大学数据挖掘课件1-第一讲(数据挖掘的直观认识及综述).ppt

数据挖掘是从大量、不完全、有噪声、模糊、随机的数据中提取隐含的、人们事先不知道的、但潜在有用的信息和知识的过程。它的概念与技术研究角度主要涉及数据库技术、统计学和机器学习等领域。数据挖掘被视为知识发现（KDD）过程中的一个关键步骤，其中KDD是一个包含多个阶段的综合过程，包括学习应用领域、建立目标数据集、数据清理与预处理、数据转换、选择数据挖掘算法、数据挖掘、模式解释和知识评价等。 数据挖掘的应用领域广泛，包括金融数据分析、零售业分析、电信业分析、生物学数据分析以及其他科技应用，每个领域都利用数据挖掘来进行多维分析、预测、模式识别等任务。数据挖掘的任务可大致分为七类，即概念描述（包括特征化和区分）、关联分析、时序模式、聚类、分类、偏差检测和预测。 数据挖掘的兴起可以追溯到20世纪60年代的数据库技术发展，直到2000年代的大规模发展，其背后有着对大量数据进行深度分析以支持决策的需求牵引。这门学科的出现推动了数据库、统计学、机器学习、人工智能、可视化技术、并行计算等多个领域的研究者和工程师共同参与，形成了新的技术热点。同时，数据挖掘也被用于信息管理、查询优化、决策支持、过程控制以及数据自身的维护。 在教学材料中，提到了两本教科书和参考书，分别是Jiawei Han和Micheline Kamber著的《数据挖掘：概念与技术》（机械工业出版社，2015年版）以及David Hand, Heikki Mannila和Padhraic Smyth合著的《数据挖掘原理》（机械工业出版社，2003年版）。这些书籍为学习数据挖掘提供了理论基础和实际应用的参考。 数据挖掘的直观认识可类比于从矿石中采矿，原始数据就像是矿石，而数据挖掘就是从这些数据中提取有价值的知识。发现知识的方法既可以是数学的，也可以是非数学的；既可以是演绎的，也可以是归纳的。数据挖掘的目的是将数据转化为可用于不同领域的知识，以支持各项决策和行动。 随着技术的发展，数据挖掘的应用正变得越来越重要。在金融领域，数据挖掘帮助分析贷款偿还、信用政策、顾客分类和侦破金融犯罪；在零售业，数据挖掘通过分析顾客行为和产品销售来优化促销活动和提升顾客忠诚度；在电信业，数据挖掘通过多维关联和序列模式分析来提升服务质量；在生物学领域，数据挖掘助力基因组和蛋白质组的数据分析与结构模式的发现。此外，数据挖掘在其他科技应用领域也扮演了重要角色，比如数据仓库的构建、复杂数据类型的挖掘和特定领域知识的应用。 数据挖掘是一个多维度、跨学科的领域，它通过综合运用多种算法和技术，将原始数据中的信息和知识转变为有用的决策支持，从而在各个行业和领域发挥着越来越重要的作用。