目录
一.应用
二.原因
三.数据挖掘
1、什么是数据挖掘
2、数据挖掘过程
3、数据挖掘任务分类
4、多学科融合
5、大数据发展历程
6、应用实例
一、应用1、内容推荐(微信朋友圈广告、短视频) ) )。
2、自动驾驶(百度起步早) )
3、人脸识别(无人销售) )。
4、资源调度(规划路线、热点图) )。
二、原因1、计算机、互联网的发展
2、将传统纸张数据转换为电子数据
3、数据量快速增长带来的若干问题
)1)数据过剩，难以消化
)2)数据真伪难以辨别
)3)难以确保数据的安全性
)4)数据格式不一致，难以统一处理
4、随着数据库技术的快速发展，通过发现数据中存在的关系和规则，根据已有数据预测未来的1发展趋势。
三、数据挖掘1、数据挖掘是从大量、不完整、有噪、模糊、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。
将数据分析方法与处理大量数据的复杂算法相结合
广义：数据挖掘是从大量数据中挖掘有趣的模式和知识的过程。
相关名词：数据库知识发现(KDD )、知识提取、数据/模式分析、数据考古学
2、数据挖掘的过程数据挖掘是一个迭代的人机交互过程。 这个过程经过多个步骤，很多决策都由用户提供。
数据预处理（耗时最久）、数据挖掘和结果的解释评估（三部分）
3、数据挖掘任务分类描述性挖掘任务：刻画数据的一般特性(聚类、相关)
预测性挖掘任务：对当前数据进行估计，进行预测(分类、回归或预测)
4、多学科融合
数据挖掘是多学科交叉的产物。
(1)数据量大)从GP到PB，算法是可伸缩的，要求不能将数据存入内存) )。
)2)维数较高)数百、数千个属性的数据，维数即特征数增加，计算复杂度迅速提高) )。
)3)类复杂)数据挖掘与传统相比，需要适应不同领域不同类型的数据) )。
数据科学的数据驱动方法强调从数据中直接发现模式和关系，特别是从大量数据中，通常不需要广泛的领域知识，成功案例为——深度学习。
数据产生方式的变革促成大数据时代的来临。
5、大数据发展历程
关键技术：分布式存储，分布式处理
相关工具：RapidMiner、SAS Data Mining、Matlab等
http://www.Sina.com/http://www.Sina.com /
6、应用实例
（1）谷歌基于检索词条的数学模型分析来判断传染源位置（相关度达97%）
（2）Netflix根据用户喜好和操作分析制作 《纸牌屋》 电影
（3）Farecast预测当前机票价格
（4）UPS根据车辆上的传感器进行路线规划以及车辆信息回传