數據挖掘實際上是個「古老」的技術，已經有幾十年歷史了，近年來紅火的人工智能又讓這個古老技術有了更多關注。html
那麼，到底什麼是數據挖掘呢？它又能作什麼事呢？函數
傍晚小街路面上沁出微雨後的溼潤，和煦的細風吹來，擡頭看看天邊的晚霞，嗯，明天又是一個好天氣。走到水果攤旁，挑了個根蒂蜷縮、敲起來聲音濁響的青綠西瓜，內心期待着享受這個好瓜。學習
由路面微溼、微風、晚霞得出明天是個好天氣。根蒂蜷縮、敲聲濁響、色澤青綠推斷出這是個好瓜，顯然，咱們是根據以往的經驗來對將來或未知的事物作出預測。人工智能
人能夠根據經驗對將來進行預測，那麼機器能幫咱們作這些嗎？url
能，這就是數據挖掘。.net
「經驗」一般以「數據」的形式存在，數據挖掘的任務就是從歷史數據（以前挑瓜的經歷，注意是經歷還不是經驗）中挖掘出有用的「知識」，也就是所謂「模型」（如今就造成經驗了），在面對新狀況時（未拋開的瓜）模型就能夠用來預測（是否是好瓜）。htm
用高中生能理解的數學語言來說，數據挖掘建模任務的本質就是，根據一些歷史已有的、從輸入空間 X（如 {[色澤青綠；根蒂蜷縮；敲聲濁響]，[色澤烏黑；根蒂蜷縮；敲聲沉悶]，[色澤淺白；根蒂硬挺；敲聲清脆]} ）到輸出空間 Y（如 {好瓜，壞瓜，壞瓜}）的對應，找出一個函數 f： 這個函數就是咱們要的模型。有了模型以後再作預測就簡單了，也就是拿一套新 x，用這個函數算一個 y 出來就完了。blog
那麼，模型又是怎麼創建出來，也就是這個函數是怎麼找出來的呢？get
想一想如何讓一我的擁有判斷瓜好壞的能力呢？數學
須要用一批瓜來練習，獲取剖開前的特徵（色澤、根蒂、敲聲等），而後再剖開它看好壞。長此以往，這我的就能學會用剖開前瓜的特徵來判斷瓜的好壞了。樸素地想，用來練習的瓜越多，可以得到的經驗也就越豐富，之後的判斷也就會越準確。
用機器作數據挖掘是同樣的道理，咱們須要使用歷史數據（用來練習的瓜）來創建模型，而建模過程也被稱爲訓練或學習，這些歷史數據稱爲訓練數據集。訓練好了模型後，就好象發現了數據的某種規律，就能夠拿來作預測了。
也就是說，數據挖掘是用來作預測的，而要作到這種預測，須要有足夠多已經有結果的歷史數據爲基礎。
那麼，這種預測技術如何在咱們的生產銷售過程當中應用呢？
以貸款業務爲例，金融機構要作風險控制，防止壞賬，就要在放貸前知道這個貸款人未來不能按時還款的風險，從而決定是否放貸以及貸款利率。
要作到這件事，咱們要有必定數量的歷史數據，也就是之前貸款人及貸款業務的各類信息，好比貸款人的收入水平、受教育程度、居住地區、信用歷史、負債率等等可能會影響違約率的因素，還有貸款自己的金額、期限、利率等等。須要注意的是歷史數據中必定要同時包含好客戶和壞客戶（也是在發生違約不還款的客戶），而且壞客戶的數量不能過少。
一般能夠截取近幾個月或近一年的歷史數據做爲訓練數據，定義好目標變量 Y（如壞客戶爲 1，好客戶爲 0），而後就可使用數據挖掘技術創建模型來尋找用戶及貸款的各類信息 X 和目標 Y 之間的關係。建好的模型能夠用來預測，及時發現高風險用戶。
須要說明的，數據挖掘模型的預測並不能保證 100% 準確（有不少種辦法來評估它的準確率），因此若是隻有一例目標（好比只有一筆貸款）須要預測時，那就沒有意義了。但一般，咱們會須要都會有不少例目標須要預測，這樣即便不是每一例都能預測正確，但能保證必定的準確率，這仍然是頗有意義的。對於貸款業務，模型找出來的高風險客戶未必都是真地，但準確率只要足夠高，仍然可以有效的防範風險。
數據挖掘技術能夠普遍地應用於各行各業，工業領域中能夠根據歷史生產數據來預測良品狀況，從而改進工藝參數下降不良率；畜牧業可使用數據挖掘技術根據測量牲畜體溫來預測牲畜是否生病，從而提早防治；醫院也可使用歷史醫療記錄基於數據挖掘技術找出關聯規律，幫助醫生更好地診斷疾病。
對進一步數據挖掘和 AI 技術感興趣的同窗還能夠搜索「乾學院」，上面有面向小白的零基礎「數據挖掘」免費課程，或者直接點下面的連接也能夠 ：
http://www.raqsoft.com.cn/wx/course-data-mining.html