1.数据挖掘又称从数据中发现知识，后者英文简称为 KDD。（Knowledge discovery from database）
2.在这个大数据爆炸的时代，我们期待能够从这些数据中提炼出有用的知识***，解决的方法就是数据仓库技术和数据挖掘技术。***
3.从存储方式对数据类型进行分类，可分为 结构化 数据和 非结构化 数据。
4.预测的模型构建需要 历史数据 来进行分析。
5.一般数据挖掘的流程顺序：
1.了解应用领域，了解相关的知识和应用目标；
2.创建目标数据集；
3.选择数据，数据清洗和预处理；
4.选择数据挖掘的技术、功能和合适的算法；
5.寻找感兴趣的模式、模式评估、知识表示。6.数据挖掘
（1）作用对象：结构化数据，文本，多媒体数据
（2）方法：分类，聚类，关联，数值预测，序列分析，社会网络分析。
（3）分类（classification）——常用的数据挖掘技术
对具有类别的队形所形成的数据集，进行学习。就是根据有类别的数据提供的信息来概括类别的主要特征，构建分类的模型或规则，根据该模型或规则，预测对象的类别。
分类的输出是离散的类别值。
典型应用：决策树模型
（4）聚类（Clustering）
根据物以类聚的原理，将没有类别的对象，根据对象的特征，自动聚成不同簇的过程，使得同一个簇的对象之间——非常相似，属于不同簇的对象之间——不相似。
典型应用：客户群分类
（5）分类与聚类的区别：
相同：都属于对数据进行归类；
不同：分类针对有标签的数据分析；聚类针对没有标签的数据。
通俗来说，分类是有人事先给出了分类依据；而聚类需要自己去总结分类的依据。
（6）关联（Association）
发现数据之间的关联规则
关联分析是数据分析中常用的分析方法
典型应用：主要用于购物篮分析
（7）数值预测
用于连续变量的取值，
常用方法：回归分析
异常点挖掘（孤立点分析）
应用：信用卡客户欺诈检测
（8）数据挖掘是多学科的融合，包括算法、数据库、统计学以及机器学习。
（9）数据挖掘的应用
主要有 描述性数据挖掘 和 预测性（探索性）数据挖掘。
应用领域：市场分析与管理，风险分析与管理、欺骗检测和异常模式的检测（孤立点）
####数据对象及属性类型
数据处理是数据挖掘的基本处理步骤。
若数据对象放在数据库中，则它们是数据元祖；数据库的行对应与数据对象，而列对应于属性。
属性是一个数据字段，表示数据对象的一个特征。属性类别：
a.标称属性：是一些符号或事物的名称。数学运算没有意义。
b.二元属性：特殊的标称属性，只有两个类别，0和1.对称与非对称属性。 定性
c.序数属性：代表数值的顺序，例如优，差，良等标识。
d.数值属性：可度量的量。用整数和实数表示。
e.比率标度：有真正的零值标准。
