数据挖掘是什么，数据挖掘的学习路线是什么？

数据挖掘需要掌握高深的分析技能，高深的算法，需要掌握程序开发，这样，就能把数据挖掘工作做好，实际上不是这样的。着魔于高深的算法和程序开发，只能让你走火入魔。在工作中，最好的数据挖掘工程师是一定是最熟悉和理解业务的人。

2、数据挖掘与数据分析的区别

数据分析与数据挖掘的界定非常的模糊。但有一点可以确定，数据分析输出的是统计结果，比如总计，平均值等，数据挖掘输出的是模型或规则，工作中，仅此一点区别，而已。

(二)通过经典案例来学习数据挖掘，以达到触类旁通

对于数据挖掘的学习心得，jacky认为学习数据挖掘一定要结合业务背景、案例背景来学习，这样才是以解决问题为导向的学习方法。那么，大体上，数据挖掘经典案例有以下几种：

1、预测未来一段时间用户是否会流失

2、某个促销活动用户是否会响应参加

3、评估用户信用度是好还是差

4、细分现有的目标市场

5、对现有客户群进行群体细分

6、提升商品销售及交叉销售

7、一群用户购买了很多商品之后，哪些商品同时购买的几率比较高

8、预测未来的销量

9、天气预报中预测明天的气温是怎样的

10、国家的年底规划中，预测明年的GDP增长率是怎样的

数据挖掘要做的就是把上述类似的商业问题转化为数据挖掘问题

那么，问题来了，我们该如何把上述的商业问题转化为数据挖掘问题呢?我们可以对数据挖掘问题进行细分，分为四类问题：分类问题、聚类问题、关联问题、预测问题;

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，我们需要掌握分类的特点，知道什么是有监督学习，掌握常见的分类方法:决策树、贝叶斯、KNN、支持向量机、神经网络和逻辑回归等;

2、聚类问题

细分市场，细分客户群体都属于数据挖掘的聚类问题，我们要掌握聚类特点，知道无监督学习的概念，了解常见的聚类算法，例如划分聚类、层次聚类、密度聚类、网格聚类、基于模型聚类等。

3、关联问题

交叉销售问题等属于关联问题，关联分析也叫购物篮