課程(名稱.編號)簡索

領導藝術.綜合管理        人力資源.企業培訓        職務能力培訓系統班        銷售實戰.市場行銷        職場技能.個人成長        Office白領辦公達人        財經金融.投資理財        語言學習.出國留學        中國大陸證照培訓        資格考試.考証培訓        文化.生活.興趣.保健        生產管理.採購物流        移動開發        前端開發        後端開發        數據庫.服務器        網頁平面設計        雲計算.大數據        網絡營銷推廣        自然學科        工程技術學科

經濟管理學科

醫.藥.農.林學科

法律 學科

計算機工程學科

哲學.歷史學科

文學.藝術學科

教育社會學科

外語 學科

醫藥農林        哲學歷史        文學藝術        工程技術        基礎科學        經管法學 <

    數據挖掘（英語：Data mining），又譯為資料探勘、數據採礦。它是數據庫知識發現（英語：Knowledge-Discovery in Databases，簡稱：KDD)中的一個步驟。數據挖掘一般是指從大量的數據中通過算法搜索隱藏於其中信息的過程。數據挖掘通常與計算機科學有關，並通過統計、在線分析處理、情報檢索、機器學習、專家系統（依靠過去的經驗法則）和模式識別等諸多方法來實現上述目標。

   本課程從數據庫和數據倉庫的角度全面、系統地介紹數據挖掘的基本概念、基本方法和基本技術，以及數據挖掘的最新進展。要求學生通過本課程的學習，認識數據倉庫和數據挖掘在當今計算機應用中的重要作用，深入瞭解數據倉庫的原理和實現方法以及數據挖掘的整體結構，掌握數據預處理技術（包括數據清理、數據集成和轉換、數據歸約等方法）和數據挖掘技術（包括分類、預測、關聯和聚類的概念與技術），並且熟悉數據挖掘的基本原理和發展方向。通過課程作業和課程設計，要求學生能夠將理論與實踐相結合。


    課程內容大綱:

1、序論

2、數據倉庫和數據挖掘的OLAP技術

3、數據預處理

4、數據挖掘原語、語言和系統結構

5、概念描述：特徵化與比較

6、大型數據庫中的關聯規則挖掘

7、分類和預測

8、聚類分析

9、電子商務與數據挖掘


  信息技術的迅速發展已從簡單的批處理、聯機事務處理的信息處理時代，進入了聯機分析處理、數據倉庫和數據挖掘的信息分析時代。數據倉庫以數據庫技術作為存儲數據和資源管理的手段，以聯機分析處理技術和方法作為提取信息的有效手段，以數據挖掘和人工智能的模型、算法作為發現知識和規律的途徑。數據倉庫的建設是各種先進的信息處理技術與企業管理決策結合的過程。只有將OLAP技術、數據挖掘技術與數據倉庫中龐大的數據相結合，才能使數據倉庫在企業的經營管理決策中發揮重要的作用。數據挖掘是數據庫研究、開發和應用最活躍的分支之一。

  並非所有的信息發現任務都被視為數據挖掘。例如，使用數據庫管理系統查找個別的記錄，或通過因特網的搜索引擎查找特定的Web頁面，則是信息檢索（information retrieval）領域的任務。雖然這些任務是重要的，可能涉及使用複雜的算法和數據結構，但是它們主要依賴傳統的計算機科學技術和數據的明顯特徵來創建索引結構，從而有效地組織和檢索信息。儘管如此，數據挖掘技術也已用來增強信息檢索系統的能力。

1)數據挖掘能做以下六種不同事情（分析方法）：

· 分類 （Classification）
· 估值（Estimation）
· 預言（Prediction）
· 相關性分組或關聯規則（Affinity grouping or association rules）
· 聚集（Clustering）
· 描述和可視化（Des cription and Visualization）
· 複雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)

2)數據挖掘分類

以上六種數據挖掘的分析方法可以分為兩類：直接數據挖掘；間接數據挖掘

· 直接數據挖掘
目標是利用可用的數據建立一個模型，這個模型對剩餘的數據，對一個特定的變量（可以理解成數據庫中表的屬性，即列）進行描述。

· 間接數據挖掘
目標中沒有選出某一具體的變量，用模型進行描述；而是在所有的變量中建立起某種關係 。

· 分類、估值、預言屬於直接數據挖掘；後三種屬於間接數據挖掘

3)各種分析方法的簡介

· 分類 （Classification）

首先從數據中選出已經分好類的訓練集，在該訓練集上運用數據挖掘分類的技術，建立分類模型，對於沒有分類的數據進行分類。
例子：
a. 信用卡申請者，分類為低、中、高風險
b. 分配客戶到預先定義的客戶分片
注意： 類的個數是確定的，預先定義好的

· 估值（Estimation）

估值與分類類似，不同之處在於，分類描述的是離散型變量的輸出，而估值處理連續值的輸出；分類的類別是確定數目的，估值的量是不確定的。
例子：
a. 根據購買模式，估計一個家庭的孩子個數
b. 根據購買模式，估計一個家庭的收入
c. 估計real estate的價值
一般來說，估值可以作為分類的前一步工作。給定一些輸入數據，通過估值，得到未知的連續變量的值，然後，根據預先設定的閾值，進行分類。例如：銀行對家庭貸款業務，運用估值，給各個客戶記分（Score 0~1）。然後，根據閾值，將貸款級別分類。

· 預言（Prediction）

通常，預言是通過分類或估值起作用的，也就是說，通過分類或估值得出模型，該模型用於對未知變量的預言。從這種意義上說，預言其實沒有必要分為一個單獨的類。預言其目的是對未來未知變量的預測，這種預測是需要時間來驗證的，即必須經過一定時間後，才知道預言準確性是多少。

· 相關性分組或關聯規則（Affinity grouping or association rules）

決定哪些事情將一起發生。
例子：
a. 超市中客戶在購買A的同時，經常會購買B，即A => B(關聯規則)
b. 客戶在購買A後，隔一段時間，會購買B （序列分析）

· 聚集（Clustering）

聚集是對記錄分組，把相似的記錄在一個聚集裡。聚集和分類的區別是聚集不依賴於預先定義好的類，不需要訓練集。
例子：
a. 一些特定症狀的聚集可能預示了一個特定的疾病
b. 租VCD類型不相似的客戶聚集，可能暗示成員屬於不同的亞文化群
聚集通常作為數據挖掘的第一步。例如，"哪一種類的促銷對客戶響應最好？"，對於這一 類問題，首先對整個客戶做聚集，將客戶分組在各自的聚集裡，然後對每個不同的聚集，回答問題，可能效果更好。

· 描述和可視化（Des cription and Visualization）
是對數據挖掘結果的表示方式。

數據挖掘和數據倉庫的協同工作，一方面，可以迎合和簡化數據挖掘過程中的重要步驟，提高數據挖掘的效率和能力，確保數據挖掘中數據來源的廣泛性和完整性。另一方面，數據挖掘技術已經成為數據倉庫應用中極為重要和相對獨立的方面和工具。

數據挖掘和數據倉庫是融合與互動發展的，其學術研究價值和應用研究前景將是令人振奮的。它是數據挖掘專家、數據倉庫技術人員和行業專家共同努力的成果，更是廣大渴望從數據庫「奴隸」到數據庫「主人」轉變的企業最終用戶的通途。


　

        本套課程教材講解詳細，圖文並貌，非常的引人入甚，能讓你更好的吸收知識，從學習中找到樂趣！每講40~50分鐘的學習中，如同坐在大學課堂內一般輕鬆學習! 視頻教程有老師詳解授課並且自帶清晰圖像或文字板書，所以也不需要另外的參考資料了。文字圖像資料與真人視頻交互同步更新。視頻教程方式不會遺漏任何和難點，可以反覆學習直至學會為止。有老師領路比自己自學研究將會輕鬆百倍，而且不容易枯燥乏味如果今天學習了一半，想明天接著學， 則同時可以方便地通過快進選擇自己的學習進度。

                             工作學習兩不誤，不用再付昂貴的學習費用和應對許許多多的考試。