deep數據挖掘演算法

『壹』 深度學習與數據挖掘

你去官方網站： http://deeplearning.net/ 找過了嗎？Hinton的主頁 https://www.cs.toronto.e/~hinton/
還有去Bengio的主頁找找。最後，去github、Google上面多搜搜吧。

『貳』 機器學習，數據挖掘的書有哪些

說到數據分析，人們往往會下意識地聯想到另一個耳熟能詳的名詞：數據挖掘。那麼，到底什麼是數據挖掘呢？顧名思義，數據挖掘就是對數據進行處理，並從中提取可用信息的過程。如果你剛好正在尋找這方面的入門書籍，那麼韓家煒老師寫的《數據挖掘：概念與技術》絕對是一個不錯的選擇。

· 更難能可貴的是，隨書還附帶了一批可運行的神經網路實例。試試親自上手改改代碼吧，相信你會有意外的收獲。

『叄』 數據挖掘和深度學習哪個更有發展前景

數據挖掘可以分析現有數據中的隱藏信息，但我個人認為深度學習更有前景。數據挖掘主要研究收集大數據的方法，技術較深度學習成熟，屬於發展較快的；深度學習是統計學和信息技術的交叉學科，側重於如何分析運用已知大數據進行推理和建立新模型，近幾年來開始受到外界重視。數據挖掘可能需要重復掃描大量數據以得出較為理想的信息，對演算法要求較高；深度學習則是模仿人類神經網路的學習模式分析數據特徵，以建立相應的模型。這些模型可以在被合理沿用的前提下解決一些未知的問題，但模型必須基於大量有用的學習數據，耗時較長。兩者得出的結論皆可能與理想模型有差距，而且兩者對提供的數據依賴較大。可以預見的是，未來很多領域遇到復雜問題會趨向於使用深度學習技術求出的結果作為參考，而不只是單純地基於數據發掘。因為相對數據發掘而言，一個由深度學習得出來的通用模型可以解決相當多的問題。但是深度學習對編程技術和數據收集提出了更高的要求，因此成本比較高，目前深度學習的開發者多數來自大公司。【上述個人意見僅供參考】

『肆』 學了數據挖掘之後能幹啥

學了數據挖掘之後能幹啥？數據挖掘職業規劃總結

文 | 宿痕

很多人不明白學習數據挖掘以後干什麼，這個問題也經常被問到。記得剛學數據挖掘的時候，有一個老師說學數據挖掘有什麼用，你以後咋找工作。當時聽了，覺得很詫異，不知道他為何有此一問。數據挖掘在國外是一份很不錯的工作。我喜歡數據挖掘，因為它很有趣。很高興以後就從事這方面的工作啦。寫論文之餘，也考慮一下數據挖掘工程師的職業規劃。

以下是從網上找的一些相關資料介紹，和即將走上數據挖掘崗位或是想往這方面發展的朋友共享：

數據挖掘從業人員工作分析

1.數據挖掘從業人員的願景：

數據挖掘就業的途徑從我看來有以下幾種，(注意：本文所說的數據挖掘不包括數據倉庫或資料庫管理員的角色)。

A：做科研(在高校、科研單位以及大型企業，主要研究演算法、應用等)

B：演算法工程師(在企業做數據挖掘及其相關程序演算法的實現等)

C：數據分析師(在存在海量數據的企事業單位做咨詢、分析等)

2.數據挖掘從業人員切入點：

根據上面的從業方向來說說需要掌握的技能。

A：做科研：這里的科研相對來說比較概括，屬於技術型的相對高級級別，需要對開發、數據分析的必備基礎知識。

B：演算法工程師：主要是實現數據挖掘現有的演算法和研發新的演算法以及根據實際需要結合核心演算法做一些程序開發實現工作。要想扮演好這個角色，你不但需要熟悉至少一門編程語言如(C，C++，Java，Delphi等)和資料庫原理和操作，對數據挖掘基礎課程有所了解，讀過《數據挖掘概念與技術》(韓家煒著)、《人工智慧及其應用》。有一點了解以後，如果對程序比較熟悉的話並且時間允許，可以尋找一些開源的數據挖掘軟體研究分析，也可以參考如《數據挖掘：實用機器學習技術及Java實現》等一些教程。

C：數據分析師：需要有深厚的數理統計基礎，可以不知道人工智慧和計算機編程等相關技術，但是需要熟練使用主流的數據挖掘(或統計分析)工具。從這個方面切入數據挖掘領域的話你需要學習《數理統計》、《概率論》、《統計學習基礎：數據挖掘、推理與預測》、《金融數據挖掘》，《業務建模與數據挖掘》、《數據挖掘實踐》等，當然也少不了你使用的工具的對應說明書了，如SPSS、SAS等廠商的《SAS數據挖掘與分析》、《數據挖掘Clementine應用實務》、《EXCEL 2007數據挖掘完全手冊》等，如果多看一些如《數據挖掘原理》 等書籍那就更好了。

數據挖掘人員需具備以下基本條件，才可以完成數據挖掘項目中的相關任務。

一、專業技能

本科或碩士以上學歷，數據挖掘、統計學、資料庫相關專業，熟練掌握關系資料庫技術，具有資料庫系統開發經驗；

熟練掌握常用的數據挖掘演算法；

具備數理統計理論基礎，並熟悉常用的統計工具軟體。

二、行業知識

具有相關的行業知識，或者能夠很快熟悉相關的行業知識

三、合作精神

具有良好的團隊合作精神，能夠主動和項目中其他成員緊密合作

四、客戶關系能力

具有良好的客戶溝通能力，能夠明確闡述數據挖掘項目的重點和難點，善於調整客戶對數據挖掘的誤解和過高期望；

具有良好的知識轉移能力，能夠盡快地讓模型維護人員了解並掌握數據挖掘方法論及建模實施能力。

進階能力要求

數據挖掘人員具備如下條件，可以提高數據挖掘項目的實施效率，縮短項目周期。

具有數據倉庫項目實施經驗，熟悉數據倉庫技術及方法論

熟練掌握SQL語言，包括復雜查詢、性能調優

熟練掌握ETL開發工具和技術

熟練掌握Microsoft Office軟體，包括Excel和PowerPoint中的各種統計圖形技術

善於將挖掘結果和客戶的業務管理相結合，根據數據挖掘的成果向客戶提供有價值的可行性操作方案

五、應用及就業領域

當前數據挖掘應用主要集中在電信(客戶分析)，零售(銷售預測)，農業(行業數據預測)，網路日誌(網頁定製)，銀行(客戶欺詐)，電力(客戶呼叫)，生物(基因)，天體(星體分類)，化工，醫葯等方面。

當前它能解決的問題典型在於：資料庫營銷(DatabaseMarketing)、客戶群體劃分(Customer Segmentation&Classification)、背景分析(Profile Analysis)、交叉銷售(Cross-selling)等市場分析行為，以及客戶流失性分析(ChurnAnalysis)、客戶信用記分(Credit Scoring)、欺詐發現(Fraud Detection)等等，在許多領域得到了成功的應用。如果你訪問著名的亞馬遜網上書店會發現當你選中一本書後，會出現相關的推薦數目「Customers who bought this book alsobought」，這背後就是數據挖掘技術在發揮作用。

數據挖掘的對象是某一專業領域中積累的數據；挖掘過程是一個人機交互、多次反復的過程；挖掘的結果要應用於該專業。因此數據挖掘的整個過程都離不開應用領域的專業知識。「Business First， techniquesecond」是數據挖掘的特點。因此學習數據挖掘不意味著丟棄原有專業知識和經驗。相反，有其它行業背景是從事數據挖掘的一大優勢。如有銷售，財務，機械，製造，call center等工作經驗的，通過學習數據挖掘，可以提升個人職業層次，在不改變原專業的情況下，從原來的事務型角色向分析型角色轉變。從80年代末的初露頭角到90年代末的廣泛應用，以數據挖掘為核心的商業智能(BI)已經成為IT及其它行業中的一個新寵。

重點介紹下對數據挖掘的幾個崗位

數據採集分析專員

職位介紹：數據採集分析專員的主要職責是把公司運營的數據收集起來，再從中挖掘出規律性的信息來指導公司的戰略方向。這個職位常被忽略，但相當重要。由於資料庫技術最先出現於計算機領域，同時計算機資料庫具有海量存儲、查找迅速、分析半自動化等特點，數據採集分析專員最先出現於計算機行業，後來隨著計算機應用的普及擴展到了各個行業。該職位一般提供給懂資料庫應用和具有一定統計分析能力的人。有計算機特長的統計專業人員，或學過數據挖掘的計算機專業人員都可以勝任此工作，不過最好能夠對所在行業的市場情況具有一定的了解。

求職建議：由於很多公司追求短期利益而不注重長期戰略的現狀，目前國內很多企業對此職位的重視程度不夠。但大型公司、外企對此職位的重視程度較高，隨著時間的推移該職位會有升溫的趨勢。另外，數據採集分析專員很容易獲得行業經驗，他們在分析過程中能夠很輕易地把握該行業的市場情況、客戶習慣、渠道分布等關鍵情況，因此如果想在某行創業，從數據採集分析專員干起是一個不錯的選擇。

市場/數據分析師

1、市場數據分析是現代市場營銷科學必不可少的關鍵環節： Marketing/Data Analyst從業最多的行業： DirectMarketing (直接面向客戶的市場營銷) 吧，自90年代以來，Direct Marketing越來越成為公司推銷其產品的主要手段。

根據加拿大市場營銷組織(CanadianMarketingAssociation)的統計數據： 僅1999年一年 Direct Marketing就創造了470000 個工作機會。從1999至2000，工作職位又增加了30000個。為什麼Direct Marketing需要這么多Analyst呢？ 舉個例子， 隨著商業競爭日益加劇，公司希望能最大限度的從廣告中得到銷售回報，他們希望能有更多的用戶來響應他們的廣告。所以他們就必需要在投放廣告之前做大量的市場分析工作。

例如，根據自己的產品結合目標市場顧客的家庭收入，教育背景和消費趨向分析出哪些地區的住戶或居民最有可能響應公司的銷售廣告，購買自己的產品或成為客戶，從而廣告只針對這些特定的客戶群。這樣有的放矢的篩選廣告的投放市場既節省開銷又提高了銷售回報率。但是所有的這些分析都是基於資料庫，通過數據處理，挖掘，建模得出的，其間，市場分析師的工作是必不可少的。

2、行業適應性強：幾乎所有的行業都會應用到數據， 所以作為一名數據/市場分析師不僅僅可以在華人傳統的IT行業就業，也可以在政府，銀行，零售，醫葯業，製造業和交通傳輸等領域服務。

演算法工程師

應該來說目前演算法工程師基本上都集中在中大型企業中，因為一般小公司很少用到演算法來解決問題，如果這公司就是做數據相關產業的。而演算法一般的應用場景有推薦、廣告、搜索等，所以大家常見的在廣告領域、個性化推薦方面是有不少的同仁。常見的要求是懂JAVA/PYTHON/R中其中一種，能夠知道常規的回歸、隨機森林、決策樹、GBDT等演算法，能夠有行業背景最佳等。如果是deep learning方向可能對圖論、畫像識別等方面要求更高些。

求職建議：background稍微好一些，再把一些基本的演算法都弄明白，能說清楚之間的區別和優缺點，包括常見的一些應用場景都有哪些。對於公司來說，特別是BAT這樣使用機器學習的公司，演算法工程師是很重要的一塊資產。

現狀與前景

數據挖掘是適應信息社會從海量的資料庫中提取信息的需要而產生的新學科。它是統計學、機器學習、資料庫、模式識別、人工智慧等學科的交叉。在中國各重點院校中都已經開了數據挖掘的課程或研究課題。比較著名的有中科院計算所、復旦大學、清華大學等。另外，政府機構和大型企業也開始重視這個領域。

據IDC對歐洲和北美62家採用了商務智能技術的企業的調查分析發現，這些企業的3年平均投資回報率為401%，其中25%的企業的投資回報率超過600%。調查結果還顯示，一個企業要想在復雜的環境中獲得成功，高層管理者必須能夠控制極其復雜的商業結構，若沒有詳實的事實和數據支持，是很難辦到的。因此，隨著數據挖掘技術的不斷改進和日益成熟，它必將被更多的用戶採用，使更多的管理者得到更多的商務智能。

根據IDC(InternationalDataCorporation)預測說2004年估計BI行業市場在140億美元。現在，隨著我國加入WTO，我國在許多領域，如金融、保險等領域將逐步對外開放，這就意味著許多企業將面臨來自國際大型跨國公司的巨大競爭壓力。國外發達國家各種企業採用商務智能的水平已經遠遠超過了我國。美國Palo Alto 管理集團公司1999年對歐洲、北美和日本375家大中型企業的商務智能技術的採用情況進行了調查。結果顯示，在金融領域，商務智能技術的應用水平已經達到或接近70%，在營銷領域也達到50%，並且在未來的3年中，各個應用領域對該技術的採納水平都將提高約50%。

現在，許多企業都把數據看成寶貴的財富，紛紛利用商務智能發現其中隱藏的信息，藉此獲得巨額的回報。國內暫時還沒有官方關於數據挖掘行業本身的市場統計分析報告，但是國內數據挖掘在各個行業都有一定的研究。據國外專家預測，在今後的5—10年內，隨著數據量的日益積累以及計算機的廣泛應用，數據挖掘將在中國形成一個產業。

眾所周知，IT就業市場競爭已經相當激烈，而數據處理的核心技術—數據挖掘更是得到了前所未有的重視。數據挖掘和商業智能技術位於整個企業IT-業務構架的金字塔塔尖，目前國內數據挖掘專業的人才培養體系尚不健全，人才市場上精通數據挖掘技術、商業智能的供應量極小，而另一方面企業、政府機構和和科研單位對此類人才的潛在需求量極大，供需缺口極大。如果能將數據挖掘技術與個人已有專業知識相結合，您必將開辟職業生涯的新天地！

職業薪酬

就目前來看，和大多IT業的職位一樣，數據挖掘方面的人才在國內的需求工作也是低端飽和，高端緊缺。從BAT的招聘情況來看，數據挖掘領域相對來說門檻還是比較高的，但是薪酬福利也相對來說比較好，常見的比如騰訊、阿里都會給到年薪20W+。而厲害的資深演算法專家年薪百萬也是常有的事情，所以大家在演算法方面還是大有可能。另外隨著金融越來越互聯網化，大量的演算法工程師會成為以後互聯網金融公司緊缺的人才。

大家共勉！

來自知乎

以上是小編為大家分享的關於學了數據挖掘之後能幹啥？的相關內容，更多信息可以關注環球青藤分享更多干貨

『伍』 數據挖掘中數據預測的方法都有哪些

時間序列的話可以用arima模型預測。
而回歸類的數據可以用各種各樣的模型預測啦，根據你具體的內容和數據類型有各自的。
當然，有些模型可以用在兩方面都可以的，例如deep learning啊，neural network啊

『陸』 常用的機器學習&數據挖掘知識(點）

常用的機器學習&數據挖掘知識(點）
Basis(基礎)：MSE(Mean Square Error 均方誤差)，
LMS(LeastMean Square 最小均方)，
LSM(Least Square Methods 最小二乘法)，
MLE(MaximumLikelihood Estimation最大似然估計)，
QP(Quadratic Programming 二次規劃)，
CP(Conditional Probability條件概率)，
JP(Joint Probability 聯合概率)，
MP(Marginal Probability邊緣概率)，
Bayesian Formula(貝葉斯公式)，
L1 /L2Regularization(L1/L2正則，
以及更多的，現在比較火的L2.5正則等)，
GD(GradientDescent 梯度下降)，
SGD(Stochastic Gradient Descent 隨機梯度下降)，
Eigenvalue(特徵值)，
Eigenvector(特徵向量)，
QR-decomposition(QR分解)，
Quantile (分位數)，
Covariance(協方差矩陣)。
Common Distribution(常見分布)：
Discrete Distribution(離散型分布)：
BernoulliDistribution/Binomial(貝努利分布/二項分布)，
Negative BinomialDistribution(負二項分布)，
MultinomialDistribution(多項式分布)，
Geometric Distribution(幾何分布)，
HypergeometricDistribution(超幾何分布)，
Poisson Distribution (泊松分布)。
Continuous Distribution (連續型分布)：
UniformDistribution(均勻分布)，
Normal Distribution /Guassian Distribution(正態分布/高斯分布)，
ExponentialDistribution(指數分布)，
Lognormal Distribution(對數正態分布)，
GammaDistribution(Gamma分布)，
Beta Distribution(Beta分布)，
Dirichlet Distribution(狄利克雷分布)，
Rayleigh Distribution(瑞利分布)，
Cauchy Distribution(柯西分布)，
Weibull Distribution (韋伯分布)。
Three Sampling Distribution(三大抽樣分布)：
Chi-squareDistribution(卡方分布)，
t-distribution(t-distribution)，
F-distribution(F-分布)。
Data Pre-processing(數據預處理)：
Missing Value Imputation(缺失值填充)，
Discretization(離散化)，Mapping(映射)，
Normalization(歸一化/標准化)。
Sampling(采樣)：
Simple Random Sampling(簡單隨機采樣)，
OfflineSampling(離線等可能K采樣)，
Online Sampling(在線等可能K采樣)，
Ratio-based Sampling(等比例隨機采樣)，
Acceptance-RejectionSampling(接受-拒絕采樣)，
Importance Sampling(重要性采樣)，
MCMC(MarkovChain Monte Carlo 馬爾科夫蒙特卡羅采樣演算法：Metropolis-Hasting& Gibbs)。
Clustering(聚類)：
K-Means，
K-Mediods，
二分K-Means，
FK-Means，
Canopy，
Spectral-KMeans(譜聚類)，
GMM-EM(混合高斯模型-期望最大化演算法解決)，
K-Pototypes，CLARANS(基於劃分)，
BIRCH(基於層次)，
CURE(基於層次)，
DBSCAN(基於密度)，
CLIQUE(基於密度和基於網格)。
Classification&Regression(分類&回歸)：
LR(Linear Regression 線性回歸)，
LR(LogisticRegression邏輯回歸)，
SR(Softmax Regression 多分類邏輯回歸)，
GLM(GeneralizedLinear Model 廣義線性模型)，
RR(Ridge Regression 嶺回歸/L2正則最小二乘回歸)，
LASSO(Least Absolute Shrinkage andSelectionator Operator L1正則最小二乘回歸)，
RF(隨機森林)，
DT(DecisionTree決策樹)，
GBDT(Gradient BoostingDecision Tree 梯度下降決策樹)，
CART(ClassificationAnd Regression Tree 分類回歸樹)，
KNN(K-Nearest Neighbor K近鄰)，
SVM(Support VectorMachine)，
KF(KernelFunction 核函數PolynomialKernel Function 多項式核函、
Guassian KernelFunction 高斯核函數/Radial BasisFunction RBF徑向基函數、
String KernelFunction 字元串核函數)、
NB(Naive Bayes 樸素貝葉斯)，BN(Bayesian Network/Bayesian Belief Network/ Belief Network 貝葉斯網路/貝葉斯信度網路/信念網路)，
LDA(Linear Discriminant Analysis/FisherLinear Discriminant 線性判別分析/Fisher線性判別)，
EL(Ensemble Learning集成學習Boosting，Bagging，Stacking)，
AdaBoost(Adaptive Boosting 自適應增強)，
MEM(MaximumEntropy Model最大熵模型)。
Effectiveness Evaluation(分類效果評估)：
Confusion Matrix(混淆矩陣)，
Precision(精確度)，Recall(召回率)，
Accuracy(准確率)，F-score(F得分)，
ROC Curve(ROC曲線)，AUC(AUC面積)，
LiftCurve(Lift曲線) ，KS Curve(KS曲線)。
PGM(Probabilistic Graphical Models概率圖模型)：
BN(Bayesian Network/Bayesian Belief Network/ BeliefNetwork 貝葉斯網路/貝葉斯信度網路/信念網路)，
MC(Markov Chain 馬爾科夫鏈)，
HMM(HiddenMarkov Model 馬爾科夫模型)，
MEMM(Maximum Entropy Markov Model 最大熵馬爾科夫模型)，
CRF(ConditionalRandom Field 條件隨機場)，
MRF(MarkovRandom Field 馬爾科夫隨機場)。
NN(Neural Network神經網路)：
ANN(Artificial Neural Network 人工神經網路)，
BP(Error BackPropagation 誤差反向傳播)。
Deep Learning(深度學習)：
Auto-encoder(自動編碼器)，
SAE(Stacked Auto-encoders堆疊自動編碼器，
Sparse Auto-encoders稀疏自動編碼器、
Denoising Auto-encoders去噪自動編碼器、
Contractive Auto-encoders 收縮自動編碼器)，
RBM(RestrictedBoltzmann Machine 受限玻爾茲曼機)，
DBN(Deep Belief Network 深度信念網路)，
CNN(ConvolutionalNeural Network 卷積神經網路)，
Word2Vec(詞向量學習模型)。
DimensionalityRection(降維)：
LDA LinearDiscriminant Analysis/Fisher Linear Discriminant 線性判別分析/Fisher線性判別，
PCA(Principal Component Analysis 主成分分析)，
ICA(IndependentComponent Analysis 獨立成分分析)，
SVD(Singular Value Decomposition 奇異值分解)，
FA(FactorAnalysis 因子分析法)。
Text Mining(文本挖掘)：
VSM(Vector Space Model向量空間模型)，
Word2Vec(詞向量學習模型)，
TF(Term Frequency詞頻)，
TF-IDF(Term Frequency-Inverse DocumentFrequency 詞頻-逆向文檔頻率)，
MI(MutualInformation 互信息)，
ECE(Expected Cross Entropy 期望交叉熵)，
QEMI(二次信息熵)，
IG(InformationGain 信息增益)，
IGR(Information Gain Ratio 信息增益率)，
Gini(基尼系數)，
x2 Statistic(x2統計量)，
TEW(TextEvidence Weight文本證據權)，
OR(Odds Ratio 優勢率)，
N-Gram Model，
LSA(Latent Semantic Analysis 潛在語義分析)，
PLSA(ProbabilisticLatent Semantic Analysis 基於概率的潛在語義分析)，
LDA(Latent DirichletAllocation 潛在狄利克雷模型)。
Association Mining(關聯挖掘)：
Apriori，
FP-growth(Frequency Pattern Tree Growth 頻繁模式樹生長演算法)，
AprioriAll，
Spade。
Recommendation Engine(推薦引擎)：
DBR(Demographic-based Recommendation 基於人口統計學的推薦)，
CBR(Context-basedRecommendation 基於內容的推薦)，
CF(Collaborative Filtering協同過濾)，
UCF(User-basedCollaborative Filtering Recommendation 基於用戶的協同過濾推薦)，
ICF(Item-basedCollaborative Filtering Recommendation 基於項目的協同過濾推薦)。
Similarity Measure&Distance Measure(相似性與距離度量)：
Euclidean Distance(歐式距離)，
ManhattanDistance(曼哈頓距離)，
Chebyshev Distance(切比雪夫距離)，
MinkowskiDistance(閔可夫斯基距離)，
Standardized Euclidean Distance(標准化歐氏距離)，
MahalanobisDistance(馬氏距離)，
Cos(Cosine 餘弦)，
HammingDistance/Edit Distance(漢明距離/編輯距離)，
JaccardDistance(傑卡德距離)，
Correlation Coefficient Distance(相關系數距離)，
InformationEntropy(信息熵)，
KL(Kullback-Leibler Divergence KL散度/Relative Entropy 相對熵)。
Optimization(最優化)：
Non-constrainedOptimization(無約束優化)：
Cyclic VariableMethods(變數輪換法)，
Pattern Search Methods(模式搜索法)，
VariableSimplex Methods(可變單純形法)，
Gradient Descent Methods(梯度下降法)，
Newton Methods(牛頓法)，
Quasi-NewtonMethods(擬牛頓法)，
Conjugate Gradient Methods(共軛梯度法)。
ConstrainedOptimization(有約束優化)：
Approximation Programming Methods(近似規劃法)，
FeasibleDirection Methods(可行方向法)，
Penalty Function Methods(罰函數法)，
Multiplier Methods(乘子法)。
Heuristic Algorithm(啟發式演算法)，
SA(SimulatedAnnealing，
模擬退火演算法)，
GA(genetic algorithm遺傳演算法)。
Feature Selection(特徵選擇演算法)：
Mutual Information(互信息)，
DocumentFrequence(文檔頻率)，
Information Gain(信息增益)，
Chi-squared Test(卡方檢驗)，
Gini(基尼系數)。
Outlier Detection(異常點檢測演算法)：
Statistic-based(基於統計)，
Distance-based(基於距離)，
Density-based(基於密度)，
Clustering-based(基於聚類)。
Learning to Rank(基於學習的排序)：
Pointwise：McRank；
Pairwise：RankingSVM，RankNet，Frank，RankBoost；
Listwise：AdaRank，SoftRank，LamdaMART。
Tool(工具)：
MPI，Hadoop生態圈，Spark，BSP，Weka，Mahout，Scikit-learn，PyBrain…
以及一些具體的業務場景與case等。

『柒』 數據挖掘，機器學習，深度學習這些概念有區別嗎

人工智慧(Artificial Intelligence)是讓計算機這台機器能夠象人一樣思考，而機器學習(Machine Learning)是人工智慧的分支，專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，使之不斷改善自身的性能。深度學習(Deep Learning)是一種機器學習的方法，它試圖使用包含復雜結構或由多重非線性變換構成的多個處理層（神經網路）對數據進行高層抽象的演算法。數據挖掘是資料庫知識發現（英語：Knowledge-Discovery in Databases，簡稱：KDD)中的一個步驟。數據挖掘一般是指從大量的數據中通過演算法搜索隱藏於其中信息的過程。數據挖掘通過統計、在線分析處理、情報檢索、機器學習、專家系統（依靠過去的經驗法則）和模式識別等諸多方法來實現上述目標。

『捌』 軟體工程中面向對象技術、Deep Web數據挖掘、多目標優化這幾個方向怎麼樣。

面向對象技術是現在比較成熟的，應用的很廣泛，學的話就業面還是挺廣的，不愁找不到工作，但是競爭也激烈。
數據挖掘是熱點，現在的話剛畢業的好像做不了，至少公司希望核心的團隊做這個，實現數據挖掘系統，所以要好學校或者博士才好找對口的。
多目標優化嘛，貌似商務智能領域會用的多一些，偏向演算法，估計得很強的公司才會有財力做這個吧，就業的話不推薦。

『玖』 什麼是機器學習與數據挖掘、深度學習有什麼區別

數據挖掘：也就是data mining，是一個很寬泛的概念。字面意思就是從成噸的數據裡面挖掘有用的信息。這個工作BI（商業智能）可以做，數據分析可以做，甚至市場運營也可以做。你用excel分析分析數據，發現了一些有用的信息，然後這些信息可以指導你的business，恭喜你，你已經會數據挖掘了。
機器學習：machine learning，是計算機科學和統計學的交叉學科，基本目標是學習一個x->y的函數（映射），來做分類或者回歸的工作。之所以經常和數據挖掘合在一起講是因為現在好多數據挖掘的工作是通過機器學習提供的演算法工具實現的，例如廣告的ctr預估，PB級別的點擊日誌在通過典型的機器學習流程可以得到一個預估模型，從而提高互聯網廣告的點擊率和回報率；個性化推薦，還是通過機器學習的一些演算法分析平台上的各種購買，瀏覽和收藏日誌，得到一個推薦模型，來預測你喜歡的商品。
深度學習：deep learning，機器學習裡面現在比較火的一個topic（大坑），本身是神經網路演算法的衍生，在圖像，語音等富媒體的分類和識別上取得了非常好的效果，所以各大研究機構和公司都投入了大量的人力做相關的研究和開發。

『拾』 數據挖掘方向，Python中還需要學習哪些內容

就題論題，還包括：
1. Python 資料庫連接庫，例如MySQL 連接庫的應用，這決定你的數據從哪裡來。這裡面涉及到sql語法和資料庫基本知識，是你在學習的時候必須一起學會的。
2. Python 做基本數據計算和預處理的庫，包括numpy ，scipy，pandas 這三個用得最多。
3. 數據分析和挖掘庫，主要是sklearn，Statsmodels。前者是最廣泛的機器學習庫，後者是側重於統計分析的庫。（要知道統計分析大多時候和數據挖掘都錯不能分開使用）
4. 圖形展示庫。matpotlib，這是用的最多的了。
說完題主本身 要求，樓上幾位說的對，你還需要一些關於數據挖掘演算法的基本知識和認知，否則即使你調用相關庫得到結果，很可能你都不知道怎麼解讀，如何優化，甚至在什麼場景下還如何選擇演算法等。因此基本知識你得了解。主要包括：
1.統計學相關，看看深入淺出數據分析和漫畫統計學吧，雖然是入門的書籍，但很容易懂。
2.數據挖掘相關，看看數據挖掘導論吧，這是講演算法本身得書。
剩下的就是去實踐了。有項目就多參與下項目，看看真正的數據挖掘項目是怎麼開展的，流程怎樣等。沒有項目可以去參加一些數據挖掘或機器學習方面的大賽，也是增加經驗得好方法。