数据挖掘也被翻译为数据挖掘和数据挖掘。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。这是数据库知识发现的一个步骤。数据挖掘一般是指从大量数据中自动寻找隐藏着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性分析、聚类分析、分类分析、异常分析、特殊群体分析和演化分析。
从数据挖掘项目实践来看，对于挖掘兴趣来说，沟通能力是最重要的。只有有了爱好，你才会愿意学习。只有具备良好的沟通能力，才能正确理解商业问题，正确将商业问题转化为挖掘问题，并在相关专业人士中清晰地表达自己的意图和想法，获得他们的理解和支持。所以我觉得沟通能力和兴趣爱好是个人数据挖掘的核心竞争力，比较难学；其他相关专业知识谁都可以学，这不是个人发展的核心竞争力。
5、什么是数据挖掘?数据挖掘怎么做啊?关于什么是数据挖掘，许多学者和专家给出了不同的定义。下面是一些常用语:“简而言之，数据挖掘就是从大量数据中提取或‘挖掘’知识。这个术语实际上有点用词不当。数据挖掘应该更正确地命名为“从数据中挖掘知识”，不幸的是它有点长。许多人将数据挖掘视为另一个常用术语“数据库中的知识发现”或KDD的同义词。其他人只是把数据挖掘作为数据库中知识发现过程的一个基本步骤。
“使用基于计算机的方法，包括新技术，从数据中获取有用知识的整个过程称为数据挖掘。”《数据挖掘——概念、模型、方法和算法》(MehmedKantardzic)“数据挖掘，简而言之，就是从一个数据库中自动发现相关的模式。
6、什么是数据挖掘?数据挖掘怎么做啊关于什么是数据挖掘，许多学者和专家给出了不同的定义。下面是一些常用语:“简而言之，数据挖掘就是从大量数据中提取或‘挖掘’知识。这个术语实际上有点用词不当。数据挖掘应该更正确地命名为“从数据中挖掘知识”，不幸的是它有点长。许多人将数据挖掘视为另一个常用术语“数据库中的知识发现”或KDD的同义词。其他人只是把数据挖掘作为数据库中知识发现过程的一个基本步骤。
“使用基于计算机的方法，包括新技术，从数据中获取有用知识的整个过程称为数据挖掘。”《数据挖掘——概念、模型、方法和算法》(MehmedKantardzic)“数据挖掘，简而言之，就是从一个数据库中自动发现相关的模式。
7、什么是数据仓库和数据挖掘?DataWarehouse，英文名为DataWarehouse，可缩写为DW。数据仓库是决策支持系统的结构化数据环境和联机分析应用数据源。数据仓库研究和解决从数据库中获取信息的问题。数据仓库的特点是面向主题的、集成的、稳定的和时变的。数据挖掘是从大量数据中获取有效、新颖、潜在有用且最终可理解的模式的非凡过程。
8、数据仓库与数据挖掘技术—数据光滑Noise是被测变量的随机误差或方差。数据平滑技术:1 .分箱:通过检查数据的最近邻(即周围的值)来平滑有序数据的值。有序值分布在一些“桶”或盒子中，并且执行局部平滑，因为盒子分裂方法检查最近邻居的值。一般来说，宽度越大，平滑效果越大。2.回归:可以使用函数(如回归函数)来拟合数据，以平滑数据。线性回归包括找到适合两个属性的“最佳”线，以便一个属性可以用来预测另一个属性。
3.聚类:通过聚类可以检测出异常值，相似的值可以组织成组或簇。直觉上，落在分类集之外的值被视为异常值。4.手动检测数据集成结合了来自多个数据源的数据，并将它们存储在一致的数据存储中。在数据集成中，首先要考虑的是模式集成和对象匹配。冗余存在于数据集成中，这是另一个需要考虑的重要问题。一些冗余可以通过相关性分析来检测。相关并不意味着因果关系，即如果A和B相关，并不意味着A导致B或B导致A..
9、浅谈数据挖掘与数据仓库谈数据挖掘与数据仓库1数据挖掘1.1数据挖掘与传统数据分析的区别数据挖掘与查询、报表、在线应用分析等传统数据分析的本质区别在于，数据挖掘是在没有明确假设的情况下挖掘信息、发现知识。数据挖掘得到的信息应该具有三个特征:以前未知的、有效的、实用的。也就是说，数据挖掘就是寻找直觉找不到的信息或知识，甚至是违背直觉的信息或知识。挖掘出的信息越出人意料，可能就越有价值。
因此，数据挖掘与传统的分析方法有很大的不同。1.2数据挖掘的应用价值(1)分类:首先从数据中选择已经分类的训练集，在这个训练集上使用数据挖掘分类的技术，建立分类模型，对未分类的数据进行分类，(2)估计:类似于分类，区别在于分类描述的是离散变量的输出，而估计处理的是连续值的输出；分类是确定的数字，估计是不确定的。(3)聚类:将记录分组。
