一个普通数据挖掘工程师的成长经历_数据挖掘

数据挖掘的对象是某一专业领域中积累的数据;挖掘过程是一个人机交互、多次反复的过程;挖掘的结果要应用于该专业。因此数据挖掘的整个过程都离不开应用领域的专业知识。“BusinessFirst,techniquesecond”是数据挖掘的特点。因此学习数据挖掘不意味着丢弃原有专业知识和经验。相反，有其它行业背景是从事数据挖掘的一大优势。

在数据挖掘的具体工作中，可以从业务出发，设计算法，也能对算法进行基本的实现。实际上这样的工程师还是很多的，特别是有一定工作经验的。他们的工作经验会对数据挖掘的工作起到很大的帮助。他们在算法以及编程的上的能力可能不是很高，但是足以丰富他们的思维方式，也方便与人沟通。

大数据是帮助我们补充行业知识的一种重要的方式。现在越来越多的行业是数据驱动的，那么这个行业的很多行业知识都是通过大数据挖掘出来的。而获取这些数据的主要方式就是用户的行为和对运营动作反馈的挖掘，这也是未来以数据为核心的企业的价值所在。

数据挖掘的结果往往表现出的是用户在某一方面的属性或者特征，那么在实际业务中用户的行为往往受到多个因素的影响，所以在把数据挖掘的结果推广到具体的业务过程中要和业务方密切合作，找到合适的促销方式、展位、文案、刺激手段、效果评估方法等。

谢谢 学习到了

offandon 发表于 2015-8-23 11:45
**** 该帖被屏蔽 ****

12345678

对于数据挖掘工程师：
       首先你数学知识肯定要扎实吧，统计与概率论是最基本（也有人说现在的机器学习是统计学习，确实有道理）、微分与积分肯定要知道、数学公式要看的懂吧，进阶阶段最优化，随机过程等。
       对于语言，搞科研知道matlab就永不怕了，但是对于工程师嘛，肯定要知道写代码吧，不懂写代码的工程师都是扯淡，不要写代码的数据挖掘与机器学习，那是研究员，懂得一门高级语言与一门脚本语言就差不多了（如JAVA或C++，Python或R，个人推荐Java与Python，因为像Hadoop、Spark、Hive、MPI之类的都对Java提供了很方便的接口，Python写脚本很爽），还需要懂得Linux、Shell、SQL。

说到数据挖掘。往往与机器学习离不开。比如分类、聚类、关联规则挖掘、个性化推荐、预测、神经网络、深度学习等。很多年前说人工智能AI（比如产生式系统、专家系统等，好像现在提得比较少了），90年代AI到了瓶颈阶段，机器学习是一个突破口，现在机器学习又遇到了瓶颈阶段，深度学习又是一个突破口

很多数据挖掘工具都有关联挖掘，主要使用的算法是Apriori算法，在计算的过程中会主要考察项集、置信度、相关性这三个结果数据，以最终确定商品之间的相关性。除了Apriori算法外，还有许多其他的关联分析的算法，基本上也都是从Apriori发展而来，比如FPgrowth。本人从几年的数据分析经验感觉，关联分析在零售业中并不太实用，挖掘出来的关联度比较高的商品一般都是同类商品或者同品牌的商品，像“啤酒与尿布”这种，很少能够有。

大数据是帮助我们补充行业知识的一种重要的方式。现在越来越多的行业是数据驱动的，那么这个行业的很多行业知识都是通过大数据挖掘出来的。而获取这些数据的主要方式就是用户的行为和对运营动作反馈的挖掘，这也是未来以数据为核心的企业的价值所在。