昨日，在亮马河大厦举办了2011大数据世界论坛。
大会现场
覆盖金融，电信，政府，医疗，能源，公共事业，零售，物流等行业对大数据存储，挖掘均有巨大需求，本次论坛集各家所长，共同解决一个问题：面对海量数据，你准备好了吗？
从几拍字节的数据仓库到社交媒体数据，从基于云计算的应用程序到传感器和移动设备，从电子商务处理到地理空间信息，海量数据的时代已经来临。在已经到来的大数据量时代，数据存储发生了什么变化吗？是的，发生了巨大的变化，存储形式仿佛转了一个圈，又回到了文件式存储。据统计，包括视频、音频、图片、微博等在内的非结构化数据将占企业数据的80%左右，到2012年数据存储基本会是以文件形式存储。
在这个大时代来临之时，您是否还记得1TB的数据仓库被视为大储量的年代？如今，您只需要付出不到100美元就可以从当地零售商处购买到存储量为1TB的存储设备，而许多数据仓库的存储量已经超过了拍字节。
不过持续增长的数据量仅仅是海量数据的一半构成内容，海量数据同时带来了数据的多样性，复杂性以及速率的大规模增长。这种变化具有破坏力吗？是的，它具有破坏力，你做好准备迎战它，击败它了吗？这是一次商机吗？是的，这是一次商机，那么你做好准备去利用它了吗？该如何击败，该如何利用？答案只有一个：数据挖掘，挖掘出商机无限，挖掘出潜在信息。
在大众点评网CEO张涛看来，数据挖掘是一家互联网公司必不可少的。实际上，不只是互联网公司，数据挖掘对于任意一家公司都是必不可少的。
#p#
什么是数据挖掘？
简单地说，数据挖掘是指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。注意，从矿石或砂子挖掘黄金称作黄金挖掘，而不是砂石挖掘。因 此，数据挖掘应当更正确地命名为“从数据中挖掘知识”，遗憾的是这个词有点长。“知识挖掘”是一个较短的术语，但不能反映从大量数据中挖掘。毕竟，挖掘是 一个很生动的术语，它抓住了从大量的、未加工的材料中发现少量宝贵金块这一过程的特点（见图1-3）。这样，“数据挖掘”成了流行术语。还有一些术语具有 和数据挖掘类似但稍微不同的含义，如从数据中挖掘知识、知识提取、数据/模式分析、数据考古和数据捕捞。
许多人把数据挖掘视为另一个常用的术语数据中的知识发现或KDD的同义词，而另一些人只是把数据挖掘视为知识发现过程的一个基本步骤。知识发现过程如图1-4所示，由以下步骤的迭代序列组成：
1. 数据清理（消除噪声和不一致数据）
2. 数据集成（多种数据源可以组合在一起）
3. 数据选择（从数据库中提取与分析任务相关的数据)
图1-3 数据挖掘：在你的数据中搜索知识（有趣的模式）
图1-4 数据挖掘作为知识发现过程的一个步骤
4. 数据变换（数据变换或统一成适合挖掘的形式，如通过汇总或聚集操作）
5. 数据挖掘（基本步骤，使用智能方法提取数据模式)
6. 模式评估（根据某种兴趣度度量，识别表示知识的真正有趣的模式；见1.5节)
7. 知识表示（使用可视化和知识表示技术，向用户提供挖掘的知识)
步骤1～4是数据预处理的不同形式，为挖掘准备数据。数据挖掘步骤可能与用户或知识库交互。有趣的模式提供给用户，或作为新的知识存放在知识库中。注意，根据这种观点，数据挖掘只是整个过程中的一个步骤，尽管是最重要的步骤，因为它发现用来评估的隐藏的模式。
我们同意数据挖掘是知识发现过程的一个步骤。然而，在产业界、媒体和数据库研究界，术语数据挖掘比长术语从数据中发现知识更流行。因此，本书选用术 语数据挖掘。我们采用数据挖掘功能的广义观点：数据挖掘是从存放在数据库、数据仓库或其他信息库中的大量数据中发现有趣知识的过程。基于这种观点，典型的 数据挖掘系统具有以下主要成分（见图1-5)：
图1-5 典型数据挖掘系统的结构
#p#
数据挖掘到底能做什么？
数据挖掘能做以下七种不同事情（分析方法）：
- 分类 （Classification）
- 估值（Estimation）
- 预言（Prediction）
- 相关性分组或关联规则（Affinity grouping or association rules）
- 聚集（Clustering）
- 描述和可视化（Description and Visualization）
- 复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
数据挖掘中的算法
“数据挖掘算法”是创建数据挖掘模型的机制。为了创建模型，算法将首先分析一组数据并查找特定模式和趋势。算法使用此分析的结果来定义挖掘模型的参数。然后，这些参数应用于整个数据集，以便提取可行模式和详细统计信息。
算法创建的挖掘模型可以采用多种形式，这包括：
-
说明在交易中如何将产品分组到一起的一组规则。
-
预测特定用户是否会购买某个产品的决策树。
-
预测销量的数学模型。
-
说明数据集中的事例如何相关的一组分类。
【编辑推荐】
数据挖掘算法的类型
包括了以下算法类型：
- 分类算法基于数据集中的其他属性预测一个或多个离散变量。
- 回归算法基于数据集中的其他属性预测一个或多个连续变量，如利润或亏损。
- 分割算法将数据划分为组或分类，这些组或分类的项具有相似属性。
- 关联算法查找数据集中的不同属性之间的相关性。这类算法最常见的应用是创建可用于市场篮分析的关联规则。
- 顺序分析算法汇总数据中的常见顺序或事件，如 Web 路径流。
数据挖掘，越来越多的体现在企业的数据报表上，也会为我们带来越来越明显的效益。所以，您做好准备了吗？做好准备迎接新的时代，利用多样化数据的准备了吗？
【编辑推荐】
