- 1. 数据挖掘与数据分析的区别
- 2. 数据挖掘案例
- 3. 数据挖掘问题
- 3.1 分类问题
- 3.2 聚类问题
- 3.3 关联问题
- 3.4 预测问题
- 4. 学习路线
- 数据挖掘：输出的是模型和规则；
- 数据分析：输出的是统计结果。
数据挖掘问题大致可以分为以下4类：分类问题、聚类问题、关联问题、预测问题。
3.1 分类问题用户流失预测、促销活动响应，评估用户度都属于数据挖掘的分类问题。
常见的分类算法：决策树、贝叶斯、KNN、支持向量机、神经网络、逻辑回归。
细分市场，细分客户群体都属于数据挖掘的聚类问题。
常见的聚类算法：划分聚类、层次聚类、密度聚类、网格聚类、基于模型聚类等。
交叉销售问题等属于关联问题。
常见的关联分析算法：Aprior算法、Carma算法，序列算法等。
常见的预测分析算法：简单线性回归分析、多重线性回归分析、时间序列等。
4. 学习路线- 统计学
- 数据库
- SPSS
- Python：
- Pandas库的操作：pandas分组计算、pandas索引与多重索引、pandas多表操作与数据透视表
- numpy数值计算：Numpy array、数组索引操作、数组计算、Broadcasting
- 数据可视化：Matplotib、seaborn、pandas绘图功能
- 数据挖掘入门算法：
- 最小二乘法
- 梯度下降
- 向量化
- 极大似然估计
- Logistic Regression 逻辑回归
- Decision Tree 决策树
- Random Forest 随机森林
- XGBoost
文章参考：https://blog.csdn.net/zhinengxuexi/article/details/87882734
