Intelligent數(shù)據(jù)挖掘和知識發(fā)現(xiàn)的執(zhí)行摘要面臨著“人被數(shù)據(jù)淹死卻對知識”的挑戰(zhàn)。如何理解-3挖掘和知識Discovery數(shù)據(jù)Library知識Discovery(KDD)的關(guān)系來自。

數(shù)據(jù)挖掘(英文:Datamining)，又譯為數(shù)據(jù)挖掘，數(shù)據(jù)mining。它是數(shù)據(jù)Library知識Discovery(簡稱KDD)中的一個步驟。數(shù)據(jù) 挖掘一般指通過算法搜索隱藏在大量數(shù)據(jù)中的信息的過程。北京IT培訓(xùn)的發(fā)現(xiàn)-3挖掘通常與計算機科學(xué)有關(guān)，通過統(tǒng)計學(xué)、聯(lián)機分析處理、信息檢索、機器學(xué)習(xí)、專家系統(tǒng)(依靠過去的經(jīng)驗規(guī)則)和模式識別來實現(xiàn)上述目標(biāo)。

涉及到很多算法，比如機器學(xué)習(xí)衍生的神經(jīng)網(wǎng)絡(luò)和決策樹，基于統(tǒng)計學(xué)習(xí)理論的支持向量機，分類回歸樹，相關(guān)分析等。數(shù)據(jù) 挖掘的定義是從海量的數(shù)據(jù)或知識中尋找有意義的模式。大數(shù)據(jù)是指數(shù)據(jù)在可承受的時間范圍內(nèi)，常規(guī)軟件工具無法捕捉、管理和處理的集合。它是一種信息資產(chǎn)，需要新的處理模式，以具有更強的決策、洞察力和流程優(yōu)化能力，以適應(yīng)海量、高增長率和多樣化。

數(shù)據(jù)挖掘也稱為數(shù)據(jù)knowledge discoverin database(KDD)在庫中是當(dāng)前的人工智能和。所謂數(shù)據(jù) 挖掘是指從大量數(shù)據(jù)庫中揭示隱藏的、以前未知的、潛在有價值的信息的非凡過程。數(shù)據(jù) 挖掘是決策支持過程，主要基于人工智能、機器學(xué)習(xí)、模式識別、統(tǒng)計學(xué)、數(shù)據(jù)數(shù)據(jù)庫、可視化技術(shù)等。，并對自動化程度較高的企業(yè)的數(shù)據(jù)進(jìn)行分析并做出總結(jié)。

數(shù)據(jù)挖掘是指通過算法搜索隱藏在大量數(shù)據(jù)中的信息的過程。數(shù)據(jù) 挖掘它通常與計算機科學(xué)有關(guān)，利用統(tǒng)計學(xué)、聯(lián)機分析處理、信息檢索、機器學(xué)習(xí)、專家系統(tǒng)(依靠過去的經(jīng)驗規(guī)則)、模式識別等多種方法來達(dá)到上述目的。數(shù)據(jù)挖掘Yes數(shù)據(jù)Library知識Discovery(KDD)是不可或缺的一部分，KDD是未加工的-。這個過程包括一系列轉(zhuǎn)換步驟，從數(shù)據(jù)的預(yù)處理到數(shù)據(jù) 挖掘結(jié)果的后處理。

這些工作都是基于之前研究者使用的方法論和算法，在數(shù)據(jù) 挖掘領(lǐng)域達(dá)到了一個高潮。特別是，數(shù)據(jù) 挖掘運用了來自以下領(lǐng)域的思想:(1)來自統(tǒng)計學(xué)的抽樣、估計和假設(shè)檢驗；(2)人工智能、模式識別和機器學(xué)習(xí)的搜索算法建模技術(shù)和學(xué)習(xí)理論。數(shù)據(jù) 挖掘也很快接受了其他領(lǐng)域的思想，包括最優(yōu)化、進(jìn)化計算、信息論、信號處理、可視化和信息檢索。

數(shù)據(jù)挖掘技術(shù)是數(shù)據(jù)數(shù)據(jù)庫技術(shù)、統(tǒng)計技術(shù)和人工智能技術(shù)發(fā)展的產(chǎn)物。從技術(shù)的角度來看,數(shù)據(jù) 挖掘的主要方法有:(1)決策樹方法:用樹形結(jié)構(gòu)表示決策集，通過對數(shù)據(jù)集進(jìn)行分類來生成規(guī)則。國際中影響最大、最早的決策樹方法是ID3方法，后來又發(fā)展了其他決策樹方法。(2)規(guī)則歸納方法:通過統(tǒng)計歸納，提取有價值的規(guī)則。

(3)神經(jīng)網(wǎng)絡(luò)方法:從結(jié)構(gòu)上模擬生物神經(jīng)網(wǎng)絡(luò)，基于模型和學(xué)習(xí)規(guī)則，建立前饋網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)和自組織網(wǎng)絡(luò)三種神經(jīng)網(wǎng)絡(luò)模型。該方法可以通過訓(xùn)練學(xué)習(xí)非線性預(yù)測模型，可以完成分類、聚類、特征等多項任務(wù)挖掘數(shù)據(jù)挖掘。(4)遺傳算法:模擬生物進(jìn)化過程的算法，由繁殖(選擇)、交叉(重組)、變異(突變)三種基本算子組成。為了應(yīng)用遺傳算法，需要將數(shù)據(jù) 挖掘 task表示為一個搜索問題，以充分發(fā)揮遺傳算法的優(yōu)化搜索能力。

面對“人被數(shù)據(jù)淹沒卻又對知識”的挑戰(zhàn)，數(shù)據(jù) 挖掘和知識發(fā)現(xiàn)技術(shù)。數(shù)據(jù) 挖掘涉及人工智能、模式識別、機器學(xué)習(xí)、統(tǒng)計學(xué)等領(lǐng)域。因此，我們在教材中體現(xiàn)反映當(dāng)代科技發(fā)展特點的交叉學(xué)科知識交叉學(xué)科和最新成果。同時，本書從智能信息處理和數(shù)據(jù) 挖掘兩大主題出發(fā)，重點講述了如何將智能信息處理中的最新技術(shù)應(yīng)用于數(shù)據(jù) 挖掘領(lǐng)域，如智能搜索、分類、聚類、智能決策等。

第二章介紹-3挖掘的理論基礎(chǔ)；第三章詳細(xì)討論了數(shù)據(jù) 挖掘的計算智能方法的理論基礎(chǔ)。第四章討論了神經(jīng)網(wǎng)絡(luò)和進(jìn)化計算的分類方法；第五章全面討論了支持向量機和核分類方法。第六章詳細(xì)討論了綜合分類法；第七章系統(tǒng)論述了-3挖掘中大型數(shù)據(jù)的聚類方法。第八章討論關(guān)聯(lián)規(guī)則挖掘方法；第9章介紹-3挖掘示例和可視化。在第三章之后的每一章中都給出了該方法的實驗條件和結(jié)果。

數(shù)據(jù)Library知識Discovery(KDD)是從數(shù)據(jù) set中識別有效的、新穎的、潛在有用的、最終可理解的模式的非凡過程。它由九個步驟組成，從開發(fā)和了解應(yīng)用領(lǐng)域到知識發(fā)現(xiàn)，數(shù)據(jù) 挖掘是其中的一個步驟(第七步)，而數(shù)據(jù)Library知識Discovery(KDD)過程主要是在一個特定的表象或一組這樣的表象中尋找感興趣的模式。