數(shù)據(jù)挖掘
1 數(shù)學(xué)預(yù)備知識
概率論：支撐整個數(shù)據(jù)挖掘算法和機器學(xué)習(xí)算法的數(shù)學(xué)基礎(chǔ)，要熟悉常見的一些概率分布。
矩陣論：線性代數(shù)中對數(shù)據(jù)挖掘最有用的部分，還有一些線性空間相關(guān)知識也很重要。
信息論：將信息和數(shù)學(xué)緊密連接在一起并完美的表達的橋梁，需要掌握信息熵、信息增益等相關(guān)知識。
統(tǒng)計學(xué)：數(shù)據(jù)分析最早的依賴基礎(chǔ)，通常和概率論一起應(yīng)用，現(xiàn)在的機器學(xué)習(xí)和數(shù)據(jù)挖掘很多都是基于統(tǒng)計的，常見的均值、方差、協(xié)方差等都要熟練掌握。
2 編程基礎(chǔ)
數(shù)據(jù)挖掘需要一定的編程基礎(chǔ)，因為要實現(xiàn)模型以及數(shù)據(jù)的處理很多工作都是需要程序來進行的，數(shù)據(jù)挖掘常用的編程語言如下：
SQL：數(shù)據(jù)庫的熟練使用是任何數(shù)據(jù)挖掘人員必不可少的技能。
C++ ：有很多的標準模板庫以及機器學(xué)習(xí)模型庫進行調(diào)用可以方便編程實現(xiàn)。
Python：對字符串處理有極大的優(yōu)勢，是解釋型語言，實現(xiàn)簡單，而且有很多開源的機器學(xué)習(xí)模型庫的支持，可處理大規(guī)模數(shù)據(jù)。
Matlab：擁有強大的矩陣運算，也是解釋型語言，有很多發(fā)展較成熟庫可以直接調(diào)用，支持數(shù)據(jù)結(jié)果的可視化表示，但是處理數(shù)據(jù)量有限。
R：近年興起的數(shù)據(jù)分析編程語言，數(shù)據(jù)可視化做的比較好，語法簡單，學(xué)習(xí)成本很低，很多非程序設(shè)計人員都可以數(shù)量掌握。
Java：使用范圍最廣的編程語言，有很多社區(qū)進行交流，進行編程實現(xiàn)具有靈活高效的特點，不足之處就是實現(xiàn)功能的代碼量較大（相對于其他數(shù)據(jù)挖掘編程語言）。
Scala: 一種具有面向?qū)ο箫L(fēng)格、函數(shù)式風(fēng)格、更高層的并發(fā)模型的編程語言。同時Scala是大數(shù)據(jù)處理平臺Spark的實現(xiàn)語言。
3 數(shù)據(jù)挖掘的模型知識
機器學(xué)習(xí)和數(shù)據(jù)挖掘是緊密相關(guān)的，要進行數(shù)據(jù)挖掘需要掌握一些機器學(xué)習(xí)所用的方法和模型知識，通過模型的訓(xùn)練可以得到處理數(shù)據(jù)的最優(yōu)的模型。