发布时间：
大数据的核心：数据挖掘大数据的核心：数据挖掘。从头至尾我们都脱离不了数据挖掘。其实从大学到现在一直都接触数据挖掘，但是我们不关心是什么是数据挖掘，我们关心的是我们如何通过数据挖掘过程中找到我们需要的东西，而我们更关心的是这个过程是什么？如何开始？总结的过程也是一个学习的过程，通过有章节的整理对目前正在的学习的内容做规整。在这个过程中我们会从具体的项目实施中去谈数据挖掘，中间会贯穿很多的概念，算法，业务转换，过程，建模等等。我们列一下要谈论的话题：1、什么是数据挖掘及为什么要进行数据挖掘？2、数据挖掘在营销和CRM中的应用？3、数据挖掘的过程4、你应理解的统计学5、数据描述与预测：剖析与预测建模6、经典的数据挖掘技术7、各类算法8、数据仓库、OLAP、分析沙箱和数据挖掘9、具体的案例分析什么是数据挖掘？是知识发现、商业智能、预测分析还是预测建模。其实都可以归为一类：数据挖掘是一项探测大量数据以发现有意义的模式（pattern）和规则（rule）的业务流程。这里谈到了发现模式与规则，其实就是一项业务流程，为业务服务。而我们要做就是让业务做起来显得更简单，或直接帮助客户如何提升业务。在大量的数据中找到有意义的模式和规则。在大量数据面前，数据的获得不再是一个障碍，而是一个优势。在现在很多的技术在大数据集上比在小数据集上的表现得更好——你可以用数据产生智慧，也可以用计算机来完成其最擅长的工作：提出问题并解决问题。模式和规则的定义：就是发现对业务有益的模式或规则。发现模式就意味着把保留活动的目标定位为最有可能流失的客户。这就意味着优化客户获取资源，既考虑客户数量上的短期效益，同时也考虑客户价值的中期和长期收益。而在上面的过程，最重要的一点就是：如何通过数据挖掘技术来维护与客户之间的关系，这就是客户关系管理，CRM。专注于数据挖掘在营销和客户关系管理方面的应用——例如，为交叉销售和向上销售改进推荐，预测未来的用户级别，建模客户生存价值，根据用户行为对客户进行划分，为访问网站的客户选择最佳登录页面，确定适合列入营销活动的候选者，以及预测哪些客户处于停止使用软件包、服务或药物治疗的风险中。两种关键技术：生存分析、统计算法。在加上文本挖掘和主成分分析。经营有方的小店自然地形成与客户之间的学习关系。随着时间的推移，他们对客户的了解也会越来越多，从而可以利用这些知识为他们提供更好的服务。结果是：忠实的顾客和盈利的商店。但是拥有数十万或数百万客户的大公司，则不能奢望与每个客户形成密切的私人关系。面临这样困境，他们必须要面对的是，学会充分利用所拥有的大量信息——几乎是每次与客户交互产生的数据。这就是如何将客户数据转换成客户知识的分析技术。数据挖掘是一项与业务流程交互的业务流程。数据挖掘以数据作为开始，通过分析来启动或激励行为，这些行为反过来又将创建更多需要数据挖掘的数据。因此，对于那些充分利用数据来改善业务的公司来说，不应仅仅把数据挖掘看作是细枝末节。相反，在业务策略上必须包含：1、数据收集。2、为长期利益分析数据。3、针对分析结果做出分析。CRM（客户关系管理系统）。在各行各业中，高瞻远瞩的公司的目标都是理解每个客户，并通过利用这种理解，使得客户与他们做生意更加容易。同样要学习分析每个客户的价值，清楚哪些客户值得投资和努力来保留，哪些准许流失。把一个产品为中心的企业转变成以客户为中心的企业的代价超过了数据挖掘。假设数据挖掘的结果是像一个用户推荐一个小首饰而不是一个小发明，但是如果经理的奖金取决于小发明的季度销售量而不是小首饰的销售量（即便后者更为有利可图或者收获长期盈利更多的客户），那么数据挖掘的结果就会被忽视，这就导致挖掘结果不能产生决策。
分类是在一群已经知道类别标号的样本中，训练一种分类器，让其能够对某种未知的样本进行分类。分类算法的分类过程就是建立一种分类模型来描述预定的数据集或概念集，通过分析由属性描述的数据库元组来构造模型。
简单地说，数据挖掘是从大量数据中提取或‘挖掘’知识。该术语实际上有点用词不当。数据挖掘应当更正确地命名为‘从数据中挖掘知识’，不幸的是它有点长。许多人把数据挖掘视为另一个常用的术语‘数据库中知识发现’或KDD的同义词。而另一些人只是把数
好比淘金者在河沙里淘沙获取金子一个道理，数据挖掘就是在大量已知的数据里找出来有用的数据！数据挖掘是指从大量的数据中通过算法搜索隐藏于其中信息的过程。
数据分析与数据挖掘的目的不一样，数据分析是有明确的分析群体，就是对群体进行各个维度的拆、分、组合，来找到问题的所在，而数据发挖掘的目标群体是不确定的，需要我们更多是是从数据的内在联系上去分析，从而结合业务、用户、数据进行更多的洞察解读。数据分析与数据挖掘的思考方式不同，一般来讲，数据分析是根据客观的数据进行不断的验证和假设，而数据挖掘是没有假设的，但你也要根据模型的输出给出你评判的标准。我们经常做分析的时候，数据分析需要的思维性更强一些，更多是运用结构化、MECE的思考方式，类似程序中的假设。分析框架（假设）+客观问题（数据分析）=结论（主观判断）而数据挖掘大多数是大而全，多而精，数据越多模型越可能精确，变量越多，数据之间的关系越明确数据分析更多依赖于业务知识，数据挖掘更多侧重于技术的实现，对于业务的要求稍微有所降低，数据挖掘往往需要更大数据量，而数据量越大，对于技术的要求也就越高需要比较强的编程能力，数学能力和机器学习的能力。如果从结果上来看，数据分析更多侧重的是结果的呈现，需要结合业务知识来进行解读。而数据挖掘的结果是一个模型，通过这个模型来分析整个数据的规律，一次来实现对于未来的预测，比如判断用户的特点，用户适合什么样的营销活动。显然，数据挖掘比数据分析要更深一个层次。数据分析是将数据转化为信息的工具，而数据挖掘是将信息转化为认知的工具。其实不论数据分析还是数据挖掘，能抓住老鼠的就是好猫，真的没必要纠结他们之前的区别，难道你给领导汇报时，第一部分是数据分析得出，第二部分是数据挖掘得出？他们只关注你分析的逻辑、呈现的方式。
数据分析和数据挖掘都是从数据库中发现知识、所以我们称数据分析和数据挖掘叫做数据库中的知识发现。但严格意义上来讲，数据挖掘才是真正意义上的数据库中的知识发现（Knowledge Discovery in Database，KDD）。数据分析是从数据库中通过统计、计算、抽样等相关的方法，获取基于数据库的数据表象的知识，也就是指数据分析是从数据库里面得到一些表象性的信息。数据挖掘是从数据库中，通过机器学习或者是通过数学算法等相关的方法获取深层次的知识（比如属性之间的规律性，或者是预测）的技术。
数据挖掘领域的十大经典算法：C5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART。不仅仅是选中的十大算法，其实参加评选的18种算法，实际上随便拿出一种来都可以称得上是经典算法，它们在数据挖掘领域都产生了极为深远的影响。 C The k-means algorithm 即K-Means算法 Support vector The Apriori 最大期望(EM)算法 PageR AdaB kNN: k-nearest neighbor Naive B CART关于数据挖掘的相关学习，推荐CDA数据师的相关课程，课程内容兼顾培养解决数据挖掘流程问题的横向能力以及解决数据挖掘算法问题的纵向能力。要求学生具备从数据治理根源出发的思维，通过数字化工作方法来探查业务问题，通过近因分析、宏观根因分析等手段，再选择业务流程优化工具还是算法工具，而非“遇到问题调算法包”点击预约免费试听课。
数据挖掘的十大算法按照不同的目的，我可以将这些算法分成四类，以便你更好地理解。分类算法：C5，朴素贝叶斯（Naive Bayes），SVM，KNN，Adaboost，CART聚类算法：K-Means，EM关联分析：Apriori连接分析：PageRank1、C5C5 算法是得票最高的算法，可以说是十大算法之首。C5 是决策树的算法，它创造性地在决策树构造过程中就进行了剪枝，并且可以处理连续的属性，也能对不完整的数据进行处理。它可以说是决策树分类中，具有里程碑式意义的算法。2、朴素贝叶斯（Naive Bayes）朴素贝叶斯模型是基于概率论的原理，它的思想是这样的：对于给出的未知物体想要进行分类，就需要求解在这个未知物体出现的条件下各个类别出现的概率，哪个最大，就认为这个未知物体属于哪个分类。3、SVMSVM 的中文叫支持向量机，英文是 Support Vector Machine，简称 SVM。SVM 在训练中建立了一个超平面的分类模型。如果你对超平面不理解，没有关系，我在后面的算法篇会给你进行介绍。4、KNNKNN 也叫 K 最近邻算法，英文是 K-Nearest Neighbor。所谓 K 近邻，就是每个样本都可以用它最接近的 K 个邻居来代表。如果一个样本，它的 K 个最接近的邻居都属于分类 A，那么这个样本也属于分类 A。5、AdaBoostAdaboost 在训练中建立了一个联合的分类模型。boost 在英文中代表提升的意思，所以 Adaboost 是个构建分类器的提升算法。它可以让我们多个弱的分类器组成一个强的分类器，所以 Adaboost 也是一个常用的分类算法。6、CARTCART 代表分类和回归树，英文是 Classification and Regression Trees。像英文一样，它构建了两棵树：一棵是分类树，另一个是回归树。和 C5 一样，它是一个决策树学习方法。7、AprioriApriori 是一种挖掘关联规则（association rules）的算法，它通过挖掘频繁项集（frequent item sets）来揭示物品之间的关联关系，被广泛应用到商业挖掘和网络安全等领域中。频繁项集是指经常出现在一起的物品的集合，关联规则暗示着两种物品之间可能存在很强的关系。8、K-MeansK-Means 算法是一个聚类算法。你可以这么理解，最终我想把物体划分成 K 类。假设每个类别里面，都有个“中心点”，即意见领袖，它是这个类别的核心。现在我有一个新点要归类，这时候就只要计算这个新点与 K 个中心点的距离，距离哪个中心点近，就变成了哪个类别。9、EMEM 算法也叫最大期望算法，是求参数的最大似然估计的一种方法。原理是这样的：假设我们想要评估参数 A 和参数 B，在开始状态下二者都是未知的，并且知道了 A 的信息就可以得到 B 的信息，反过来知道了 B 也就得到了 A。可以考虑首先赋予 A 某个初值，以此得到 B 的估值，然后从 B 的估值出发，重新估计 A 的取值，这个过程一直持续到收敛为止。EM 算法经常用于聚类和机器学习领域中。10、PageRankPageRank 起源于论文影响力的计算方式，如果一篇文论被引入的次数越多，就代表这篇论文的影响力越强。同样 PageRank 被 Google 创造性地应用到了网页权重的计算中：当一个页面链出的页面越多，说明这个页面的“参考文献”越多，当这个页面被链入的频率越高，说明这个页面被引用的次数越高。基于这个原理，我们可以得到网站的权重划分。
1、科学引文索引（Science Citation Index、缩写：SCI）是由美国科学资讯研究所（Institute for Scientific Information，简称ISI）于1960年上线投入使用的一部期刊文献检索工具，其出版形式包括印刷版期刊和光盘版及联机数据库。科学引文索引由科睿唯安公司（Clarivate Analytics）运营。2、社会科学引文索引（Social Sciences Citation Index, SSCI）是一种跨学科的学术引用文献索引，由美国科学资讯研究所（Institute for Scientific Information, ISI）所发展，类似于科学引文索引，为汤森路透（Thomson Reuters）的产品。社会科学引用索引透过分析学术文献引用的资讯，了解目前社会科学领域中最有影响力的研究成果，并且说明相关性及先前文献对当前文献的影响力。目前它包含世界上主流的社会科学学术期刊，共有2,474种期刊，并且横跨约50种的学科，目前社会科学引用索引可由付费的Web of Science学术文献数据库中检索。扩展资料：科学引文索引以布拉德福（S C Bradford）文献离散律理论、以加菲尔德（Eugene Garfield）引文分析理论为主要基础，通过论文的被引用频次等的统计，对学术期刊和科研成果进行多方位的评价研究，从而评判一个国家或地区、科研单位、个人的科研产出绩效，来反映其在国际上的学术水平。因此，SCI是目前国际上被公认的最具权威的科技文献检索工具。科学引文索引以其独特的引证途径和综合全面的科学数据，通过大量的引文进行统计，然后得出某期刊某论文在某学科内的影响因子、被引频次、即时指数等量化指标来对期刊、论文等进行排行，被引频次高,说明该论文在它所研究的领域里产生了巨大的影响、被国际同行重视、学术水平高。由于SCI收录的论文主要是自然科学的基础研究领域，所以SCI指标主要适用于评价基础研究的成果。而基础研究的主要成果的表现形式是学术论文，所以，如何评价基础研究成果也就常常简化为如何评价论文所承载的内容对科学知识进展的影响。科学引文索引是当今世界上最著名的检索性刊物之一，也是文献计量学和科学计量学的重要工具。通过引文检索功能可查找相关研究课题早期、当时和最近的学术文献，同时获取论文摘要；可以看到所引用参考文献的记录、被引用情况及相关文献的记录。参考资料：百度百科 科学引文索引参考资料：百度百科 社会科学引文索引
1、SCI《科学引文索引》（Science Citation Index，简称SCI）是美国科学情报研究所（ISI）出版的一种世界著名的期刊文献检索工具，也是当前世界自然科学领域基础理论学科方面的重要期刊文摘索引数据库。SCI是目前国际上三大检索系统中最著名的一种，其中以生命科学及医学、化学、物理所占比例最大，收录范围是当年国际上的重要期刊，尤其是它的引文索引表现出独特的科学参考价值，能反映自然科学研究的学术水平，在学术界占有重要地位。2、SSCI即《社会科学引文索引》（Social Sciences Citation Index），它为SCI的姊妹篇，亦由美国科学信息研究所创建，是目前世界上可以用来对不同国家和地区的社会科学论文的数量进行统计分析的大型检索工具。据ISI网站2006年公布的数据显示，SSCI全文收录1876种世界最重要的社会科学期刊，内容覆盖包括人类学、法律、经济、历史、地理、心理学等55个领域。收录文献类型包括：研究论文，书评，专题讨论，社论，人物自传，书信等。选择收录（Selectively Covered）期刊为1300多种。现收录有中国大陆的期刊3种，台湾的期刊7种。扩展资料：SCI和SSCI的区别：1、功能不同SCI是一种学术论文检索工具和数据库，从内容上说是以收录自然科学和技术科学的论文为主。SSCI也是—种学术论文检索工具和数据库，只不过它是社会科学引文索引（Social Science Citation Index）的英文缩写，从内容上说是以收录社会科学的论文为主。2、重视程度不同在国内大学论文排名、研究基金申请、个人职称晋升等竞争中，SCI论文数越来越成为一项重要依据，占有举足轻重的地位，甚至几乎言必称SCI。国内许多大学都提出了下世纪初把自己办成世界一流大学的目标，而一所世界一流的大学，应当拥有较多的SCI论文数，这已经成为大多数人的共识。SSCI却在国内受到冷遇，很少有人提及。一所世界一流的大学，不仅应当拥有较多的SCI论文数，还应当拥有较多的SSCI论文数，尤其对于一所综合性、研究型、开放式的世界一流大学更是如此。3、学科范围不同SSCI覆盖的学科范围包括：人类学，区域研究，商业，商业金融，传播学，犯罪学与刑罚学，人口统计学，经济学，教育与教育研究，特殊教育，环境研究，人机工程学，种族研究，家庭研究，地理学，老人病学和老人学，健康政策与服务，历史学，科学史与科学哲学，社会科学史，工业关系与劳工。情报学与图书馆学，国际关系，语言与语言学，法学，管理，法医学，护理学；哲学，规划与发展，政治学，精神病学，心理学，应用心理学，生物心理学，临床心理学，发展心理学，实验心理学，数学心理学，心理分析心理学，社会心理学。公共管理，大众健康，康复，社会问题，社会科学-生物医学，社会科学-交叉学科，社会科学-数学方法，社会工作，社会学，恶习，运输，城市研究，女性研究等。SCI则较少。参考资料：百度百科-科学引文索引百度百科-社会科学引文索引
科学引文索引和社会科学引文索引，一般管理类的文章都安排ssci。
这些都是检索系统，一个收录很多论文的数据库。 SCI主要偏重理论性研究。 SSCI是社会科学期刊数据库。 EI偏工程应用。 CSCD和核心期刊都是中国的数据库。 ISTP是会议论文数据库，以上都是期刊论文。
每年的SCI/SSCI都会进行升降的，既然被降级那肯定是近年所发表的文章以及质量比往年有所下降，被降为三区那是理所应当的。
刚开始写文章的时候，总会是有种恐惧感。脑袋里思绪万千，可是真要表达出来，却总觉得一片空白。虽然看了一肚子的学术文章，但是写下来的文字就跟小说或者散文一样，零零碎碎地弄不成一片。那么多的术语也不知道怎么摆放才好。这种焦虑一开始多多少少都会有一些，都需要用时间和练习去弥补。写学术文章其实有点像编程。刚开始学习编程语言的时候，不明白语法规则，就不敢乱写。即使写了，编译器老是报错，找原因的时候又觉得语法规则怎么设计得那么复杂，找了半天都不知道是什么原因。但是当最终掌握了这门编程语言之后，写起代码来就是信手拈来了，该定义的自然而然就定义了，该用函数地方的就用函数了。不复杂的流程都可以边想边写了。复杂的流程，只要把逻辑想清楚了，一切似乎就是顺其自然地完成了。这个时候再回头看语法规则，又会觉得有规则限定就是好，要是代码写成了散文，调试起来会疯掉的。科研写作也是一个技术活，也要经历一个熟能生巧的过程，首先你要熟悉学术写作的基本方式。在能够基本上准确的传达信息的基础上，自然而然地就会开始发展自己的写作风格。不要一开始就去复制导师的写作风格，因为对问题的了解程度肯定是达不到的，强行去模仿别人的风格就会太牵强。同时在写文章的时候，就把文章当做一段代码来思考就行了，不用想的太复杂。不要把堆砌学术术语当作是写作的目标，成功的作家并不是要把事物用很复杂的方式呈现出来，而是准确的传递自己的信息。就跟写出来的代码主要是能正确的运行，写得好看不好看，那是下一步的要求了。比如读者看科技新闻或者文章的时候，也不会是抱着欣赏艺术的方式，而是能够很快的从中提取到自己有用的信息。在写作初期，多收集同事或者同行的反馈意见是最有用的，可以帮助自己发现各种各样的问题，然后才能在后续的写作中知道要提高什么。写作後期, 如过是英文论文,可以请专业的论文润色公司如英论阁 提供语言协助 收起
数据挖据，一个普刊你考不考虑，审稿半个月以内
通常文章安排的发表时间,是根据杂志的征稿时间定的一般杂志会提前1-3个月时间征稿,满一期开始征下一期杂志出刊后,一般各杂志社会统一邮递发表论文审核时间一般普通刊物（省级、国家级）审核时间为一周,高质量的杂志,审核时间为15-20天核心期刊审核时间一般为3个月,须经过初审、复审、终审三道程序
很多 建议上小木虫查查
数据挖掘相关的权威期刊和会议-----------------------------------------------[Journals] ACM Transactions on Knowledge Discovery from Data (TKDD) IEEE Transactions on Knowledge and Data Engineering (TKDE) Data Mining and Knowledge Discovery Knowledge and Information Systems Data & Knowledge Engineering[Conferences] SIGMOD:ACM Conference on Management of Data (ACM) VLDB:International Conference on Very Large Data Bases (Morgan Kaufmann/ACM) ICDE:IEEE International Conference on Data Engineering (IEEE Computer Society) SIGKDD:ACM Knowledge Discovery and Data Mining (ACM) WWW:International World Wide Web Conferences (W3C) CIKM:ACM International Conference on Information and Knowledge Management (ACM) PKDD:European Conference on Principles and Practice of Knowledge Discovery in Databases (Springer-Verlag LNAI)个性化推荐建议去john riedl的主页逛逛，Grouplen的leader-du/~riedl/个性化推荐的书最出名的是 handbook 这是个性化推荐的"教科书" 国内貌似就有一本项亮的《推荐系统实践》