数据挖掘实训总结五篇范文.docx

数据挖掘实训总结五篇范文

第一篇：数据挖掘实训总结数据挖掘实训总结简单来说，数据挖掘是基于“归纳”的思路，从大量的数据中（因为是基于归纳的思路，因此数据量的大小很大程度上决定了数据挖掘结果的鲁棒性）寻找规律，为决策提供证据。从这种角度上来说，数据挖掘可能并不适合进行科学研究，因为从本质上来说，数据挖掘这个技术是不能证明因果的，以一个最典型的例子来说，例如数据挖掘技术可以发现啤酒销量和尿布之间的关系，但是显然这两者之间紧密相关的关系可能在理论层面并没有多大的意义。不过，仅以此来否定数据挖掘的意义，显然就是对数据挖掘这项技术价值加大的抹杀，显然，数据挖掘这项技术从设计出现之初，就不是为了指导或支持理论研究的，它的重要意义在于，它在应用领域体现出了极大地优越性。现代的商业社会中，充斥着大量的信息，如何从这些信息中迅速的定位并找到有价值的信息显然可以成为企业制胜的关键，毕竟在这个信息过载的世界里，基于多少信息所做出的决策会显著的影响决策的质量和科学性，而数据挖掘技术就使这种归纳决策得到了实现。数据挖掘可以从企业数据仓库中定位有价值的、但是并未事先被企业员工或者高层管理者知道的信息，并对这些信息进行一些基本的分析（例如聚类、回归等）。从目前的应用来看，将数据挖掘技术应用在营销或企业决策方面，管理者遵循的逻辑是“消费者过去的行为会极大的影响甚至决定未来所做出的选择”，而过往真实的数据显然就是对消费者行为最真实的记录，从中挖掘出的规律对于企业决策自然是至关重要的。一项好的技术并不一定要面面俱到，就像数据挖掘一样，目前来说，这项技术在理论研究中应用可能并不合适，但是用于实际决策或者企业营销的过程中，显然可以令过往数据完备的企业获益匪浅下面是个人对数据挖掘技术的认识，和大家讨论一下：1、数据挖掘是种知识发现，是种foresight（预见性）。它不同于数据分析的就是它从大量的数据中找到信息，信息中发掘出知识，拿这个知识来指导实践。而数据分析就是insight，找到这种现象的原因。2、数据挖掘是一个过程，需要有反馈，验证，循环往复。不要期望很快就能得到一个好的模型或结论；不要期望一下找到最优。3、数据挖掘是任务驱动的，不合适由研发来推动。商业数据挖掘应该由市场或销售来发起，他们会发现一些最根本的问题，而这些问题往往是用“提高”或“改善”这样的语言来描述的。并且他们能提供一些经验，有效帮助研发来明确关键的特征，需要特别关注反馈的特征。描述问题，准备数据是数据挖掘的关键。4、常用的数据挖掘方法就这么几类，模型虽然有好有坏，但是原理是一样的。建议用通用的工具，最基本的方法先对数据进行一下分析，看看哪类模型是最适合的。常用的方法是聚类(K-means)，分类(决策树)，关联分析(Apriori)。常用的工具SPSS，Minitab,SAS.如果你要成为一名研发人员，为了数据挖掘而数据挖掘是不合适的，为了测试某个模型而去用某个模型也是不合适的，一拿到任务就定制算法更是不合适的。分析要实现什么，能实现什么需要广泛收集大家的意见，特别是做决策的。我们要比决策者更关注得到结论的过程，并要想方设法努力展现。第二篇：数据挖掘总结数据挖掘总结（职业篇）数据分析微信公众号datadw——关注你想了解的，分享你需要的。前面对数据挖掘相关资源等等进行了总结。但是，很多人不明白学习数据挖掘以后干什么，这个问题也经常被问到。记得刚学数据挖掘的时候，有一个老师说学数据挖掘有什么用，你以后咋找工作。当时听了，觉得很诧异，不知道他为何有此一问。数据挖掘在国外是一份很不错的工作。我喜欢数据挖掘，因为它很有趣。很高兴以后就从事这方面的工作啦。写论文之余，也考虑一下数据挖掘工程师的职业规划。以下是从网上找的一些相关资料介绍,和即将走上数据挖掘岗位或是想想这方面发展的朋友共享：BI职业发展方向：数据分析师---商业分析师--管理者但是在每个公司，可能有不同的发展方向，但是大致上是从数据挖掘工程师起步。DMFighter：数据挖掘从业人员工作分析1.数据挖掘从业人员的愿景：数据挖掘就业的途径从我看来有以下几种，（注意：本文所说的数据挖掘不包括数据仓库或数据库管理员的角色）。A：做科研(在高校、科研单位以及大型企业，主要研究算法、应用等)B：做程序开发设计（在企业做数据挖掘及其相关程序算法的实现等）C：数据分析师（在存在海量数据的企事业单位做咨询、分析等）2.数据挖掘从业人员切入点：根据上面的从业方向倒序并延伸来说说需要掌握的技能。C，数据分析师：需要有深厚的数理统计基础，可以不知道人工智能和计算机编程等相关技术，但是需要熟练使用主流的数据挖掘（或统计分析）工具。从这个方面切入数据挖掘领域的话你需要学习《数理统计》、《概率论》、《统计学习基础：数据挖掘、推理与预测》、《金融数据挖掘》,《业务建模