数据挖掘有哪些细方向 数据挖掘包括哪些方向？

应该有很多方向，大致可以归为1。计算机技术的方向，比如提高机器的处理性能。

2.算法的方向，算法的修改和改进等。3.应用方向，如商业应用、应用、制造业应用等。

数据挖掘的主要研究方向包括算法研究和应用研究。

1.数据挖掘算法研究。目前数据挖掘的主流算法有统计学习算法和机器学习算法(监督学习、半监督学习、强化学习等。)，而机器学习算法中最受欢迎的是深度神经网络算法。主要任务是找到更高级的算法或者改进这些算法使其在数据挖掘中更高效，或者把这些算法做成工具使其更方便使用，降低算法的门槛。

2.应用研究，主要在大数据分析领域。数据挖掘在人文社会科学、经济、医疗、科学与工程等领域有着很强的应用前景。

第一步，选择一个自己擅长的领域，想办法获取这个领域的数据。这一步看似简单，其实很难。一方面需要的数据量非常大，非常全面，另一方面需要尽可能保证获得数据的真实性。这个前提没有做好，下面的分析就没有意义了。

第二步，数据清洗，必须了解数据清洗的常用算法，冗余清洗，数据的标准化。

第三步，选择合适的算法，不断做实验，得出实验结论。

第四步，建立适当的结论评价标准，判断第三步的结论是否具有现实意义。如果结论明显错误或不一致，则重新选择算法。如果改变了多个算法，结论仍然没有意义，则认为数据有问题，很可能需要寻找新的数据，或者之前的数据不充分，需要补充其他数据重新分析。

另外，数据挖掘需要的知识体系至少包括统计分析、机器学习、神经网络和数据库。推荐的入学门槛是985硕士 本科或以上学历。

数据挖掘可以分为两类:描述性数据挖掘和预测性数据挖掘。描述性数据可以分为关联规则、聚类分析和序列模式(时间序列聚类)。另一种预测性数据挖掘可以分为分类和预测。

数据挖掘虽然分这么多类，但都有一个相同的目的，就是通过大数据找到事物与事物之间的关联。可以更好地挖掘客户潜力，实现利益最大化，引导营销人员找到更精准的人群，获取高精准客户，从而变相提高客户转化率。还能为企业的战略规划提供有力的数据支持，从而避免决策失误。

数据挖掘分为哪两大类？

1)根据挖掘数据库的类型分类:数据挖掘系统可以根据挖掘数据库的类型进行分类。。数据库系统本身可以按照不同的标准(如数据模型、数据类型或涉及的应用)进行分类，每一类都可能需要自己的数据挖掘技术。这样，数据挖掘系统就可以进行相应的分类。

例如，根据数据模型的分类，可以有关系、事务、对象关系或数据仓库挖掘系统。如果根据处理的数据的具体类型进行分类，可以有空间、时间序列、文本、流数据、多媒体数据挖掘系统或万维网挖掘系统。

2)根据挖掘出的知识类型进行分类:数据挖掘系统可以根据挖掘出的知识类型进行分类，即根据数据挖掘的功能进行分类，如表征、区分、相关和关联分析、分类、预测、聚类、离群点分析和演化分析等。全面的数据挖掘系统通常提供多种和/或集成的数据挖掘功能。

此外，数据挖掘系统还可以根据挖掘出的知识的粒度或抽象层进行区分，包括广义知识(高抽象层)、原始层知识(原始数据层)或多层知识(考虑若干抽象层)。一个先进的数据挖掘系统应该支持多层次的知识发现。数据挖掘系统还可以分为挖掘数据的规律性(常见模式)和奇异性(如异常或离群值)。一般来说，概念描述、关联和相关分析、分类、预测和聚类挖掘数据的规律性，排除离群值作为噪声。这些方法也有助于检测异常值。

3)根据使用的技术类型分类:数据挖掘系统也可以根据使用的数据挖掘技术分类。这些技术可以根据用户交互的程度(如自动化系统、交互探索系统、查询驱动系统)或使用的数据分析方法(如面向数据库或面向数据仓库的技术、机器学习、统计学、可视化、模式识别、神经网络等)来描述。).复杂的数据挖掘系统通常采用多种数据挖掘技术，或者采用有效的集成技术，结合一些方法的优点。

4)按应用分类:数据挖掘系统也可以按应用分类。例如，一些数据挖掘系统可能特别适用于金融、电信、DNA、股票市场、电子邮件等。不同的应用程序通常需要集成对该应用程序特别有效的方法。因此，通用的通用数据挖掘系统可能不适合特定领域的挖掘任务。