什麼呢？如圖2：
資料探勘的任務主要分為一下四類，如圖3：
1.建模**：用因變數作用目標變數建立模型。
分為兩類：（1）分類，用於**離散的目標變數；（2）回歸，用於**連續的目標變數。兩項任務目標都是訓練乙個模型，使目標變數**值與實際值之間的誤差達到最小。
**建模可以用來判斷病人是否患有某種疾病，可以用於確定顧客是否需要某種產品，**交通流量。
2.關聯分析：用來發現描述資料中強關聯特徵的模式。
所發現的模式通常用特徵子集的形式表示。由於搜尋空間是指數規模的，關聯分析的目標是以有效的方式提取最有用的模式。關聯分析的應用包括使用者購買商品之間的聯絡、找出相關功能的基因組、表單**輸出下拉列表如圖4。
3.聚類分析：發現緊密相關的觀測值群組，使得與屬於不同簇的觀察值相比，同一簇的觀察值相互之間盡可能的類似。
聚類可用來對相關的顧客分組、給不同功能的基因分組、不同的癌症細胞系分組。
4.異常檢測：識別其特徵顯著不同於其他資料的觀測值。
這樣的觀測值稱為異常點或離群點。異常檢測演算法的目標是發現真正的異常點，而避免錯誤地將正常的物件標註為異常點。換言之，乙個好的異常點檢測模型必須具有高檢測率和低誤報率。
異常檢測的應用包括檢測欺詐、網路攻擊、疾病的不尋常模式。
資料探勘是做什麼的
7樓：匿名使用者
說的最直白的就是從一堆資料中找出有價值的東西，以便用來賺更多的錢。。。
8樓：前景一片光明
主要就是為了完成資料分析的。
9樓：cda資料分析師
資料探勘的用處有很多，在這裡我只想從技術和應用兩個層面來簡單談談。
1、從技術層面來說，按照資料探勘產出的知識可以粗分為兩大類：描述型挖掘和**型挖掘。
描述型挖掘是對現有資料的進一步精煉和歸納，從中抽取中更巨集觀的反映數 據特徵的概念描述。舉個例子來說，某家銀行有幾百萬客戶，資料倉儲中儲存了每個客戶的人口統計資訊、賬戶資訊、交易資訊、客服聯絡資訊等詳細資料。但是銀 行不可能清楚地了解每位客戶是什麼樣的客戶，客戶的消費模式到底是怎樣的？
這時一般需要把全體客戶進行細分，劃分為幾個客戶群，而且這種劃分可以保證具有 相似行為、相似價值的客戶會被放入同乙個群組中。有了這些客戶群，銀行就能更容易地發現營銷機會並制定營銷戰略。這個例子中所用的挖掘技術是聚類模型，它 就是一種典型的描述型挖掘。
**型挖掘，顧名思義，就是建立的挖掘模型具備**能力。這種**能力可能包括**哪些客戶下個月會流失，哪些客戶對**活動會積極響應，哪些客戶的未來價值會成長以及成長多少等等。**型挖掘常常對企業運營具有更強的指導作用，從而更快地見效。
2、從應用層面來說，資料探勘可以應用到很多行業中，包括電信、銀行、**、保險、製造、網際網路等等。
拋開具體行業的特定應用不談，在各個行業中一般都會把資料探勘應用在客戶關係管理（crm）之中。在crm中的資料探勘應用，包括客戶細分、客戶價值分析、客戶獲取、客戶保持、交叉銷售和提公升銷售等等。此外，信用評分、欺詐偵測和文字挖掘等也是常見的應用。
未來資料應用的發展趨勢，淺析未來大資料的發展趨勢
隨著我國進入大資料時代，很多人對於大資料的發展趨勢還處於懵懂的狀態，充分提公升大資料的應用對於我國各個行業，都會有非常重要和有效的指導性作用。那麼，大資料的發展趨勢到底是怎樣的呢？下面，就讓我們一起來了解一下吧。第。一 突破科學理論。大資料的發展十分快速，對於目前已經飛速發展並且極具影響力的網際網路...
目前大資料在哪些行業有案例或者說應用
三個領域大資料應用案例分析 1 無人駕駛汽車。汽車非常昂貴，然而在歐洲，人們只有4 的時間在使用汽車，96 的時間把車停在停車場，這是非常不高效的系統。如果未來普及了無人駕駛的汽車，我們就可以過上另一種生活。我們將只需要在手機上點乙個按鍵，車就會自己開過來，把我們帶去目的地。這種車就像沒有駕駛員的計...
中國大資料中心在哪個城市,國內大資料公司有哪些？
你好，中國資料中心有八大節點 北京 武漢 成都 廣州 上海 瀋陽 西安 南京。這幾個都是大資料中心，其中成都資料中心是中國電信全國8大節點之一，可支配頻寬資源豐富，與china 骨幹網節點頻寬60g，2節點頻寬10g。機房內部網路全部採用千兆連線核心層與匯聚層，雙百兆冗餘到接入層的無瓶頸交換式結構，...