数据挖掘概念与技术课后笔记

                                                                                           数据挖掘概念与技术一

数据爆炸：自动数据收集工具和成熟的数据库技术使大量的数据被收集，储存在数据库、数据仓库或其他信息库中以待分析。

数据挖掘:从大量的数据中挖掘令人感兴趣的、有用的、隐含的、先去未知的和可能有用的模式或知识。
数据挖掘应用：数据分析和决策支持。
市场分析和管理、风险分析和管理欺骗检测和异常模式的监测（孤立点）、文本挖掘和WEB挖掘、流数据挖掘、DNA和生物数据分析。
数据库中的知识挖掘（KDD）：数据库（数据清理和数据集成）-->数据仓库（任务相关数据）-->数据挖掘-->模式评估-->Knolwledge
知识挖掘的步骤：
1：了解应用领域（相关的知识好应用的目标）
2：创 建目标数据集：选择数据
3：数据清理和预处理数
4：数据缩减和预处理
5：选择数据挖掘功能：数据总结，分类，回归分析，关联规则，聚类分析等。
6：选择数据挖掘的算法
7： 据挖掘：寻找感兴趣的模式
8：模式评估和知识表达
9：运用发现的知识
商业智能：数据源--预处理--数据仓库--数据统计分析查询和报告--数据挖掘（信息发现）--数据表示（可视化）--决策支持
数据挖掘的数据来源：关系数据库、数据仓库、事务数据库、高级数据库系统和信息库（空间数据库【地图矢量存储】、时间数据库和时间序列数据库【存放包含时间相关属性的时间】、流数据【连续的、有序的、变化的、快速的、大量的数据输入的数据<网络监控、网页点击流、股票市场><存储在内存上，非流媒体是存储在本地磁盘上>】、多媒体数据库（实现计算机管理庞大的多媒体数据<图形、图像、声音、视频>，二进制大对象（将多媒体数据看成二进制））、面向对象的数据库和对象-关系数据库（数据以对象的形式存储）、异种数据库（历史数据库存储方式不同，数据表达方式不同，数据共享：数据库转换，实现数据的透明访问<用抽象层屏蔽掉各个数据的不同>）和历史数据库LEGACY（WEB SERVICE技术有利于历史数据库数据的重新利用）、文本数据库<存储的是对对象的文字性描述，分为无结构（大部分的文本资料和网页）、半结构（XML树型结构）和结构类型(图书馆数据)>和万维网）


数据挖掘的方法：
1：概念/类描述：特征化和区分。
2：关联分析
3：分类和预测
4：聚类分析
5：孤立点分析
6：趋势和演变分析
7：其他定向模型或统计分析