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。
' \# B  q& O  ^" O' n, k
1 s# ^2 G* r& c4 E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
1)数据挖掘能做以下七种不同事情　　（分析方法）： 　　
! [( z: g, w5 u4 e% ?1 Y数据挖掘
4 Y0 V/ c9 |, l· 分类 （Classification） 　　
· 估计（Estimation） 　　
! J" N; }5 r% H2 {! w0 a7 F+ _· 预测（Prediction） 　　
· 相关性分组或关联规则（Affinity grouping or association rules） 　　
- ^  S: o  J% J! }  U7 F  a· 聚类（Clustering） 　　
( _+ n& o  p/ I, j# W2 c· 描述和可视化（Description and Visualization） 　　
1 r% R6 `6 Y- p· 复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
2)数据挖掘分类　　
# b$ b0 R. \& B3 z# i  @9 t0 T) e/ w4 X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 　　
9 |" y: [  \/ U0 e  b· 直接数据挖掘 　　
8 x& p' t" T3 m9 {% m7 G! c' s& F! ]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。 　　
· 间接数据挖掘 　　
6 }0 ^0 P, K& M2 y6 Q& @& {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 。 　　
· 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
: Y% V1 @3 b( N

data-science

为了知识，为了体力~~
; b* F; ^6 v/ H) C. h- O. }) _9 S

千寻百步

为了知识，为了体力~~1 c#