正文：
這是一門正處於青年並急速成長的領域——數據挖掘（又稱從數據中發現知識，簡稱KDD）。
時代背景
目前我們都知道現在的大數據已經發展的極為迅速，正慢慢的過度到人工智能時代，成功與不成功先不說，至少現在是這個趨勢，在工業界利用的非常好，國家也在大力支持，國內外的企業也在爭先恐後的擠進這個領域。在時代的大背景下發展，造就了技術的極速衍生狀態。
1.1 數據挖掘又是什麼？為什麼會有數據挖掘？與機器學習有何關聯？
我們應該知道機器學習是人工智能領域的一項重要板塊，也可以說是機器學習使人工智能開始火熱了起來。而機器學習我所瞭解過一個定義：“利用經驗來改善計算機系統自身的性能”。這句話裡面的“經驗”到底是什麼？人需要學習，而機器自然也需要學習，打遊戲的時候升級需要經驗人類學習進步也需要經驗，機器學習自然不能夠避免這個，至少目前為止還沒有。經驗在計算機裡面的就是以數據形式存在的，機器學習需要設法對數據進行分析，那麼該如何利用這個數據呢？由此數據挖掘產生了，它與機器學習之間的關聯又是怎樣的呢？我們可以設想，如果是我們想要分析一股巨大的數據，該利用那些方法呢？機器學習可以做到分析數據，數據庫可以進行數據管理操作，那麼如果機器學習和數據庫結合到一起會怎麼樣，這個分析的過程其實就是數據挖掘。
1.2 知識發現的過程：
1、 數據清理（消除噪聲和刪除不一致數據）
2、 數據集成（多種數據源可以組合在一起）
3、 數據選擇（從數據庫中提取與分析任務相關的數據）
4、 數據變換（通過彙總或聚集操作，把數據變換和統一成合適挖掘的形式）
5、 數據挖掘（基本步驟，使用智能方法提取數據模式）
6、 模式評估（根據某種興趣度度量，識別代表知識的真正有趣模式）
7、 知識表示（使用可視化和知識表示技術，向用戶提供挖掘的知識）
步驟1-4是數據預處理的不同形式，為挖掘準備數據。數據挖掘步驟可能與用戶或知識庫交互。有趣的模式提供給用戶，或作為新的知識存放在知識庫中。
1.3數據挖掘的主要功能
1． 分類：找出描述和區分數據類或概念的模型（或函數），以便能夠使用模型預測類標號未知的對象的類的標號。導出模型是基於對訓練數據集的分析。
按照分析對象的屬性、特徵，建立不同的組類來描述事物。例如：銀行部門根據以前的數據將客戶分成了不同的類別，現在就可以根據這些來區分新申請貸款的客戶，以採取相應的貸款方案。
2． 聚類：不像分類和迴歸分析標記類的（訓練）數據集，聚類分析數據對象，而不考慮類標號。在許多情況下，開始並不存在標記類的數據。可以使用聚類產生數據組群的類標號。對象根據最大化類內相似性、最小化類間相似性的原則進行聚類或分組。也就是說，對象的簇這樣形成，使得相比之下在同一個簇中的對象具有很高的相似性，而與其他簇中的對象很不相似。所形成的沒個簇都可以看成一個對象類，由他可以導出規則。
識別出分析對內在的規則，按照這些規則把對象分成若干類。例如：將申請人分為高度風險申請者，中度風險申請者，低度風險申請者。
3． 關聯規則和序列模式的發現：關聯是某種事物發生時其他事物會發生的這樣一種聯繫。例如：每天購買啤酒的人也有可能購買香菸，比重有多大，可以通過關聯的支持度和可信度來描述。與關聯不同，序列是一種縱向的聯繫。例如：今天銀行調整利率，明天股市的變化。
4． 預測：把握分析對象發展的規律，對未來的趨勢做出預見。例如：對未來經濟發展的判斷。
5． 偏差的檢測：對分析對象的少數的、極端的特例的描述，揭示內在的原因。例如：在銀行的100萬筆交易中有500例的欺詐行為，銀行為了穩健經營，就要發現這500例的內在因素，減小以後經營的風險。
需要注意的是：數據挖掘的各項功能不是獨立存在的，在數據挖掘中互相聯繫，發揮作用。
1.4數據挖掘的方法及工具
作為一門處理數據的新興技術，數據挖掘有許多的新特徵。首先，數據挖掘面對的是海量的數據，這也是數據挖掘產生的原因。其次，數據可能是不完全的、有噪聲的、隨機的，有複雜的數據結構，維數大。最後，數據挖掘是許多學科的交叉，運用了統計學，計算機，數學等學科的技術。以下是常見和應用最廣泛的算法和模型：
(1) 傳統統計方法：
① 抽樣技術：我們面對的是大量的數據，對所有的數據進行分析是不可能的也是沒有必要的，就要在理論的指導下進行合理的抽樣。
② 多元統計分析：因子分析，聚類分析等。
③ 統計預測方法，如迴歸分析，時間序列分析等。
(2) 可視化技術：
用圖表等方式把數據特徵用直觀地表述出來，如直方圖等，這其中運用的許多描述統計的方法。可視化技術面對的一個難題是高維數據的可視化。
參考：《數據挖掘概念與技術》Jiawei Han Micheline Kamber Jian Pei著
