数据仓库一数据挖掘的有效平台 数据仓库中的数据清理和数据集成,是数据挖掘的重要数据预处理步骤，数据仓库提供OLAP工具,可用于不同粒度的数据分析

从数据分析的角度看,数据挖掘可以分为描述 性挖掘和预测性挖掘 描述性挖掘:以简洁概要的方式描述数据,并提供 数据的有趣的一般性质。 预测性数据挖掘:通过分析数据建立一个或一组模 型,并试图预测新数据集的行为

1 数据科学 2 数据挖掘

第一章、数据挖掘概论 数据挖掘:数据库中的知识挖掘(KDD)

• 数据挖掘算法没有好坏，根据数据与数据分析需求的特点确定算法 • 数据挖掘建模标准（CRISP-DM） – 定义商业问题，理解业务背景，了解业务需求 – 数据探索、预处理与分析 – 确定可能的模型，并验证评估 – 选择分析较优算法，并进一步调优 – 应用部署模型

电子商务与数据挖掘——完美结合 在电子商务中进行成功的数据挖掘得益于: 电子商务提供海量的数据 如果一个电子商务网站平均每个小时卖出五件物品,那么它一 个月的平均点击量是160万次

• 业务理解 • 数据理解 • 数据质量问题与预处理 • 数据分析常见陷阱 • 数据分析方法的选择 • 数据分析结果的评价 • 数据分析团队的组建 • 数据分析人才培养的难题

KDD*模型是基于双库协同机制的知识发现新模型,是结构化数据挖掘领域研究的一个新的分支.为了进一步提高KDD*的智能性,设计了一个基于Multi-agent技术的智能数据挖掘系统.利用多智能体技术,实现了数据预处理、数据挖掘、知识的自动获取、基础数据库与知识库的同步进化与协调、知识的评价与表示等功能

数据库技术的演化(2) 1980s晚期: 各种高级数据库系统(扩展的关系数据库面向对象数据库等 等)

为什么要数据挖掘原语和语言? 一个完全自动(不需要人为干预或指导)的数据挖掘 机器只可能是“一只疯了的怪兽