1. 數據挖掘的基本流程是什麼

數據挖掘有很多不同的實施方法，如果只是把數據拉到Excel表格中計算一下，那隻是數據分析，不是數據挖掘。本節主要講解數據挖掘的基本規范流程。CRISP-DM和SEMMA是兩種常用的數據挖掘流程。
從數據本身來考慮，數據挖掘通常需要有信息收集、數據集成、數據規約、數據清理、數據變換、數據挖掘實施過程、模式評估和知識表示8個步驟。
步驟（1）信息收集：根據確定的數據分析對象，抽象出在數據分析中所需要的特徵信息，然後選擇合適的信息收集方法，將收集到的信息存入資料庫。對於海量數據，選擇一個合適的數據存儲和管理的數據倉庫是至關重要的。
步驟（2）數據集成：把不同來源、格式、特點性質的數據在邏輯上或物理上有機地集中，從而為企業提供全面的數據共享。
步驟（3）數據規約：如果執行多數的數據挖掘演算法，即使是在少量數據上也需要很長的時間，而做商業運營數據挖掘時數據量往往非常大。數據規約技術可以用來得到數據集的規約表示，它小得多，但仍然接近於保持原數據的完整性，並且規約後執行數據挖掘結果與規約前執行結果相同或幾乎相同。
步驟（4）數據清理：在資料庫中的數據有一些是不完整的（有些感興趣的屬性缺少屬性值）、含雜訊的（包含錯誤的屬性值），並且是不一致的（同樣的信息不同的表示方式），因此需要進行數據清理，將完整、正確、一致的數據信息存入數據倉庫中。不然，挖掘的結果會差強人意。
步驟（5）數據變換：通過平滑聚集、數據概化、規范化等方式將數據轉換成適用於數據挖掘的形式。對於有些實數型數據，通過概念分層和數據的離散化來轉換數據也是重要的一步。
步驟（6）數據挖掘過程：根據數據倉庫中的數據信息，選擇合適的分析工具，應用統計方法、事例推理、決策樹、規則推理、模糊集，甚至神經網路、遺傳演算法的方法處理信息，得出有用的分析信息。
步驟（7）模式評估：從商業角度，由行業專家來驗證數據挖掘結果的正確性。
步驟（8）知識表示：將數據挖掘所得到的分析信息以可視化的方式呈現給用戶，或作為新的知識存放在知識庫中，供其他應用程序使用。
數據挖掘過程是一個反復循環的過程，每一個步驟如果沒有達到預期目標，都需要回到前面的步驟，重新調整並執行。不是每件數據挖掘的工作都需要這里列出的每一步，例如在某個工作中不存在多個數據源的時候，步驟（2）便可以省略。
步驟（3）數據規約、步驟（4）數據清理、步驟（5）數據變換又合稱數據預處理。在數據挖掘中，至少60%的費用可能要花在步驟（1）信息收集階段，而其中至少60%以上的精力和時間花在了數據預處理過程中。

2. 大數據的利用過程是什麼

大數據處理：採集、導入/預處理、統計/分析、挖掘

3. 大數據分析的分析步驟

大數據分析的五個基本方面
1. Analytic Visualizations（可視化分析）不管是對數據分析專家還是普通用戶，數據可視化是數據分析工具最基本的要求。可視化可以直觀的展示數據，讓數據自己說話，讓觀眾聽到結果。
2. Data Mining Algorithms（數據挖掘演算法）可視化是給人看的，數據挖掘就是給機器看的。集群、分割、孤立點分析還有其他的演算法讓我們深入數據內部，挖掘價值。這些演算法不僅要處理大數據的量，也要處理大數據的速度。
3. Predictive Analytic Capabilities（預測性分析能力）數據挖掘可以讓分析員更好的理解數據，而預測性分析可以讓分析員根據可視化分析和數據挖掘的結果做出一些預測性的判斷。
4. Semantic Engines（語義引擎）我們知道由於非結構化數據的多樣性帶來了數據分析的新的挑戰，我們需要一系列的工具去解析，提取，分析數據。語義引擎需要被設計成能夠從「文檔」中智能提取信息。
5. Data Quality and Master Data Management（數據質量和數據管理）
數據質量和數據管理是一些管理方面的最佳實踐。通過標准化的流程和工具對數據進行處理可以保證一個預先定義好的高質量的分析結果。
假如大數據真的是下一個重要的技術革新的話，我們最好把精力關注在大數據能給我們帶來的好處，而不僅僅是挑戰。

4. 數據挖掘的基本步驟

1、建立數據挖掘庫
建立數據挖掘庫包括以下幾個步驟：數據收集，數據描述，選擇，數據質量評估和數據清理，合並與整合，構建元數據，載入數據挖掘庫，維護數據挖掘庫。
2、分析數據
分析的目的是找到對預測輸出影響最大的數據欄位，和決定是否需要定義導出欄位。如果數據集包含成百上千的欄位，那麼瀏覽分析這些數據將是一件非常耗時和累人的事情，這時需要選擇一個具有好的界面和功能強大的工具軟體來協助你完成這些事情。
3、准備數據
建立模型之前的最後一步數據准備工作。可以把此步驟分為四個部分：選擇變數，選擇記錄，創建新變數，轉換變數。
4、建立模型
建立模型是一個反復的過程。需要仔細考察不同的模型以判斷哪個模型對面對的商業問題最有用。先用一部分數據建立模型，然後再用剩下的數據來測試和驗證這個得到的模型。有時還有第三個數據集，稱為驗證集，因為測試集可能受模型的特性的影響，這時需要一個獨立的數據集來驗證模型的准確性。
5、評價模型
模型建立好之後，必須評價得到的結果、解釋模型的價值。從測試集中得到的准確率只對用於建立模型的數據有意義。在實際應用中，需要進一步了解錯誤的類型和由此帶來的相關費用的多少。

5. 大數據的處理流程包括了哪些環節

處理大數據的四個環節：

  • 收集：原始數據種類多樣，格式、位置、存儲、回時效性等迥異。數答據收集從異構數據源中收集數據並轉換成相應的格式方便處理。

  • 存儲：收集好的數據需要根據成本、格式、查詢、業務邏輯等需求，存放在合適的存儲中，方便進一步的分析。

  • 變形：原始數據需要變形與增強之後才適合分析，比如網頁日誌中把IP地址替換成省市、感測器數據的糾錯、用戶行為統計等。

  • 分析：通過整理好的數據分析what happened、why it happened、what is happening和what will happen，幫助企業決策。

6. 大數據分析落實到具體步驟上要怎麼操作

整個處理流程可以概括為四步，分別是採集、導入和預處理、統計和分析，以及挖掘。
採集
大數據的採集是指利用多個資料庫來接收發自客戶端（Web、App或者感測器形式等）的數據，並且用戶可以通過這些資料庫來進行簡單的查詢和處理工作。比如，電商會使用傳統的關系型資料庫MySQL和Oracle等來存儲每一筆事務數據，除此之外，Redis和MongoDB這樣的NoSQL資料庫也常用於數據的採集。
在大數據的採集過程中，其主要特點和挑戰是並發數高，因為同時有可能會有成千上萬的用戶來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬，所以需要在採集端部署大量資料庫才能支撐。並且如何在這些資料庫之間進行負載均衡和分片的確是需要深入的思考和設計。
導入/預處理
雖然採集端本身會有很多資料庫，但是如果要對這些海量數據進行有效的分析，還是應該將這些來自前端的數據導入到一個集中的大型分布式資料庫，或者分布式存儲集群，並且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。
導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鍾的導入量經常會達到百兆，甚至千兆級別。
統計/分析
統計與分析主要利用分布式資料庫，或者分布式計算集群來對存儲於其內的海量數據進行普通的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC 的GreenPlum、Oracle的Exadata，以及基於MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可以使用Hadoop。
統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。
挖掘
與前面統計和分析過程不同的是，數據挖掘一般沒有什麼預先設定好的主題，主要是在現有數據上面進行基於各種演算法的計算，從而起到預測（Predict）的效果，從而實現一些高級別數據分析的需求。比較典型演算法有用於聚類的K-Means、用於統計學習的SVM和用於分類的Naive Bayes，主要使用的工具有Hadoop的Mahout等。

7. 簡述大數據挖掘 ,大數據開發,大數據分析的區別,順序

簡單點來說，大數據開發就是做大量數據的分布式計算的。數據分析主要是做數據的收集、挖掘、清洗、分析，最後形成分析報告想學的話可以參考下科多大。

8. 大數據的常見處理流程

大數據的常見處理流程

具體的大數據處理方法其實有很多，但是根據長時間的實踐，筆者總結了一個基本的大數據處理流程，並且這個流程應該能夠對大家理順大數據的處理有所幫助。整個處理流程可以概括為四步，分別是採集、導入和預處理、統計和分析，以及挖掘。

採集

大數據的採集是指利用多個資料庫來接收發自客戶端（Web、App或者感測器形式等）的數據，並且用戶可以通過這些資料庫來進行簡單的查詢和處理工作。比如，電商會使用傳統的關系型資料庫MySQL和Oracle等來存儲每一筆事務數據，除此之外，Redis和MongoDB這樣的NoSQL資料庫也常用於數據的採集。

在大數據的採集過程中，其主要特點和挑戰是並發數高，因為同時有可能會有成千上萬的用戶來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬，所以需要在採集端部署大量資料庫才能支撐。並且如何在這些資料庫之間進行負載均衡和分片的確是需要深入的思考和設計。

導入/預處理

雖然採集端本身會有很多資料庫，但是如果要對這些海量數據進行有效的分析，還是應該將這些來自前端的數據導入到一個集中的大型分布式資料庫，或者分布式存儲集群，並且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。

導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鍾的導入量經常會達到百兆，甚至千兆級別。

統計/分析

統計與分析主要利用分布式資料庫，或者分布式計算集群來對存儲於其內的海量數據進行普通的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC 的GreenPlum、Oracle的Exadata，以及基於MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可以使用Hadoop。

統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。

挖掘

與前面統計和分析過程不同的是，數據挖掘一般沒有什麼預先設定好的主題，主要是在現有數據上面進行基於各種演算法的計算，從而起到預測（Predict）的效果，從而實現一些高級別數據分析的需求。比較典型演算法有用於聚類的K-Means、用於統計學習的SVM和用於分類的Naive Bayes，主要使用的工具有Hadoop的Mahout等。

該過程的特點和挑戰主要是用於挖掘的演算法很復雜，並且計算涉及的數據量和計算量都很大，還有，常用數據挖掘演算法都以單線程為主。

9. 大數據的處理流程包括了哪些環節

處理大數據的四個環節：

  • 收集：原始數據種類多樣，格式、位置、存儲、時效性等迥異內。數據收集容從異構數據源中收集數據並轉換成相應的格式方便處理。

  • 存儲：收集好的數據需要根據成本、格式、查詢、業務邏輯等需求，存放在合適的存儲中，方便進一步的分析。

  • 變形：原始數據需要變形與增強之後才適合分析，比如網頁日誌中把IP地址替換成省市、感測器數據的糾錯、用戶行為統計等。

  • 分析：通過整理好的數據分析what happened、why it happened、what is happening和what will happen，幫助企業決策。