数字化转型网数据专题将关注数据治理、数据质量管理、数据架构、主数据管理、数据仓库、元数据管理、数据备份、数据挖掘、数据分析、数据安全、大数据、数据合规、等数据相关全产业链相关环节。
一、数据挖掘的通俗理解
数据挖掘就是：从数据中获取信息，探究数据之间的关系。可以做到两类事情：
第一：构建一个算法，算法可以帮助我解决问题做预测，但是算法本身的程序和公式步骤并无法明确。
（也就是我把数据输进去算法，它自动会把结果跑出来，但是它怎么跑的我们不知道，这是算法自己学到的知识，但我们无法获知）如神经网络感知机、深度学习。
第二：构建算法帮我们解决问题的同时，我们可以对算法内部进行解释（简言之，就是算法学到的是我们也可以获取的知识）
如线性回归：我们可以自己构建线性回归方程、输入自变量，因变量会随之输出，我们甚至可以根据系数判断变量之间的相互关系；
如聚类算法：一开始我们不知道这些数据是什么类别，是算法帮我们分类，我们可以观察结果判断每一个类别的特征；
如关联规则：这是一个基于概率的东西……这就是从模型到数据发现的过程。
二、数据发掘分为哪几类
那么我们了解数据挖掘是什么以后，大家一起来学习一下数据发掘可以分为哪几种类型呢？下面就给大家说明论文中常见的一些数据挖掘的提法：
第一：根据是否需要因变量来分，也就是说“我们是否已经需要知道结果用什么变量表示”，需则为“有监督学习”，不需则为“无监督学习”。
例如典型的有监督学习：线性回归，这就是必须有因变量才可以做的算法，但无监督学习的算法是不需要因变量的，比如聚类，我们一开始没有设定划类依据，是最后分出来类别看的种类属性。继续往下细分，有监督学习又可以根据因变量是否为连续变量分为：回归和分类两种。
如自变量为体重，回归预测的①因变量为身高（连续变量）就是回归；②因变量为性别（离散变量）就是分类。
第二：根据本质可以分为：线性算法和非线性算法。因为数据挖掘本身是一个高维研究，即空间中是否能够构建一个超平面。
第三：为了大家写论文过程中遇到模型学会如何抉择，根据算法的来源进行分类，分为：基于回归；基于划分；基于概率三种。
综上可知，算法的新出现基本都是对前一个算法的沿袭和改进。
数字化转型网数据专题包含哪些内容
数字化转型网数据专题将关注数据治理、数据质量管理、数据架构、主数据管理、数据仓库、元数据管理、数据备份、数据挖掘、数据分析、数据安全、大数据、数据合规、等数据相关全产业链相关环节。
数字化转型网数据专题包含：
1、数据相关外脑支持：100+数据相关专家、100+数据实践者、1000+相关资料
2、数据研习社：与全球数据相关专家、实践者共同探讨相关问题，推动产业发展！
3、国际认证培训：目前已引进DAMA国际认证CDMP，其他国内外认证也在逐步引进中
4、典型案例参考：与数字化转型网数据要素X研习社社员一起学习典型案例，共探企业数据落地应用
