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。
有许多类型的数据挖掘，通常分为已知的信息类型(属性)和从数据挖掘模型中寻求的知识类型。
数据挖掘技术类型一：预测建模
当目标是估计特定目标属性的值，并且存在已知该属性值的样本训练数据时，使用预测建模。一个例子是分类，它使用一组已经划分为预定义组的数据，并搜索以下数据中的模式：辨析那些团体。然后，这些已发现的模式可用于对正确组的其他数据进行分类。指定因为目标属性是未知的(尽管可能知道其他属性)。例如，制造商可以开发一个预测模型来区分在极端高温、极端寒冷或其他条件下失效的部件。环境，可以使用该模型来确定每个部分的适当应用程序。另一种用于预测建模的技术是回归分析，当目标属性是一个数值，并且目标是预测新数据的值时，可以使用它。
数据挖掘技术类型二：描述性建模
描述性建模或聚类也将数据分成组。但是，对于聚类，没有预先知道适当的组；通过分析数据发现的模式被用来确定组。例如，广告商可以分析一般人群，以便将潜在客户划分为不同的集群，然后针对每个群体开展单独的广告活动。欺诈检测还利用聚类来识别具有相似采购模式的个人群体。
数据挖掘技术类型三：模式挖掘
模式挖掘专注于识别描述数据中特定模式的规则。市场篮子分析是数据挖掘最早的应用之一，它识别在购买交易中通常一起出现的事物。例如，超市使用市场篮子分析来识别经常一起购买的商品-例如，一家以鱼类打折为特色的商店也会进酱油。虽然对这种关联的测试长期以来是可行的，并且在小数据集中通常很容易看到，但是数据挖掘使得在巨大的数据集中发现不太明显的关联成为可能。最令人感兴趣的是发现意想不到的关联，这可能会为营销或研究开辟新的途径。模式挖掘的另一个重要用途是发现序列模式；例如，设备故障之前的错误或警告序列可用于安排预防性维护或提供对设计缺陷的洞察。
数据挖掘技术类型四：异常检测
可以将异常检测视为群集的另一面-即查找不寻常且不符合任何已建立模式的数据实例。欺诈检测是异常检测的一个例子。虽然欺诈检测可能被视为预测建模的问题，但欺诈性交易的相对稀有性以及犯罪分子发展新型欺诈的速度意味着任何预测模型都可能具有较低的精确度，并且很快就会过时。因此，异常检测转而专注于对什么是正常行为进行建模，以便识别异常事务。异常检测还与各种监控系统一起使用，例如用于入侵检测。
已经开发了许多其他数据挖掘技术，包括时间序列数据(例如，股票价格)、流数据(例如，传感器网络)和关系学习(例如，社交网络)中的模式发现。
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
