数据 挖掘，数据挖掘Summary数据挖掘差从机学习数据7 ②机器学习关注已知任务，而数据 挖掘搜索隐藏信息。
1。分类就是在数据 library中找出一组数据对象的共同特征，并按照分类模式将其划分到不同的类中。其目的是通过分类模型对数据 library中的数据 objects进行分类。它可以应用于应用分类和趋势预测。比如淘宝店铺将用户在一段时间内的购买行为进行分类，根据情况向用户推荐相关商品，从而增加店铺的销量。主要的分类方法有:决策树、KNN方法、SVM方法、VSM方法、贝叶斯方法、神经网络等。
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 挖掘技术可以根据历史产量预测好的产品数据，从而改善工艺参数，降低不良率；畜牧业可以利用数据 挖掘技术，根据对动物体温的测量来预测动物是否患病，从而提前防控；医院可以基于数据 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。以下是数据 挖掘技术方法的相关介绍:1。神经网络神经网络由于其良好的鲁棒性、自组织和自适应性、并行处理、分布式存储和高容错性，非常适合解决数据 挖掘的问题。
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。
3、要学 数据 挖掘需要哪些基础Learning数据挖掘需要以下基础:1。学习基础数学课程，主要是线性代数，概率论，统计学等。2.编程语言，比如c /java和python，再加上一个方便的应用语言，比如matlab。3.上一些机器学习的课程，了解一下这个领域在研究什么，看一些公开课或者书籍。4.良好的英语基础，良好的基本读写能力。5.整理相关的计算机知识。学好数学挖掘可以拿到相关证书，比如CDA 数据分析师，-2挖掘老师等。
