建模方法学习2，数据挖掘(1)

百年孤独

数据挖掘利用了来自如下一些领域的思想：(1) 来自统计学的抽样、估计和假设检验，(2) 人工智能、模式识别和机器学习的搜索算法、建模技术和学习理论。数据挖掘也迅速地接纳了来自其他领域的思想，这些领域包括最优化、进化计算、信息论、信号处理、可视化和信息检索。一些其他领域也起到重要的支撑作用。特别地，需要数据库系统提供有效的存储、索引和查询处理支持。源于高性能（并行）计算的技术在处理海量数据集方面常常是重要的。分布式技术也能帮助处理海量数据，并且当数据不能集中到一起处理时更是至关重要。
! g9 j, l: p: {- v: t
看得出来该方法与遗传算法的联系，完全可以考虑在两者之间建立一些联系
( R) u( |+ S9 |" @1)数据挖掘能做以下七种不同事情　　（分析方法）： 　　
! `4 S. c" Z: f1 W数据挖掘
* W$ Z. X/ K1 h; [; h; u· 分类 （Classification） 　　
· 估计（Estimation） 　　
· 预测（Prediction） 　　
· 相关性分组或关联规则（Affinity grouping or association rules） 　　
· 聚类（Clustering） 　　
% U1 G/ a; l4 M2 L5 s2 X( _) r· 描述和可视化（Description and Visualization） 　　
( B- f, U$ [4 x' A4 B% }. t· 复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
6 h5 N  j, R+ h8 w$ w2)数据挖掘分类　　
2 X& ], P  D5 O2 }1 m' r以上七种数据挖掘的分析方法可以分为两类：直接数据挖掘；间接数据挖掘 　　
8 D8 g6 j, R  S2 l; n· 直接数据挖掘 　　
8 j) B# n# x& m" @目标是利用可用的数据建立一个模型，这个模型对剩余的数据，对一个特定的变量（可以理解成数据库中表的属性，即列）进行描述。 　　
# G, j% ~# q0 Z· 间接数据挖掘 　　
  J5 H; l9 c( V8 C3 N$ `5 {目标中没有选出某一具体的变量，用模型进行描述；而是在所有的变量中建立起某种关系 。 　　
1 {; M) X1 H+ z6 P* t· 分类、估值、预言属于直接数据挖掘；后四种属于间接数据挖掘
% I! k3 S* o7 L' D/ d& \8 U1 c  M! g

data-science

为了知识，为了体力~~
  z+ Q& T( `- V9 @0 f) l* \

千寻百步

0 _0 Q. y1 E( V6 r为了知识，为了体力~~1 c#
2 o* _3 w9 `/ f6 A! ^1 |7 D1 v" L. m