我们生活在一个信息丰富、数据驱动的世界。虽然知道有大量现成的知识是令人欣慰的，但巨大的数量也带来了挑战。可用的信息越多，就越能找到你需要的有用见解。
这就是为什么今天我们要讨论数据挖掘。我们将探讨数据挖掘的各个方面，包括它的含义，它的阶段，数据挖掘技术，它提供的好处，数据挖掘工具，等等。让我们以数据挖掘的定义为开端，然后解决数据挖掘的概念和技术。
现在我们将从了解什么是数据挖掘开始。
什么是数据挖掘？
通常情况下，当有人谈到 "采矿 "时，它涉及到人们戴着头盔，身上挂着灯，在地下挖掘自然资源。虽然想象那些在隧道里挖掘成批的0和1的人可能很有趣，但这并不能完全回答 "什么是数据挖掘"。
数据挖掘是分析大量信息和数据集的过程，提取（或 "挖掘"）有用的情报，以帮助组织解决问题，预测趋势，减轻风险，并找到新的机会。数据挖掘就像实际的采矿，因为在这两种情况下，采矿者都是通过筛选堆积如山的材料来寻找有价值的资源和要素。
数据挖掘还包括建立关系，寻找模式、异常和相关关系来解决问题，在这个过程中创造可操作的信息。数据挖掘是一个广泛而多样的过程，包括许多不同的组成部分，其中一些甚至与数据挖掘本身相混淆。例如，统计学是整个数据挖掘过程的一部分，正如这篇数据挖掘与统计学的文章所解释的。
此外，数据挖掘和机器学习都属于数据科学的总标题下，虽然它们有一些相似之处，但每个过程都以不同的方式处理数据。如果你想了解它们之间的关系，请阅读关于数据挖掘与机器学习的内容。
数据挖掘有时被称为数据中的知识发现，或称KDD。
现在我们已经了解了什么是数据挖掘，现在我们来看看数据挖掘的步骤。
数据挖掘的步骤
当问到 "什么是数据挖掘 "时，让我们把它分解成数据科学家和分析师在处理数据挖掘项目时采取的步骤。
1.理解业务
公司的现状是什么，项目的目标是什么，以及什么定义了成功？
2.理解数据
弄清楚解决这个问题需要什么样的数据，然后从适当的渠道收集数据。
3.准备好数据
解决数据质量问题，如重复、缺失或损坏的数据，然后以适合解决业务问题的格式来准备数据。
4.4.对数据进行建模
采用算法来确定数据模式。数据科学家创建、测试和评估模型。
5.评估数据
决定一个特定的模型所提供的结果是否以及如何有效地帮助实现业务目标或补救问题。有时会有一个反复的阶段来寻找最好的算法，尤其是当数据科学家第一次没有得到很好的结果时。可能会有一些数据挖掘算法的选购。
6.部署解决方案
把项目的结果交给负责决策的人。
为了扩展我们对什么是数据挖掘的学习，我们接下来将看看其好处。
数据挖掘的好处是什么？
由于我们生活和工作在一个以数据为中心的世界里，因此必须尽可能多地获得优势。在这个充满挑战的信息时代，数据挖掘为我们提供了解决问题的手段。数据挖掘的好处包括。
- 它帮助公司收集可靠的信息
- 与其他数据应用相比，它是一种高效、经济的解决方案
- 它帮助企业进行有利可图的生产和运营调整
- 数据挖掘同时使用新的和遗留的系统
- 它帮助企业做出明智的决定
- 它有助于检测信用风险和欺诈
- 它帮助数据科学家轻松地快速分析海量的数据
- 数据科学家可以利用这些信息来检测欺诈，建立风险模型，并提高产品安全性
- 它帮助数据科学家快速启动对行为和趋势的自动预测，并发现隐藏的模式
在了解了什么是数据挖掘之后，让我们来看看它的缺点。
数据挖掘有什么缺点吗？
没有什么是完美的，包括数据挖掘。这些是数据挖掘中的主要问题。
- 许多数据分析工具很复杂，使用起来很有挑战性。数据科学家需要正确的培训才能有效地使用这些工具。
- 说到工具，不同的工具在不同类型的数据挖掘中工作，取决于它们采用的算法。因此，数据分析员必须确保选择正确的工具。
- 数据挖掘技术并不是万无一失的，所以总是存在着信息不完全准确的风险。如果数据集缺乏多样性，这个障碍就尤为重要。
- 公司有可能将他们收集到的客户数据卖给其他企业和组织，从而引发隐私问题。
- 数据挖掘需要大型数据库，使这个过程难以管理。
在了解了什么是数据挖掘之后，让我们来看看各种类型的数据。
正如工程师们喜欢说的，"用正确的工具做正确的工作"。以下是为数据分析师提供不同数据挖掘功能的工具和技术的选择。
-
人工智能
人工智能系统执行模仿人类智能的分析功能，如学习、规划、解决问题和推理。
-
关联规则学习
这个工具集，也被称为市场篮子分析，搜索数据集变量之间的关系。例如，关联规则学习可以确定哪些产品经常一起购买（例如，智能手机和保护套）。
-
聚类
这个过程将数据集划分为一组有意义的子类，称为聚类。这个过程帮助用户理解数据中的自然结构或分组。
-
分类法
这种技术将数据集中的特定项目分配给不同的目标类别或类。其目的是在目标类别内对数据中的每个案例进行准确的预测。
-
数据分析
数据分析过程使专业人士能够评估数字信息并将其转化为有用的商业情报。
-
数据清理和准备
这种技术将数据转化为进一步分析和处理的最佳形式。准备工作包括识别和删除错误和缺失或重复的数据等活动。
-
数据仓库
数据仓库由广泛的商业数据收集组成，企业利用这些数据来帮助他们做出决策。仓储是大多数大规模数据挖掘工作的一个基本和必要的组成部分。
-
机器学习
与前面提到的人工智能技术相关，机器学习是一种计算机编程技术，它采用统计概率为计算机提供学习能力，而不需要人工干预或被手动编程。
-
回归
回归技术预测的是销售、股票价格甚至温度等类别的数值范围。这些范围是基于在一个特定的数据集中发现的信息。
需要提及的是两个具体的工具。
- R.这种语言是一种用于图形和统计计算的开放源码工具。它为分析人员提供了大量的统计测试、分类和图形技术以及时间序列分析。
- 甲骨文数据挖掘（ODM）。这个工具是Oracle高级分析数据库的一个模块。它帮助数据分析师进行预测并产生详细的洞察力。分析师使用ODM来预测客户行为，开发客户档案，并确定交叉销售机会。
在我们学习什么是数据挖掘的过程中，现在让我们来看看这些应用。
数据挖掘的应用
对于当今竞争激烈的企业来说，数据挖掘是一个有用的、多功能的工具。下面是一些数据挖掘的例子，显示了广泛的应用范围。
银行
数据挖掘帮助银行进行信用评级和反欺诈系统工作，分析客户财务数据、购买交易和卡片交易。数据挖掘还帮助银行更好地了解客户的在线习惯和偏好，这在设计新的营销活动时很有帮助。
医疗保健
数据挖掘通过汇集每个病人的病史、体检结果、药物和治疗模式，帮助医生创建更准确的诊断。挖掘还有助于打击欺诈和浪费，带来更具成本效益的卫生资源管理战略。
市场营销
如果说有什么应用能从数据挖掘中受益，那就是营销！毕竟，营销的核心和关键是要有一个好的数据。毕竟，营销的核心和灵魂是有效地锁定客户，以获得最大的效果。当然，锁定受众的最佳方式是尽可能多地了解他们的情况。数据挖掘有助于汇集关于年龄、性别、品味、收入水平、地点和消费习惯的数据，以创造更有效的个性化忠诚度活动。数据营销甚至可以预测哪些客户更有可能取消订阅邮件列表或其他相关服务。掌握了这些信息，公司就可以采取措施，在这些客户有机会离开之前留住他们。
零售业
零售业和市场营销是相辅相成的，但前者仍然值得单独列出。零售店和超市可以利用购买模式来缩小产品的关联，并确定哪些商品应该在商店里储存，以及它们应该去哪里。数据挖掘还可以确定哪些活动得到最多回应。
您想学习数据分析吗？
每天都有大量的数据产生，因此，对使用数据挖掘等技术分析这些信息的专业人员的需求也相应很大。
该课程与普渡大学合作举办，并与IBM合作，让你广泛接触目前用于数据分析和数据科学的关键技术和技能。你将学习统计学、Python、R、Tableau、SQL和Power BI。一旦你完成了这个全面的数据分析课程，你将准备好承担一个专业的数据分析角色。
