3、大数据挖掘：从概念到实践

大数据挖掘：从概念到实践

1. 机器学习与大数据的兴起

科技的进步是推动机器学习在数据分析领域发展的关键因素，如今机器学习已成为行业内常用的术语。像自动驾驶汽车、能根据交通模式调整的地图交通数据，以及Siri和Cortana等数字助理，都是机器学习在实体产品中商业化的实例。

大数据无疑是一个广泛的主题，乍一看可能过于复杂。但熟能生巧，学习大数据也是如此，你参与得越多，对相关主题和术语就越熟悉，对这个主题也会越得心应手。深入研究大数据分析的各个维度，有助于你培养对这一主题的直觉。

2. 大数据挖掘的定义

大数据挖掘是大数据分析的两大主要类别之一，另一个类别是预测分析。简单来说，大数据挖掘指的是处理大规模数据集的整个生命周期，从数据采购到使用相应工具进行分析和实施。

3. 企业中的大数据挖掘

在大中型企业中实施大数据解决方案是一项具有挑战性的任务，因为需要考虑的因素极其动态和多样，其中最重要的是确定该解决方案要解决的具体业务目标。

3.1 制定大数据战略的步骤

• 确定需求方 ：确定哪些业务部门将从大数据挖掘解决方案中获益最大是第一步。通常这些部门已经在处理大量数据集，对业务至关重要，且对收入有直接影响。例如，制药企业中的商业研究、流行病学、健康经济学和成果部门；金融服务企业中的算法交易部门、定量研究部门甚至后台部门。
• 确定用例 ：前一步确定的部门可能已经有一个能满足其需求的平台。在多个用例和部门之间进行优先级排序，需要对各业务部门的工作有深入了解。确定有影响力的分