学习data mining的7个步骤

2024-06-01 05:58
文章标签 学习 步骤 data mining

本文主要是介绍学习data mining的7个步骤，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

学习data mining的7个步骤(可以并行进行，或按不同次序进行)

1.语言：学习R， Python, SQL, 提交到 KDnuggets
2.工具：学习使用data mining和visualization工具
3.教材：阅读introductory textbook to understand the fundation.
4.教育：参加在线研讨会(webinars)，加入课程，拿到data scicence方面的degree或certificate
5.数据：检查可用数据资源，可参考此处：http://www.kdnuggets.com/news/subscribe.html
6.比赛：参加双周期email的data mining竞赛
7.与其他数据科学加交流，可通过社交网络，群组，会议的方式。

下面详细对以上7个步骤做以说明：
1.学习语言
KDnuggets对最受流行的data mining语言做了个调查，见
http://www.kdnuggets.com/2013/08/languages-for-analytics-data-mining-data-science.html
发现最流行的语言是R，Python和SQL。
以下是这些语言的学习资源：
Data Science with R(e-book): www.kdnuggets.com/2013/02/free-e-book-on-data-science-with-r.html

Getting Start with Python for Data Science:
https://www.kaggle.com/wiki/GettingStartedWithPythonForDataScience

Python for Data Analysis: Agile Tools for Real World Data
http://shop.oreilly.com/product/0636920023784.do

An Indispensable Python: Data sourcing to Data science
http://www.datasciencecentral.com/profiles/blogs/an-indispensable-python-data-sourcing-to-data-science

W3 Schools Learning SQL
http://www.w3schools.com/sql/

2.Data mining需要的工具。
针对Data mining不同的任务，需要使用不同的工具。所以要想能完整地完成数据分析工作需要掌握一系列工具，使之形成一个工具集。

起步工具：可以使用开源的免费工具，如:
KNIME: www.knime.org
RapidMiner: http://rapidminer.com/products/rapidminer-studio/
Weka: www.cs.waikato.ac.nz/ml/weka/

在分析工作中常用到的一个工具：
SAS：http://www.sas.com/en_us/home.html
这是一个商业化工作，使用广泛

其他流行的工具包括：
MATLAB,
StatSoft STATISTICA,
Microsoft SQL Server
Tableau
IBM SPSS Moderler
Rattle
详见：http://www.kdnuggets.com/polls/2013/analytics-big-data-mining-data-science-software.html

可视化工具：
Microsoft Excel
R graphics: http://cran.r-project.org/web/views/Graphics.html(特别是其中的ggplot2: http://cran.r-project.org/web/packages/ggplot2/index.html)
Tableau: http://www.tableau.com/(非常出色)
TIBCO Spotfire
Miner3D

3.教材
有大量与data mining和data science相关的教材，详见
http://www.kdnuggets.com/publications/books.html
以下是几本推荐的：
n 《Data Mining and Analysis: Fundamental Concepts and Algorithms》，by Mohammed Zaki and Wagner Meira Jr.见
http://www.kdnuggets.com/2013/09/data-mining-analysis-fundamental-concepts-algorithms-download-pdf-draft.html

n 《Data Mining: Practical Machine Learning Tools and Techniques》by Ian Witten, Eibe Frank, and Mark Hall, from the authors of Weka, and using Weka extensively in examples.
见：http://www.cs.waikato.ac.nz/ml/weka/book.html

n 《The Elements of Statistical Learning, Data Mining,Inference, and Predictionm》by Trevor Hastie, Robert Tibshirani, Jerome Friedman这是一本从数学角度出发的不错的概述性书籍
见：http://statweb.stanford.edu/~tibs/ElemStatLearn/

n 《LIONbook: Learning and Intelligent Optimization》, by Roberto Battiti and Mauro Brunato, 本书网上有免费版。
见：http://www.lionsolver.com/LIONbook/

n 《Mining of Massive Datasets Book》 by A. Rajaraman, J. Ullman.
见：http://www.kdnuggets.com/2012/08/mining-massive-datasets-book-revised.html

n 《StatSoft Electronic Statistics Textbook™ (free)》, 本书包含了许多data mining有关的话题
见：http://www.statsoft.com/Textbook

4.教育：在线研讨会(Webinars)，课程，Certificates和学位
在线研讨会资源：http://info.hortonworks.com/Retail-Insights-Big-Data-Hadoop.html

在线课程：http://www.kdnuggets.com/education/index.html

特别要提到的几个课程：
Coursera上的Machine Learning，Andrew Ng任课
edX上的Learning from data，Caltech Professsor Yaser Abu-Mostafa任课：http://www.kdnuggets.com/2013/09/edx-learning-from-data-free-online-course.html
Syracuse iSchool的Open Online Course in Applied Data Science:
http://ischool.syr.edu/future/cas/datascience.aspx
在线幻灯片：http://www.kdnuggets.com/data_mining_course/index.html
此外，最好能拿到Certificates in Data Mining, and Data Science（见
http://www.kdnuggets.com/education/analytics-data-mining-certificates.html
）或取得Data Science方面的高级学位，如MS。参考
http://www.kdnuggets.com/education/index.html

5.数据
学习数据分析，需要分析数据，参考
http://www.kdnuggets.com/datasets/index.html
这里包括：
l Government, Federal, State, City, Local and public data sites and portals：http://www.kdnuggets.com/datasets/government-local-public.html
l Data APIs, Hubs, Marketplaces, Platforms, Portals, and Search Engines：http://www.kdnuggets.com/datasets/api-hub-marketplace-platform.html
l Free Public Datasets：http://www.kdnuggets.com/2011/02/free-public-datasets.html

6.竞赛
可以参加一些竞赛，如
http://www.kaggle.com/
中的，参赛者可以从初学者竞赛开始进行，如
http://www.kdnuggets.com/2012/10/beginner-competition-titanic-survival-via-machine-learning.html

7.交流：会议，群组和社交网络
可以加入许多组织，参考Top 30 LinkedIn Groups for Analytics, Big Data, Data Mining, and Data Science:
http://www.kdnuggets.com/2013/04/top-30-linkedin-groups-analytics-big-data-data-mining-data-science.html

AnalyticBridge是关于数据和分析科学的一个活跃组织。
http://www.analyticbridge.com/

也可以加入许多关于数据分析，大数据，数据挖掘，数据科学和知识发现方面的会议：http://www.kdnuggets.com/meetings/index.html

最后，应该考虑加入ACM SKGKDD组织，它组织了年度KDD会议，这是该领域领军的研究性会议：http://www.sigkdd.org/

这篇关于学习data mining的7个步骤的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1020163。

相关文章

HarmonyOS学习(七)——UI（五）常用布局总结

HarmonyOS学习(七)——UI（五）常用布局总结

自适应布局 1.1、线性布局（LinearLayout） 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列，Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距，达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式，且在各类尺寸屏幕上表现一致，其中交叉轴为垂直时，取值为Vert
阅读更多...
Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya（不是本人，claude AI）在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容： 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用
阅读更多...
【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画（下）

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画（下）

【课程链接】 AntV G6：深入图形与图形分组、自定义节点、节点动画（下）_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中，应该怎样去计算和绘制图形，如何给一个图形制作不间断的动画，以及在鼠标事件之后产生动画。（有点难，需要好好理解） <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06
阅读更多...
学习hash总结

学习hash总结

2014/1/29/   最近刚开始学hash，名字很陌生，但是hash的思想却很熟悉，以前早就做过此类的题，但是不知道这就是hash思想而已，说白了hash就是一个映射，往往灵活利用数组的下标来实现算法，hash的作用：1、判重；2、统计次数；
阅读更多...
零基础学习Redis(10) -- zset类型命令使用

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合，内部除了存储元素外，还会存储一个score，存储在zset中的元素会按照score的大小升序排列，不同元素的score可以重复，score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]
阅读更多...
【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程（Gaussian Process，简称GP）是一种概率模型，用于描述一组随机变量的联合概率分布，其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数（或核函数） 1.3 核函数1.4 高斯过程回归（Gauss
阅读更多...
【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络（1）sklearn

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络（1）sklearn

系列文章目录 监督学习：参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归（SAheart.csv） 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学
阅读更多...
系统架构师考试学习笔记第三篇——架构设计高级知识（20）通信系统架构设计理论与实践

系统架构师考试学习笔记第三篇——架构设计高级知识（20）通信系统架构设计理论与实践

本章知识考点：         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识
阅读更多...
K8S（Kubernetes）开源的容器编排平台安装步骤详解

K8S（Kubernetes）开源的容器编排平台安装步骤详解

K8S（Kubernetes）是一个开源的容器编排平台，用于自动化部署、扩展和管理容器化应用程序。以下是K8S容器编排平台的安装步骤、使用方式及特点的概述： 安装步骤： 安装Docker：K8S需要基于Docker来运行容器化应用程序。首先要在所有节点上安装Docker引擎。 安装Kubernetes Master：在集群中选择一台主机作为Master节点，安装K8S的控制平面组件，如AP
阅读更多...
线性代数|机器学习-P36在图中找聚类

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大，需要补充太多的知识点，教授讲得内容跨越较大，一般一节课的内容是书本上的一章节内容，所以看视频比较吃力，需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构： Adjacency Matrix:行和列表示的是节点的位置，A[i,j]表示的第 i 个节点和第 j 个
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2