数据分析与数据挖掘
数据分析与挖掘感悟
数据分析与挖掘感悟数据挖掘和数据分析是当今信息化社会中非常重要的技术，它们在各个领域都有广泛的应用。
作为一名从事这一领域工作的人员，我深刻地感受到了数据挖掘和数据分析的魅力和挑战。
第一点：数据挖掘的重要性数据挖掘是一种从大量数据中提取有价值信息的技术。
在当今信息爆炸的时代，数据挖掘的重要性不言而喻。
首先，数据挖掘可以帮助企业和组织发现潜在的商业模式和市场机会。
通过分析大量的市场数据，数据挖掘可以找到消费者需求、市场趋势等方面的信息，为企业决策提供有力支持。
其次，数据挖掘还可以用于预测和预防风险。
例如，金融机构可以通过数据挖掘分析客户的信用状况，从而降低信贷风险。
此外，数据挖掘在科学研究、医疗健康、城市规划等领域也有广泛的应用。
然而，数据挖掘并非易事。
大量的数据往往包含噪声和冗余信息，需要进行有效的数据清洗和预处理。
此外，数据挖掘过程中的算法选择和模型调优也是一项挑战。
在实际应用中，我们需要根据具体问题和数据特点选择合适的算法，并通过不断的实验和优化来提高模型的性能。
因此，数据挖掘不仅需要理论知识，还需要实践经验和技能。
第二点：数据分析的深度与广度数据分析是对数据进行挖掘和解释的过程，其目的是从数据中发现规律、趋势和关联性。
数据分析的深度和广度是衡量其价值的重要指标。
数据分析的深度指的是对数据进行的深入挖掘和分析。
在实际应用中，深度分析可以帮助我们发现数据背后的隐藏信息和深层次的关联。
例如，在社交媒体数据中，深度分析可以揭示用户的情感倾向、社交网络结构和传播规律等。
深度分析往往需要使用复杂的算法和模型，如深度学习、图计算等。
同时，深度分析也需要关注数据隐私和道德问题，确保分析过程符合相关法规和伦理标准。
数据分析的广度则是指对多个数据源和多个维度的分析。
在现实世界中，数据往往是分散和多源的。
广度分析可以帮助我们综合不同来源和类型的数据，从而获得更全面和客观的洞察。
例如，在金融领域，广度分析可以结合股票、债券、商品等多种金融市场的数据，以获得更好的投资决策。
数据分析与数据挖掘的区别与联系
数据分析与数据挖掘的区别与联系随着信息时代的到来，数据的产生与累积不断增长，如何从海量的数据中获取有用的信息，已经成为各行各业所需要面对的问题。
在这个过程中，数据分析和数据挖掘逐渐成为最常见的手段。
本文将从概念、对象、方法、应用等方面，来探讨数据分析和数据挖掘的区别与联系。
一、概念数据分析和数据挖掘都是从原始数据中提取出有用信息的过程，但是它们的概念有所不同。
数据分析是指根据事先设定的数据分析模型，对数据进行统计、分类、预测、评估等分析处理的过程。
而数据挖掘则是指对大数据进行探索性分析、模式识别、机器学习等深层次的数据分析过程的总称。
二、对象数据分析和数据挖掘的对象也不同。
数据分析主要处理结构化数据，如表格、数据字典等，其数据处理模型也比较成熟，通常采用传统的描述性统计、回归分析、聚类分析等方法。
而数据挖掘则主要处理非结构化数据，如文本、图片、音频、视频等，其数据类型复杂、数量庞大、多源异构、可变性高，因此采用的技术手段较为灵活和自适应。
三、方法数据分析和数据挖掘采用的方法也大不相同。
数据分析的方法主要包括：统计学方法、回归分析、聚类分析、因子分析、决策树、人工神经网络等。
而数据挖掘则采用较为复杂的技术手段，包括：关联规则挖掘、分类算法、聚类算法、异常检测、时间序列分析、深度学习等。
四、应用这里列举一些常见的数据分析和数据挖掘应用场景来帮助读者更好地理解它们。
数据分析主要应用于商业智能、互联网广告、金融风控、医疗保险、能源管理等领域，可以帮助企业制定决策、优化运营、提高营销效率、降低风险。
而数据挖掘则广泛应用于搜索引擎、人工智能、自然语言处理、图像识别、智能推荐等领域，可以实现计算机对人工智能的感知、认知、学习和理解。
五、结论从上面所述的几个方面来看，数据分析和数据挖掘确实有一些区别。
但是二者也存在着联系，数据挖掘可以被看成是数据分析的一种加强版，其方法和技术适用于更广泛的数据类型和应用场景，也可以为数据分析提供更深入、更细致、更准确的支持。
数据分析与数据挖掘区别
数据分析与数据挖掘区别数据分析和数据挖掘是两个在数据科学领域中常用的术语，它们在处理和解释数据方面起着重要的作用。
尽管它们有一些相似之处，但它们在方法和目标上存在一些明显的区别。
数据分析是指通过对已有数据进行收集、清洗、整理、转换和统计等操作，来发现数据中的模式、趋势、关联性和异常等信息的过程。
数据分析的目标是为了获得对业务决策有用的洞察和见解。
它通常包括描述性统计分析、推论统计分析、数据可视化和报告等技术手段。
数据挖掘是指通过使用算法和模型来自动发现数据中的隐藏模式、关联规则和趋势等信息的过程。
数据挖掘的目标是通过在大规模数据集中寻找隐含的知识，来帮助做出预测和决策。
它通常包括聚类分析、分类分析、关联规则挖掘和异常检测等技术手段。
虽然数据分析和数据挖掘都是处理数据的方法，但它们的侧重点有所不同。
数据分析更注重对已有数据的解释和理解，通过统计和可视化等手段来揭示数据的内在规律和趋势。
而数据挖掘更注重从大规模数据集中发现新的、未知的知识和规律，以帮助做出预测和决策。
另外，数据分析和数据挖掘在应用场景和数据处理过程上也有所区别。
数据分析通常适用于已有数据集的分析和解释，可以用于市场调研、销售预测、财务分析等领域。
而数据挖掘更适用于大规模数据集的挖掘和模式发现，可以用于推荐系统、风险评估、欺诈检测等领域。
在技术层面上，数据分析和数据挖掘都需要使用相关的工具和技术来支持分析和挖掘过程。
常用的数据分析工具包括Excel、SPSS、Python和R等，而数据挖掘工具则包括Weka、RapidMiner、Python和TensorFlow等。
根据具体的任务和需求，选择合适的工具和技术将有助于提高数据分析和数据挖掘的效果和效率。
总结起来，数据分析和数据挖掘是两个相互关联但又有所区别的概念。
数据分析更注重对已有数据的解释和理解，通过统计和可视化等手段来揭示数据的内在规律和趋势；而数据挖掘更注重从大规模数据集中发现新的、未知的知识和规律，以帮助做出预测和决策。
《数据分析与数据挖掘》课程教学大纲
《数据分析与数据挖掘》课程教学大纲引言概述：数据分析与数据挖掘是当今信息时代中非常重要的课程之一。
随着大数据时代的到来，数据分析和数据挖掘的技术和方法在各个领域都得到了广泛应用。
本文将详细介绍《数据分析与数据挖掘》课程的教学大纲，包括课程的目标、内容和教学方法等。
一、课程目标：1.1 培养学生的数据分析和数据挖掘的基本理论知识和技能；1.2 培养学生的数据处理和数据挖掘的实践能力；1.3 培养学生的数据分析和数据挖掘的问题解决能力。
二、课程内容：2.1 数据分析基础知识2.1.1 数据分析的定义和概念2.1.2 数据分析的基本流程2.1.3 数据分析的常用方法和技术2.2 数据挖掘算法2.2.1 数据挖掘的概念和目标2.2.2 常见的数据挖掘算法2.2.3 数据挖掘算法的应用领域2.3 数据预处理2.3.1 数据清洗的方法和技术2.3.2 数据集成和转换的方法和技术2.3.3 数据规约的方法和技术三、教学方法：3.1 理论讲授3.1.1 通过课堂讲解，向学生介绍数据分析和数据挖掘的基本概念和方法；3.1.2 通过案例分析，展示数据分析和数据挖掘在实际问题中的应用。
3.2 实践操作3.2.1 提供真实数据集，让学生进行数据分析和挖掘的实践操作；3.2.2 引导学生使用数据分析和挖掘工具，进行实际案例的分析和挖掘。
3.3 小组讨论3.3.1 组织学生进行小组讨论，探讨数据分析和数据挖掘的问题和方法；3.3.2 鼓励学生分享自己的经验和见解，促进学生之间的互动和合作。
四、评估方式：4.1 课堂作业4.1.1 布置数据分析和数据挖掘的相关作业，要求学生运用所学知识解决实际问题；4.1.2 对学生的作业进行批改和评估，及时反馈学生的学习情况。
4.2 项目实践4.2.1 要求学生参与数据分析和数据挖掘的项目实践，锻炼他们的实际操作能力；4.2.2 对学生的项目实践进行评估，评估学生在实际项目中的表现和能力。
数据挖掘和数据分析
数据挖掘和数据分析一、数据挖掘的概念与应用数据挖掘是一种通过运用自动或半自动趋势分析算法和机器学习方法在大型数据集中自动发现模式、关联、规律的方法。
它是从大量数据中发现信息、提取知识的过程。
数据挖掘可以通过聚类、分类、预测、关联规则等技术对数据进行处理以及分析，以便对数据进行有效的利用。
数据挖掘的应用领域非常广泛，包括自然语言处理、图像分析、交通管理、金融分析、医疗卫生、人力资源管理、广告推荐等，并且可以帮助企业快速了解消费者喜好和购买习惯，提高企业的盈利能力。
二、数据分析的步骤和方法数据分析是指对数据进行分析和解释，从而获得有用的信息和知识的过程。
数据分析的步骤如下：1.定义问题：明确问题，确定需要解决的问题、分析的目的和预期的结果，这是数据分析的关键。
2.收集数据：通过各种数据采集手段获取数据，包括问卷、调查、数据库、网站数据等。
3.数据清洗：通过数据清理、转换和集成等步骤，将不规则的、冗余的和错误的数据变为可分析的干净数据；4.数据分析：针对问题，使用不同的分析方法来处理数据，例如描述性统计、回归分析、因子分析等。
5.数据可视化：将数据以图表、图形等形式展示，帮助观察者容易理解和解读数据；6.制定决策：依据分析结果，制定相应的决策和行动计划，以解决问题。
三、数据挖掘和数据分析的联系和区别数据挖掘和数据分析是密切相关的，但侧重于不同层次的数据处理。
数据分析主要是针对已经存在的数据进行分析、处理和解释，从而获得数据的意义和价值。
而数据挖掘则是针对大量的数据进行筛选，挑选出其中有用的信息或者规律，以帮助决策者进行有效决策和预测未来的趋势。
另外，数据分析大多使用一些传统的统计学和数据科学的方法，而数据挖掘则完全依靠计算机算法和机器学习技术。
四、数据挖掘和数据分析的应用场景关于数据挖掘和数据分析的应用场景，如下：1. 网络安全：主要应用数据挖掘技术进行安全检测和风险评估；2. 生产制造：通过数据分析，可以通过分析坏品率、维修率等数据，减少损失，提高效益；3. 能源管理：数据采集和分析可以帮助企业掌握用能情况，制定合理的、有效的能源管理策略；4. 网站内容的推广和营销：数据分析可以帮助企业分析访问者的习惯，了解客户需求，进行精准的广告推送，实现精准营销；5. 金融领域：数据挖掘可以帮助银行预测用户行为，降低风险，提高效益。
数据分析与数据挖掘区别
数据分析与数据挖掘区别数据分析和数据挖掘是两个在数据科学领域中时常被提到的术语。
虽然它们都涉及处理和解释数据，但它们在方法和目标上有一些明显的区别。
本文将详细介绍数据分析和数据挖掘之间的区别。
1. 定义和目标：数据分析是指通过采集、整理、转换和模式识别等方法，对数据进行详细的研究和解释，以提取出实用的信息和洞察力。
其目标是理解数据中的模式、关联和趋势，并为业务决策提供支持。
数据挖掘是指通过应用统计学、机器学习和人工智能等技术，自动发现数据中的隐藏模式和知识，以揭示数据暗地里的规律和关系。
其目标是从大规模数据集中提取出有价值的信息，并进行预测和决策。
2. 数据来源：数据分析通常基于已有的结构化数据，例如数据库、电子表格和日志文件等。
这些数据已经经过整理和清洗，可以直接进行分析。
数据挖掘则更多地关注非结构化数据，例如文本、图象和音频等。
这些数据通常需要经过预处理和特征提取，以便进行有效的挖掘。
3. 方法和技术：数据分析使用各种统计和可视化工具，例如描述性统计、回归分析和数据可视化等。
这些方法旨在揭示数据的特征和变化，以支持业务决策。
数据挖掘则使用更复杂的技术，如聚类分析、分类和预测建模等。
这些技术旨在发现数据中的模式和规律，以匡助预测未来事件和行为。
4. 数据处理：数据分析通常从整个数据集中提取样本，并对其进行统计分析。
这样做的目的是为了更好地理解数据的总体特征，并从中得出结论。
数据挖掘则更多地关注大规模数据集的处理。
它使用各种算法和技术，例如并行计算和分布式处理，以应对大量数据和计算的挑战。
5. 应用领域：数据分析广泛应用于各个行业和领域，包括市场营销、金融、医疗和社交媒体等。
它可以匡助企业了解客户需求、优化业务流程和改进产品。
数据挖掘主要用于预测和决策支持。
它在金融风控、推荐系统、欺诈检测和医学诊断等领域发挥着重要作用。
总结：数据分析和数据挖掘是数据科学领域中的两个重要概念。
数据分析主要关注数据的解释和洞察力，通过统计和可视化等方法揭示数据的模式和趋势。
《数据分析与数据挖掘》课程教学大纲
《数据分析与数据挖掘》课程教学大纲数据分析与数据挖掘是当今信息技术领域中备受关注的两大重要领域。
本文将围绕数据分析与数据挖掘课程的教学大纲展开讨论，旨在帮助读者更好地了解这门课程的内容和目标。
一、课程简介1.1 数据分析与数据挖掘的定义及关系数据分析是指通过对数据进行收集、处理、分析和解释，以发现数据中的隐藏信息和规律，从而支持决策和解决问题的过程。
数据挖掘则是指利用各种技术和方法从大量数据中发现潜在的有用信息和知识。
1.2 课程目标通过本课程的学习，学生将掌握数据分析与数据挖掘的基本概念、方法和技术，能够运用相关工具进行数据处理和分析，具备解决实际问题的能力。
1.3 课程重要性数据分析与数据挖掘在各个领域都有广泛的应用，能够帮助企业做出科学决策、优化产品和服务、提高效率和盈利能力，是当今信息时代不可或缺的重要技能。
二、课程内容2.1 数据预处理数据预处理是数据分析与数据挖掘的第一步，包括数据清洗、数据集成、数据变换和数据规约等过程，旨在提高数据的质量和可用性。
2.2 数据探索与可视化数据探索是指对数据进行统计分析和可视化展示，以揭示数据之间的关系和规律，为后续建模和分析提供支持。
2.3 数据建模与评估数据建模是指利用机器学习和统计方法构建模型，对数据进行预测和分类。
数据评估则是评估模型的性能和准确度，找出模型的优缺点并进行改进。
三、教学方法3.1 理论讲授教师将通过课堂讲授介绍数据分析与数据挖掘的基本理论和方法，帮助学生建立起相关知识体系。
3.2 实践操作通过实际案例和数据集的操作，学生将有机会动手进行数据处理和分析，提升实际应用能力。
3.3 项目实践课程将设置数据分析与数据挖掘项目，让学生在实际问题中应用所学知识，培养解决实际问题的能力。
四、考核方式4.1 课堂测验课程将安排定期的课堂测验，检验学生对数据分析与数据挖掘知识的掌握程度。
4.2 作业学生需完成相关作业，包括数据处理和分析、模型建立和评估等内容，以提升实际操作能力。
数据分析与挖掘
数据分析与挖掘数据分析与挖掘是一种针对大量数据进行统计、分析和挖掘的技术方法。
通过对数据的深入分析和挖掘，可以从中发现隐藏的模式、趋势和规律，为决策提供参考依据，帮助企业和组织实现有效的管理和运营。
本文将介绍数据分析与挖掘的概念、方法和应用，并探讨其在现代社会中的重要性和前景。
一、概念与方法1.1 数据分析的定义数据分析是指通过对已有的数据进行收集、整理和加工，利用统计学、数学和计算机科学等相关技术手段，进行数据的探索、解读和使用的过程。
数据分析的目的是从数据中提取有用的信息，为决策和问题解决提供支持。
1.2 数据挖掘的定义数据挖掘是指通过运用多种数据分析技术和算法，从大量、复杂、高维的数据集中，自动地发现其中隐藏的模式、关联和规律的过程。
数据挖掘可以帮助人们发现不易察觉的信息，提供对未来可能发生的事件的预测和洞察。
1.3 数据分析与挖掘的方法数据分析与挖掘的方法包括数据预处理、特征选择、模型建立、模型评估和模型优化等环节。
其中，数据预处理是指对原始数据进行清洗、去噪和归一化等处理，以提高数据质量和可信度；特征选择是指从大量特征中选取对问题解决和模型建立有意义的特征；模型建立是指根据问题的性质和目标，选择适合的数学或统计模型，并通过对数据的拟合和优化来建立模型；模型评估是指对建立的模型进行准确性和可靠性的评估；模型优化是指对建立的模型进行调整和改进，以得到更好的预测和解释效果。
二、应用领域2.1 经济与金融数据分析与挖掘在经济与金融领域有着广泛的应用。
它可以帮助企业进行市场调研，分析客户需求和购买行为，预测销售额和市场趋势；可以帮助金融机构进行风险评估和投资组合优化，发现潜在的市场机会和风险；可以帮助政府制定经济政策和规划，推动经济可持续发展。
2.2 医疗与健康数据分析与挖掘在医疗与健康领域的应用将有助于提高医疗资源的利用效率和诊断准确性。
通过对大量的医疗数据进行分析和挖掘，可以发现疾病的流行趋势和影响因素，提前预警和干预；可以帮助医生进行准确的诊断和治疗，提高医疗质量和患者满意度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
• 不同的管理业务需要建立不同的数据库。例如， 银行中储蓄业务、信用卡业务分别要建立储蓄数 据库和信用卡数据库。
（2）数据仓库:用于决策分析
• 数据仓库用于决策分析
• 数据仓库既保存过去的数据又保存当前的数据
• 数据仓库的数据是大量数据库的集成
(1) 联机事物处理（OLTP）
• 联机事物处理（On Line Transaction Processing， OLTP）是在网络环境下的事务处理工作，以快速的 响应和频繁的数据修改为特征，使用户利用数据库 能够快速地处理具体的业务。
• OLTP应用要求多个查询并行，以便将每个查询分布 到一个处理器上。
(4) 我国于1987年召开了第一届全国机器学习研讨会。
2 数据挖掘含义
知识发现（KDD）：从数据中发现有用知识的整个过程。
数据挖掘（DM） ：KDD过程中的一个特定步骤，它用专门算 法从数据中抽取知识。
如在人类数据库中挖掘知识为： （头发=黑色）∨（眼睛=黑色）→亚洲人
该知识覆盖了所有亚洲人的记录。
(3) OLTP与OLAP的对比
（二）数据挖掘的兴起
• 1 从机器学习到数据挖掘 • 2 数据挖掘含义 • 3 数据挖掘与OLAP的比较 • 4 数据挖掘与统计学
1 从机器学习到数据挖掘
• 学习是人类具有的智能行为，主要在于获取知识。 • 机器学习是研究使计算机模拟或实现人类的学习行为，即
让计算机通过算法自动获取知识。 • 机器学习是人工智能领域中的重要研究方向。
• 数据挖掘研究各种方法和技术，从大量的数据中 挖掘出有用的信息和知识。数据挖掘的数据源可 以是数据仓库，也可以是其它形式（数据文件等）
（2）数据仓库与数据挖掘的关系
• 数据仓库与数据挖掘都是数据分析和决策支持的新 技术。但它们有着完全不同的辅助决策方式。
• 在数据仓库系统的前端的分析工具中，数据挖掘是 重要工具之一。它可以帮助决策用户挖掘数据仓库 的数据中隐含的规律性。
• 统计学主要是对数量数据（数值）或连续值数据 （如年龄、工资等），进行数值计算（如初等运 算）的定量分析，得到数量信息。
• 数据挖掘主要对离散数据（如职称、病症等）进 行定性分析（覆盖、归纳等），得到规则知识。
• 统计学与数据挖掘是有区别的。但是，它们之间 是相互补充的。
（三）数据仓库和数据挖掘的结合
• 对数据库的操作比较明确，操作数据量少。对数 据仓库操作不明确，操作数据量大
（３）数据库与数据仓库对比
数据库
细节的 在存取时准确的
可更新的 一次操作数据量小
面向应用 支持管理
数据仓库
综合或提炼的 代表过去的数据
不更新 一次操作数据量大
面向分析 支持决策
2 从LTP到OLAP
(1) 联机事物处理（OLTP） (2) 联机分析处理（OLAP） (3) OLTP与OLAP的对比
• 由于数据仓库中有大量稳定的数据，基于数据仓库 的数据挖掘，是数据挖掘的重要方向之一
（3）数据仓库中数据挖掘特点
• 数据挖掘从数据仓库中挖掘更深层次的信息
• 数据仓库为数据挖掘提出了新要求
– ①数据挖掘需要可扩展性 – ②数据挖掘方法需要能挖掘多维知识
2 基于数据仓库的决策支持系统
• 数据仓库的决策支持功能有： (1) 对当前和历史数据完成查询和报表处理 (2) 可以用不同方法进行“如果，将怎样 （what-if）”分析 (3) 从综合数据到细节数据，深入追踪钻取查 询，寻找问题出现原因 (4) 认清过去的发展趋势，并将其应用于对未 来结果的分析
• 统计学与自然、经济、社会都有紧密的关系。 • 其法则和方法是概率论。 • 通过对全部对象（总体）进行调查，为制定计划
和决策提供依据。
统计学中应用于数据挖掘的内容
• 常用统计（均值、方差等） • 相关分析 • 回归分析 • 假设检验 • 聚类分析 • 判别分析 • 主成份分析
统计学与数据挖掘的比较
• E.F.Codd在1993年提出了多维数据库和多维分析 的概念，即联机分析处理（On Line Analytical Processing，OLAP）概念。
• 关系数据库是二维数据（平面），多维数据库是 空间立体数据。
• OLAP的基本思想是决策者从多方面和多角度以 多维的形式来观察企业的状态和了解企业的变化。
1 数据仓库和数据挖掘的区别与联系 2 基于数据仓库的决策支持系统
1 数据仓库和数据挖掘的区别与联系
（1）数据仓库与数据挖掘的区别 （2）数据仓库与数据挖掘的关系 （3）数据仓库中数据挖掘特点
（1） 数据仓库与数据挖掘的区别
• 数据仓库是一种存储技术，它能适应于不同用户 对不同决策需要提供所需的数据和信息。
• 20世纪60年代开始了机器学习的研究。
(1) 1980年在美国召开了第一届国际机器学习研讨会； 明确了机器学习是人工智能的重要研究方向
(2) 1989年8月于美国底特律市召开的第一届知识发现（KDD） 国 际学术会议； 首次提出知识发现概念
(3) 1995年在加拿大召开了第一届知识发现和数据挖掘（DM） 国际学术会议； 首次提出数据挖掘概念
数据仓库与数据挖掘
• 数据仓库与数据挖掘简介 • 数据仓库基本原理与应用 • 数据挖掘基本原理与应用
1 从数据库到数据仓库
如何处理一下问题？ （1）“数据太多，信息不足” （2）异构环境的数据的转换和共享 （3）从进行数据处理发展为利用数据支持决策
（1）数据库:用于事务处理
• 数据库作为数据资源用于管理业务中的事务处理。 它已经成为了成熟的信息基础设施。
• OLTP的特点在于事务处理量大，但事务处理内容 比较简单且重复率高。
• OLTP处理的数据是高度结构化的，涉及的事务比 较简单，数据访问路径是已知的，至少是固定的。
• OLTP面对的是事务处理操作人员和低层管理人员。
(2) 联机分析处理（OLAP）
• 决策分析需要对多个关系数据库共同进行大量的 综合计算才能得到结果。
3 数据挖掘与OLAP的比较
• OLAP：多维、多层次分析
– OLAP的典型应用，通过商业活动变化的查询发现的问 题，经过追踪查询找出问题出现的原因，达到辅助决 策的作用。
• 数据挖掘：发现规律、预测未来
– 数据挖掘任务在于聚类（如神经网络聚类）、分类 （如决策树分类）、预测等。
4 数据挖掘与统计学