嗯，基本方法有很多，比如决策树、支持向量机、贝叶斯方法、神经网络方法等。有相关的数据 挖掘书籍，里面有很多详细的算法。我手里有一本刚借的。有需要的话可以推荐给你。个人建议如下:第一阶段是掌握数据 挖掘的基本概念和方法。先对数据 挖掘有个概念并掌握基本算法，比如分类算法，聚类算法，协同过滤算法。
第二阶段:掌握数据挖掘和数据时代的分布式处理算法。现在已经进入大数据的时代，传统的数据 挖掘的算法已经不再适用于参考书:大数据:互联网海量数据。第三阶段:利用Hadoop进行大数据 挖掘。Hadoop有一个Mahout组件，包含了几乎所有的数据 挖掘算法，包括分类、聚类和关联规则。参考书:Hadoop在行动(第二版)。作者:陆家恒。
4、大 数据 挖掘 技术涉及哪些内容?Da-2挖掘-3/涉及的主要内容有:图案跟踪、数据清洗和准备、基于分类数据。基于数据在宏观环境下的特点，挖掘 技术及对应:1。数据来源多，量大数据。需要一个强大的ETL 技术来集成多个系统的数据
2.数据的维数较高，集成的数据不仅仅是传统的数据 挖掘的那些维数，还有上百个维数，需要降维-3。3.大数据 quantity的计算不能在单台服务器上计算，需要分布式计算。所以要掌握各种分布式计算框架，比如Hadoop、Spark，就要掌握machine 学习算法的分布式实现。数据 挖掘:目前需要改进现有的数据 挖掘、机学习技术；发展数据网络挖掘、地方病组挖掘、图挖掘等新型数据挖掘。突破基于对象数据连接与相似连接数据融合技术；突破用户兴趣分析、网络行为分析、情感语义分析的大-2挖掘-3/。
5、 数据 挖掘 技术可以解决我们 学习、生活中的什么问题?数据挖掘技术可以解决家畜疾病的预防、工艺参数的改进、疾病诊断等问题。数据挖掘技术根据历史产量数据，可以预测良品的情况，从而改善工艺参数，降低不良率；畜牧业可以利用-2挖掘-3/根据测得的体温预测动物是否患病，从而提前防控；医院可以根据数据挖掘技术，利用历史病历找出规律，有利于医生更好地诊断疾病。以下是-2挖掘-3/方法的相关介绍:1。神经网络神经网络具有良好的鲁棒性、自组织和自适应性、并行处理、分布式存储和高容错性，非常适合求解数据。
遗传算法由于其隐含的并行性和易于与其他模型结合，在-2挖掘中得到了应用。3.决策树方法决策树是预测模型中常用的算法。它通过有目的地对大量数据进行分类，发现一些有价值的潜在信息。其主要优点是描述简单，分类速度快，特别适合大规模数据处理。4.粗糙集方法粗糙集理论是一种研究不精确和不确定知识的数学工具。
6、 数据 挖掘 技术主要包括哪些数据挖掘又译为数据探索，数据挖掘。它是通过数学模型分析企业存储的大量数据，找出不同的客户或细分市场，分析消费者的偏好和行为的方法。是数据 library知识发现的一步。数据 挖掘一般指自动搜索大量数据中隐藏的具有特殊关系的信息的过程。主要有三个步骤:数据准备、规则发现和规则表示。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、独特群分析和演化分析。
是利用数据发现问题、解决问题的学科。通常通过探索、处理、分析或建模来实现数据。我们可以看到数据 挖掘具有以下特点:基于大量的数据:并不是说小数据不能进行挖掘实际上大多数/但是，一方面，太小的数据数量完全可以通过人工分析进行总结
7、如何系统地 学习 数据 挖掘磨刀不误砍柴工。在学习数据 挖掘之前，要明白以下几点:数据挖掘目前在国内并不流行，就像屠龙这个技能一样。数据前期准备通常占整个-2挖掘项目工作量的70%左右。数据 挖掘是统计的组合，数据库和机学习，并不是新的技术。数据挖掘技术更适合商务人员学习(效率更高的OLAP技术人事学习商务
如果你觉得以上内容可以接受，那就继续看下去。学习 1 技术想接近行业又没有行业背景的人技术就像空中楼阁。技术尤其是在计算机领域技术发展广阔迅速(十年前设计网页就可以成立公司了)，大部分人没有精力和时间去掌握所有的细节技术。但是，技术与行业结合后，就能独当一面了。一方面有助于抓住用户的痛点和刚性需求，另一方面能够积累行业经验，运用互联网思维跨界，你会更容易成功。
8、大 数据 挖掘需要 学习哪些 技术大 数据的工作数据挖掘Need学习的内容是:1。编程语言，2、大数据处理框架。3.数据图书馆知识，4.数据结构和算法。5.机学习/深学习，6.统计知识。这就是-2挖掘Need学习的内容，数据挖掘技术渗透了时代的方方面面，数据挖掘是一门交叉学科。如果对项目感兴趣，推荐CDA 数据分析师课程。
