數據挖掘的基本流程
1 商業理解：數據挖掘不是我們的目的，我們的目的是更好的幫助業務，所以第一步我們要從商業的角度理解項目需求，在這個基礎上，在對數據挖掘目標進行定義
2 數據理解：嘗試收集部分數據，然后對數據進行探索，包括數據描述，數據質量驗證等，有助於對收集的數據有個初步認知
3 數據准備： 開始收集數據，並對數據進行清洗，數據集成等操作，完成數據挖掘的准備工作
4 模型建立： 選擇和應用各種數據挖掘模型，並進行優化，以便得到更好的分類結果
5 模型評估： 對模型進行評價，並檢查構建模型的每個步驟，確認模型是否實現了預定的商業目標
6 上線發布： 模型的作用是從數據中找到金礦，獲得的知識需要轉化為用戶可以使用的方式，呈現的形式可以是一份報告，可以試實現了一個復雜可重復的數據挖掘過程，后續監視與維護
再說一說流程：首先需要了解背景（業務需求，達到目標等），然后根據目的大致查看整個數據集的各個參數及其屬性，接着就需要判斷各個參數，數值和自己目的的一個關系，如果直觀沒什么想法，可以使用可視化，與目的影響的東西作比較，得到具有影響目的的一些特征，和一些無關緊要的，大致了解后就需要預處理數據，為后續機器學習建模做基礎，預處理（常見的處理方式別人網上說的都比我好自己可以去學習）后面update。。。（白又白）
數據挖掘十大算法
分類算法：C4.5 ,朴素貝葉斯（Naive Bayes），SVM，KNN，Adaboost
聚類算法： K-Means, EM
關聯分析： PageRank
1.C4.5： 是決策樹的算法，創造性地在決策樹構造過程中就進行了剪枝，並且可以處理連續的屬性，也對不完整的數據進行處理 關於決策樹、C4.5算法具體可以查看下面鏈接（https://www.cnblogs.com/pythonzwd/p/10561566.html ）
2.朴素貝葉斯（naive bayes）: 朴素貝葉斯是給予概率論的原理，它的思想是對於給出的未知無題要進行分類，需要求解在這個未知物體出現的條件下各個類別出現的概率，找最大概率那個分類，數據更新影響思想
3 SVM：中文叫支持向量機：Support Vector Machine,SVM 在訓練中簡歷了一個超平面的分類模型。
4.KNN： 也叫K最近鄰算法，英文是K-Nearest Neighbor. K近鄰就是每個樣本都可以用它最接近的K個鄰居來戴表，如果一個樣本，他的K個最接近的鄰居都屬於A，那么這個樣本也屬於A分類
5.Adaboost: 在懸鏈中簡歷一個聯合分類模型，boost 提升的意思，所以adaboost是個構建分類模型器的提升算法，它可以讓多個弱的分類器組成一個強的分類器
6.CART： CART戴表分類和回歸樹，Classification and Regression Trees. 構建了兩棵樹，一顆分類樹，一個回歸樹，是一個決策樹學習算法
7Apriori 是一個挖掘關聯規則（association rules）的算法，通過挖掘頻繁頂集（frequent item sets）來解釋物品之間的關聯關系，被廣泛應用於商業挖掘和網絡安全領域中，頻繁項集是一個指經常出現在一起的物品集合，關聯規則按時着兩種物品之間可能存在很強的關系
8K-Means： K-Means算法是一個聚類算法， 可以這么理解，最終想把物體划分成K類，假設每個類別里面，都有個‘中心點’，即意見領袖，它是這個類別的核心，現在我又一個新點要歸類，這個時候就只要計算與K個中心點的距離，距離那個中心點近，就分成那個類別
9.EM: EM算法也叫最大期望算法，是求參數的最大似然估計的一種算法，原理是這樣的：假設我們想要評估參數A和參數B，在開始狀態下二者都是未知的，並且知道了A的信息就可以得到B的信息，反過來知道了B的也就得到A的，可以考慮首先賦予A某個初值，以此得到B的估值，然后從B的估值出發，重新估計A的取值，這個過程一直持續到收斂未知
10.PageRank: 起源於論文的影響力的計算方式，如果一篇論文被引入次數越多，就代表這篇論文的影響力越強，PageRank被Google創造性地應用到了網頁權重的計算中，當一個頁面鏈接的頁面越多，說明這個頁面的‘參考文獻’越多，當這個頁面被鏈入的頻率越高，說明這個頁面的引用次數越高，基於這個原理，我們可以得到網站的權重划分
數據挖掘中的數學原理
1概率論與數理統計
2 線性代數
3 圖論
4最優化方法
---------------------------------------------
題外話： 我還在轉行學習中，着實需要項目經驗，如果有一起kaggle練習項目的，可以的話稍上我，一起學習，感謝！！！