数据挖掘原理与算法

‘壹’ 关于数据挖掘，比较经典的算法书籍（详细介绍算法原理的）

还是最经典的那本
《数据挖掘：概念与技术》 韩加伟的

‘贰’ 求数据挖掘原理与算法(第3版)教师用书 毛国君 编着的课后答案

答案家论坛不是有这个答案吗，你在里面搜下关键字看看

‘叁’ 数据挖掘原理与实践 pdf急

书名=数据挖掘原理与实践
作者=蒋盛益，李霞，郑琪编着
页码=271

ISBN=978-7-121-14050-1
出版社=北京：电子工业出版社 , 2011.08

附件已经上传

‘肆’ 什么是数据挖掘数据挖掘怎么做啊

数据挖掘（Data Mining）是指通过大量数据集进行分类的自动化过程，以通过数据分析来识别趋势和模式，建立关系来解决业务问题。换句话说，数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。

原则上讲，数据挖掘可以应用于任何类型的信息存储库及瞬态数据（如数据流），如数据库、数据仓库、数据集市、事务数据库、空间数据库（如地图等）、工程设计数据（如建筑设计等）、多媒体数据（文本、图像、视频、音频）、网络、数据流、时间序列数据库等。也正因如此，数据挖掘存在以下特点：

（1）数据集大且不完整
数据挖掘所需要的数据集是很大的，只有数据集越大，得到的规律才能越贴近于正确的实际的规律，结果也才越准确。除此以外，数据往往都是不完整的。

（2）不准确性
数据挖掘存在不准确性，主要是由噪声数据造成的。比如在商业中用户可能会提供假数据；在工厂环境中，正常的数据往往会收到电磁或者是辐射干扰，而出现超出正常值的情况。这些不正常的绝对不可能出现的数据，就叫做噪声，它们会导致数据挖掘存在不准确性。

（3）模糊的和随机的
数据挖掘是模糊的和随机的。这里的模糊可以和不准确性相关联。由于数据不准确导致只能在大体上对数据进行一个整体的观察，或者由于涉及到隐私信息无法获知到具体的一些内容，这个时候如果想要做相关的分析操作，就只能在大体上做一些分析，无法精确进行判断。
而数据的随机性有两个解释，一个是获取的数据随机；我们无法得知用户填写的到底是什么内容。第二个是分析结果随机。数据交给机器进行判断和学习，那么一切的操作都属于是灰箱操作。

‘伍’ 数据挖掘方法都有哪些

1、神经元网络办法

神经元网络由于本身优良的健壮性、自组织自适应性、并行计算、遍及贮存和高宽比容错机制等特色特别适合处理数据发掘的难题，因而近些年愈来愈遭受大家的关心。

2、遗传算法

遗传算法是一种依据微生物自然选择学说与基因遗传原理的恣意优化算法，是一种仿生技能全局性提升办法。遗传算法具有的暗含并行性、便于和其他实体模型交融等特性促使它在数据发掘中被多方面运用。

3、决策树算法办法

决策树算法是一种常见于预测模型的优化算法，它依据将很多数据信息有目地归类，从这当中寻找一些有使用价值的，潜在性的信息。它的要害优势是叙说简易，归类速度更快，十分适宜规模性的数据处理办法。

4、遮盖正例抵触典例办法

它是使用遮盖悉数正例、抵触悉数典例的观念来找寻规范。最先在正例结合中随意选择一个种子，到典例结合中逐一较为。与字段名赋值组成的选择子相溶则舍弃，反过来则保存。按此观念循环系统悉数正例种子，将获得正例的规范(选择子的合取式)。

5、数据剖析办法

在数据库查询字段名项中心存有二种相关：函数关系和相关剖析，对他们的剖析可选用应用统计学办法，即使用统计学原理对数据库查询中的信息展开剖析。可展开常见统计剖析、多元回归剖析、相关性剖析、差异剖析等。

6、含糊集办法

即使用含糊不清结合基础理论对具体难题展开含糊不清评定、含糊不清管理决策、含糊不清系统识别和含糊聚类剖析。系统软件的多元性越高，抽象性越强，一般含糊不清结合基础理论是用从属度来描绘含糊不清事情的亦此亦彼性的。

‘陆’ 大数据挖掘的算法有哪些

大数据挖掘的算法：
1.朴素贝叶斯，超级简单，就像做一些数数的工作。如果条件独立假设成立的话，NB将比鉴别模型收敛的更快，所以你只需要少量的训练数据。即使条件独立假设不成立，NB在实际中仍然表现出惊人的好。
2. Logistic回归，LR有很多方法来对模型正则化。比起NB的条件独立性假设，LR不需要考虑样本是否是相关的。与决策树与支持向量机不同，NB有很好的概率解释，且很容易利用新的训练数据来更新模型。如果你想要一些概率信息或者希望将来有更多数据时能方便的更新改进模型，LR是值得使用的。
3.决策树，DT容易理解与解释。DT是非参数的，所以你不需要担心野点（或离群点）和数据是否线性可分的问题，DT的主要缺点是容易过拟合，这也正是随机森林等集成学习算法被提出来的原因。
4.支持向量机，很高的分类正确率，对过拟合有很好的理论保证，选取合适的核函数，面对特征线性不可分的问题也可以表现得很好。SVM在维数通常很高的文本分类中非常的流行。

如果想要或许更多更详细的讯息，建议您去参加CDA数据分析课程。大数据分析师现在有专业的国际认证证书了，CDA，即“CDA 数据分析师”，是在数字经济大背景和人工智能时代趋势下，面向全行业的专业权威国际资格认证， 旨在提升全民数字技能，助力企业数字化转型，推动行业数字化发展。 “CDA 数据分析师”具体指在互联网、金融、零售、咨询、电信、医疗、旅游等行业专门从事数据的采集、清洗、处理、分析并能制作业务报告、 提供决策的新型数据分析人才。点击预约免费试听课。

‘柒’ 数据挖掘怎么最快入门书籍或培训都可以。

你可以找一本书，对数据挖掘背景和应用介绍比较细，具体方法使用和实例分析。
1、数据挖掘原理 汉德(David Hand), 曼尼拉(Heikki Mannila), 史密斯(Padhraic Smyth)着
2、数据挖掘技术:市场营销、销售与客户关系管理领域应用:for marketing, sales, and customer relationship ma (美) Michael J. A. Berry, Gordon S. Linoff着

我喜欢读外国写的书，这是我刚借的书，我认为很好。你可以做个参考。还有可以看看数据挖掘论文，网上有很多。

‘捌’ 会数据挖掘技术的请进！

楼主需要的是数据挖掘从入门到精通，这得专门培训一段时间，据我了解（我不编程）起码得啃好几本算法的书，才能编出有效率的程序。。。
看来你是想编数据挖掘的算法了，去看（加）韩家炜的《数据挖掘概念与技术（原书第2版）》吧。听别人建议：数学好的话，再去看看《数据挖掘原理》by David Hand,Heikki Mannila,Padhraic Smyth，和某本实验机器学习的书，DM理论水平应该有一定基础。
当然了，如果只是混个学分就无所谓了，就算你编的程序跑1万条数据就歇菜了都没关系。
晕菜，下次提问把目的，背景说清楚了。
建议你的系统架构把客户订单管理与数据挖掘分开，订单管理系统这个不难，你应该会，数据挖掘可以利用现有的软件做，（例如楼上的哥们所说的SAS，SPSS clementine(推荐这个)，甚至EXCEL2007）把订单管理系统中的数据导入数据挖掘软件中进行建模分析，至于分析什么，看你的爱好了，结合收款情况可以做信用管理，结合促销活动可以做营销相应分析，实在想简单点，做个聚类或者分类搞客户细分，等等，想混学分的话模型就用神经网络吧，这个黑箱你爱怎么解释就怎么解释。
题外话，其实，很多时候用不上数据挖掘，统计分析就够了。统计分析做得不到位就搞数据挖掘纯属得瑟