Question

学习数据挖掘一般要学哪些软件和工具

Answer 1

1.数据挖掘基本知识
这一部分主要是看书，先了解一个情况。至于用什么书。口碑比较好的有《数据挖掘：概念与技术（第3版）》。我买了，看了一大半，感觉不太适合初学者。有些概念直接给出，对于底子不好的人有些突兀，要是硬着头皮使劲看，还是很有收获的，适合入门以后反复看。推荐一本很老的书《数据仓库与数据挖掘》。这本书相对来说不那么厚，很多基础概念也有论述，对初学者来说很友好。
这一部分的学习是贯穿始终的，有经验的前辈们介绍，什么时候拿出来看看都是有收获的。
2.数学基础
这一部分也是不可或缺的，学一下未必能有感受。学好了，绝对收益无穷。我的计划是穿插在整个学习过程中。主要内容是：线性代数、离散数学。
（1）线性代数
已经学过的，没学过的都要认真学一下。国内的教材个人以为对概念没有深入说透。比如特征值和特征向量，到底干嘛用的。矩阵的乘法本质意义，也没说清楚。
（2）离散数学
这个大部分人（不是专业的）都没学过，听着就头痛。别急，不用全学，重点是图论、代数系统、命题（谓词和逻辑）、集合与关系。随便找一本薄一点的教材。这些内容其实之前高中本科都有接触，主要是一些逻辑符号，思维方式需要看懂。否则在一些地方看到一些莫名其妙的符号，不了解，看到一些简单的公式以为很复杂，得不偿失。
（3）运筹学
这个绝对是基础课，之所以放在后面是因为本人认真学了。推荐的教材《运筹学》教材编写组编写。一本大厚绿皮书。对策论等跟博弈论有关的不用看。有条件的可以把算法在跑一遍。绝对收获良多。
3.工具
这部分本人在网上查了很久，课题组问了几百遍。最终确认的这几个。很多人说有编程经验的人，学一个就一两周的事，无奈，我零基础。所以，这一部分绝对是个重点。先说本人确定的语言：MATLAB、Python、R。
（1）MATLAB
先说MATLAB，别说这个老，别说这个是学校搞学术才用的。不想挑起争论，主要理由——好上手。上手以后就可以跑一些算法，提高一些信心和学习的乐趣。教材我随便找一本厚厚的备查（从来没翻过）。我主要看的是官方手册的Primer。然后就开始写脚本和函数，如果有看不懂的直接百度、google或者help。写的都很清楚。这一部分主要是迅速上手，我已经略有收获了。
（2）Python和R
这两个放在一起，是因为网上关于这两个的争论太多了。本人也无数次迷失过。不争论优劣，确实是各有优势。我的顺序是首先学python，立志以这个作为自己的主要程序。其次再是R，从画图入手。R画出来的图真是好看。至于学习的思路：先找一本入门的书，越简单越好，学完之后找一本手册，然后练习。
首先python，先看《Head First Python》。挺好的。简单易懂，网上竟然还能下载到英文的PDF。然后是《利用Python进行数据分析》和《机器学习实战》。第一本书主要是利用Python做数据挖掘的，基本提到Python学习都会推荐这本。第二本是理解机器学习的佳作，书中用到的语言就是Python。一边学语言，一边理解机器学习。很好的顺序。
其次R，因为有了前面的一部分基础，学起来会容易一些。主要推荐教材是《R语言初学者指南》和《R语言实战》。这部分的学习我准备跳着看，早期主要利用R来画图。然后步步深入着学习。这样才能充分的练习，而不仅仅是纸上谈兵。
（3）Mysql
最后加一个，了解一点Mysql，由于零基础对数据的各种都不了解，强烈推荐一周读完《深入浅出Mysql》。难度不大，主要是入门。如果以后用得着，再深入研究。
再次重申一遍：这一阶段还是要找程序写。如果有工作或者项目，直接上，学的最快。如果没有，找篇不错的，感兴趣的博士论文，跑一遍里边的程序。这部分内容不是学出来的，绝对练出来的。
4.算法
算法太多了，常见的就那些。一方面要看明白，理解算法。另一方面用上面的语言跑出来。既能理解算法，也能很好的熟悉语言。
总结
整个入门阶段，千万不要抱着学完一个在学一个的思想。同时学！比如，语言入门了，就找算法实践。看到一个算法，一定要程序跑出来。中间累了，把数学基础补一补。

Answer 2

数据挖掘又称为资料探勘、数据采矿。数据挖掘通常与计算机科学有关，通过统计、在线分析处理、情报检索、机器学习、专家系统和模式识别等方法解决问题。

需要的软件和工具：
RapidMiner是一个开源的数据挖掘软件，由Java语言编写而成，提供一些可扩展的数据分析挖掘算法的实现。
SAS数据挖掘商业软件发掘数据集的模式，模型具有描述性和预测性；
WEKA可以进行数据预处理、收集、分类、回归分析、可视化和特征选取；
R软件是由C语言和FORTRAN语言编写的Orange是一个开源数据挖掘和机器学习工具；
KNIME拥有数据提取、集成，处理，分析、转换以及加载所需的所有数据挖掘工具；
NLTK可以提供一个语言处理工具；
jHepWork主要是用开源库来创建一个数据分析环境，并提供了丰富的用户接口；Pentaho为数据集成、业务分析以及大数据处理提供一个全面的平台。

关于数据挖掘的相关学习，推荐CDA数据师的相关课程，CDA数据分析师课程以项目调动学员数据挖掘实用能力的场景式教学为主，在讲师设计的业务场景下由讲师不断提出业务问题，再由学员循序渐进思考并操作解决问题的过程中，帮助学员掌握真正过硬的解决业务问题的数据挖掘能力。这种教学方式能够引发学员的独立思考及主观能动性，学员掌握的技能知识可以快速转化为自身能够灵活应用的技能，在面对不同场景时能够自由发挥。点击预约免费试听课。

Answer 3

1、WEKA
WEKA 原生的非 Java 版本主要是为了分析农业领域数据而开发的。该工具基于 Java 版本，是非常复杂的，并且应用在许多不同的应用中，包括数据分析以及预测建模的可视化和算法。与 RapidMiner 相比优势在于，它在 GNU 通用公共许可证下是免费的，因为用户可以按照自己的喜好选择自定义。
WEKA 支持多种标准数据挖掘任务，包括数据预处理、收集、分类、回归分析、可视化和特征选取。添加序列建模后，WEKA 将会变得更强大，但目前不包括在内。
2、RapidMiner
该工具是用 Java 语言编写的，通过基于模板的框架提供先进的分析技术。该款工具最大的好处就是，用户无需写任何代码。它是作为一个服务提供，而不是一款本地软件。值得一提的是，该工具在数据挖掘工具榜上位列榜首。另外，除了数据挖掘，RapidMiner 还提供如数据预处理和可视化、预测分析和统计建模、评估和部署等功能。更厉害的是它还提供来自 WEKA(一种智能分析环境)和 R 脚本的学习方案、模型和算法。
RapidMiner 分布在 AGPL 开源许可下，可以从 SourceForge 上下载。SourceForge 是一个开发者进行开发管理的集中式场所，大量开源项目在此落户，其中就包括维基百科使用的 MediaWiki。
3、NLTK
当涉及到语言处理任务，没有什么可以打败 NLTK。NLTK 提供了一个语言处理工具，包括数据挖掘、机器学习、数据抓取、情感分析等各种语言处理任务。
而您需要做的只是安装 NLTK，然后将一个包拖拽到您最喜爱的任务中，您就可以去做其他事了。因为它是用 Python 语言编写的，你可以在上面建立应用，还可以自定义它的小任务。