为什么数据挖掘要单独做,数据挖掘意味着什么?

数据挖掘的六大功能虽然数据挖掘的历史很短，但是从20世纪90年代开始发展很快。另外，它是多学科综合的产物，目前没有完整的定义。人们对数据挖掘提出了各种各样的定义，如:SAS Institute (1997):“在大量相关数据的基础上探索数据并建立相关模型的高级方法”。Handetal(2000):“数据挖掘是在大型数据库中发现有意义和有价值的信息的过程。”具体来说，数据挖掘(data mining)，也称为KDD(knowledge discovery in database database)，是指从大型数据库或数据仓库中提取隐含的、未知的、非平凡的和潜在适用的信息或模式。它融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术，是数据库研究中极具应用价值的新领域。

分析方法:分类、估计、预测、亲和分组或关联规则、聚类、复杂数据类型的挖掘(文本、Web、图形图像、视频、音频介绍等。)方法:分类首先从数据中选取已经分类的训练集，在这个训练集上，利用数据挖掘分类的技术建立分类模型，对未分类的数据进行分类。

数据分析作为近年来最火的一个词，越来越受到人们的关注，而这个行业就业面广，薪资相对较高，吸引了大部分毕业生的青睐。随着深入发展，任何行业都分为初级、中级、高级三个阶段。首要要求是熟练使用Excel中级所需核心技能:高级需要掌握统计概率，精通SQL、编程语言Python或r，数据分析的工作方向和工作内容可以简单分为两大方向:业务方向、数据运营、数据分析师、商业分析、用户研究、成长黑客、数据产品经理等。

业务岗位的数据分析师大多在业务部门，主要任务是数据提取，支撑各部门相关报表，监控数据异常和波动，发现问题，输出专项分析报告。可以在CDA数据分析认证中心了解数据分析师的职业规划前景。CDA是大数据和人工智能时代面向整个国际行业的数据分析专业人才的专业简称，特指专门从事数据收集、清洗、处理和分析，能够在互联网、金融、咨询、电信、零售、医疗、旅游等行业做业务报告和提供决策的新型数据人才。

人们把原始数据当作知识的源泉，就像从矿石中开采一样。原始数据可以是结构化的，如关系数据库中的数据，也可以是半结构化的，如文本、图形、图像数据，甚至是分布在网络上的异构数据。发现知识的方法可以是数学的，也可以是非数学的；它可以是演绎的，也可以是归纳的。发现的知识可用于信息管理、查询优化、决策支持、过程控制等。，也可用于数据本身的维护。

数据挖掘是利用数学、统计学、人工智能、神经网络等领域的科学方法，如记忆推理、聚类分析、相关性分析、决策树、神经网络、遗传算法等，从大量数据中挖掘出隐藏的、以前未知的、潜在有价值的关系、模式和趋势，并利用这些知识和规则建立模型进行决策支持。数据挖掘综合了多种学科和技术，具有多种功能。目前主要功能有:(1)分类:根据被分析对象的属性和特征，建立不同的分组来描述事物。

Data中含有大量的噪声数据，需要剔除无关的数据，比如分析无关字段来了解数据质量，有些数据质量不够直接使用，比如含有太多缺失值，需要进行处理。数据字段不能直接使用，在数据挖掘中需要派生出新的字段来更好的分散数据，需要对数据进行整合，比如添加表(添加行)或者合并表(添加列)。

我不太明白你说的分类是什么意思？是在数据预处理阶段还是挖掘的目的？如果我们是在数据预处理阶段，可能只是对某个领域的数据进行挖掘，从而得出更有把握的结论；如果是挖掘的目的，也就是模型的输出，就比较好理解了。对数据进行分类主要是为了方便存储和读取。不同类型的数据大小或存储长度不同，分离后读取和存储要方便快捷得多。

意义分层:定义属性集中每个属性不同值的个数，自动生成概念分层。具有最大差异值的属性被放置在层次结构的最低级别，属性的不同值的数量越少，生成的概念层次结构的级别越高。在很多情况下，这个启发式规则非常有用，在调查生成的分层之后，如果需要，可以由用户或专家进行局部分层交换或调整。分类数据是统计数据的一种，指反映事物类别的数据。