数据挖掘、机器学习、深度学习这些概念有区别吗？ 感觉不一样，但又感觉差不多啊。数据挖掘：也就是data mining，是一个很宽泛的概念。字面意思就是从成吨的数据里面挖掘有用的信息。这个工作BI（商业智能）可以做，数据。
数据挖掘概念与技术的内容简介 数据挖掘1 数学预备知识概率论：支撑整个数据挖掘算法和机器学习算法的数学基础，要熟悉常见的一些概率分布。矩阵论：线性代数中对数据挖掘最有用的部分，还有一些线性空间相关知识也很重要。信息论：将信息和数学紧密连接在一起并完美的表达的桥梁，需要掌握信息熵、信息增益等相关知识。统计学：数据分析最早的依赖基础，通常和概率论一起应用，现在的机器学习和数据挖掘很多都是基于统计的，常见的均值、方差、协方差等都要熟练掌握。2 编程基础数据挖掘需要一定的编程基础，因为要实现模型以及数据的处理很多工作都是需要程序来进行的，数据挖掘常用的编程语言如下：SQL：数据库的熟练使用是任何数据挖掘人员必不可少的技能。C++：有很多的标准模板库以及机器学习模型库进行调用可以方便编程实现。Python：对字符串处理有极大的优势，是解释型语言，实现简单，而且有很多开源的机器学习模型库的支持，可处理大规模数据。Matlab：拥有强大的矩阵运算，也是解释型语言，有很多发展较成熟库可以直接调用，支持数据结果的可视化表示，但是处理数据量有限。R：近年兴起的数据分析编程语言，数据可视化做的比较好，语法简单，学习成本很低，很多非程序设计人员都。
数据挖掘的概念？ 数据挖掘(Data Mining，简称DM)，简单地讲就是从大量数据中挖掘或抽取出知识，数据挖掘概念的定义描述有若干版本，以下给出一个被普遍采用的定义描述：数据挖掘，又称为数据库中知识发现(Knowledge Discovery from Database，简称KDD)，它是一个从大量数据中抽取挖掘出未知的、有价值的模式或规律等知识的复杂过程。整个知识挖掘(KDD)过程是由若干挖掘步骤e69da5e6ba907a686964616f31333332643831组成，而数据挖掘仅是其中的一个主要步骤。整个知识挖掘的主要步骤有：数据清洗(data clearning)，其作用就是清除数据噪声和与挖掘主题明显无关的数据；数据集成(data integration)，其作用就是将来自多数据源中的相关数据组合到一起；数据转换(data transformation)，其作用就是将数据转换为易于进行数据才它掘的数据存储形式；数据挖掘(data mining)，它是知识挖掘的一个基本步骤，其作用就是利用智能方法挖掘数据模式或规律知识；模式评佑(pattern evaluation)，其作用就是根据一定评估标准interesting measures)从挖掘结果筛选出有意义的模式知识；知识表示(knowledge presentation)，其作用就是利用可视化和知识表达技术，向用户展示所挖掘出的相关知识。
数据挖掘的概念和原理是什么 数据挖掘概述数据挖掘又称数据库中的知识发现（Knowledge Discover in Database，KDD），是目前人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭copy示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。数据挖掘的定义1.技术上的定义及含义数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。这个定义包括好几层含义：数据源必须是真实的、大量的、含噪声的；发现的是用户感兴趣的知识；发现的知识要可接受、可理解、可运用；并不要求发现放之四海皆准的知识，仅支持特定的发现问题。与数据挖掘相近的同义词有zhidao数据融合、人工智能、商务智能、模式识别、机器学习、知识发现、数据分析和决策支持等。数据挖掘的基本过程和主要步骤
数据挖掘：概念与技术（原书第3版） 书不错，买得值。从小我就喜欢读书，喜欢看数据方面的书。《》完整全面地讲述数据挖掘的概念、方法、技术和最新研究进展。本书对前两版做了全面修订，加强和重新组织了全书。
