3月13日下午，南京郵電大學計較機學院、軟件學院院長、傳授李濤在CIO時代APP微講座欄目作了題為《大數據時代的數據挖掘》的主題分享，深度詮釋了大數據及大數據時代下的數據挖掘。
一、數據挖掘
在大數據時代，數據的發生和收集是基本，數據挖掘是要害，數據挖掘可以說是大數據最要害也是最根基的事情。凡是而言，數據挖掘也稱為Data Mining，或常識發明Knowledge Discovery from Data，泛指從大量數據中挖掘出隱含的、先前未知但潛在的有用信息和模式的一個工程化和系統化的進程。
差異的學者對數據挖掘有著差異的領略，但小我私家認為，數據挖掘的特性主要有以下四個方面：
1.應用性（A Combination of Theory and Application）：數據挖掘是理論算法和應用實踐的完美團結。數據挖掘源于實際出發糊口中應用的需求，挖掘的數據來自于詳細應用，同時通過數據挖掘發明的常識又要運用到實踐中去，幫助實際決定。所以，數據挖掘來自于應用實踐，同時也處事于應用實踐，數據是基礎，數據挖掘應以數據為導向，個中涉及到算法的設計與開拓都需思量到實際應用的需求，對問題舉辦抽象和泛化，將好的算法應用于實際中，并在實際中獲得檢討。
2.工程性（An Engineering Process）：數據挖掘是一個由多個步調構成的工程化進程。數據挖掘的應用特性抉擇了數據挖掘不只僅是算法闡明和應用，而是一個包括數據籌備和打點、數據預處理懲罰和轉換、挖掘算法開拓和應用、功效展示和驗證以及常識積聚和利用的完整進程。并且在實際應用中，典范的數據挖掘進程照舊一個交互和輪回的進程。
3.薈萃性（A Collection of Functionalities）：數據挖掘是多種成果的薈萃。常用的數據挖掘成果包羅數據摸索闡明、關聯法則挖掘、時間序列模式挖掘、分類預測、聚類闡明、異常檢測、數據可視化和鏈接闡明等。一個詳細的應用案例往往涉及多個差異的成果。差異的成果凡是有差異的理論和技能基本，并且每一個成果都有差異的算法支撐。
4.交錯性（An Interdisciplinary Field）：數據挖掘是一門交錯學科，它操作了來自統計闡明、模式識別、呆板進修、人工智能、信息檢索、數據庫等諸多差異規模的研究成就和學術思想。同時一些其他規模如隨機算法、信息論、可視化、漫衍式計較和最優化也對數據挖掘的成長起到重要的浸染。數據挖掘與這些相關規模的區別可以由前面提到的數據挖掘的3個特性來總結，最重要的是它更偏重于應用。
綜上所述，應用性是數據挖掘的一個重要特性，是其區別于其他學科的要害，美國抗攻擊服務器 亞洲服務器，同時，其應用特性與其他特性相輔相成，這些特性在必然水平上抉擇了數據挖掘的研究與成長，同時，也為如何進修和把握數據挖掘提出了指導性意見。如從研究成長來看，實際應用的需求是數據挖掘規模許多要領提出和成長的來源。從最開始的顧主生意業務數據闡明（market basket analysis）、多媒體數據挖掘（multimedia data mining）、隱私掩護數據挖掘（privacy-preserving data mining）到文本數據挖掘（text mining）和Web挖掘（Web mining），再到社交媒體挖掘（social media mining）都是由應用敦促的。工程性和薈萃性抉擇了數據挖掘研究內容和偏向的遍及性。個中，工程性使得整個研究進程里的差異步調都屬于數據挖掘的研究領域。而薈萃性使得數據挖掘有多種差異的成果，而如何將多種成果接洽和團結起來，從必然水平上影響了數據挖掘研究要領的成長。好比，20世紀90年月中期，數據挖掘的研究主要會合在關聯法則和時間序列模式的挖掘。到20世紀90年月末，研究人員開始研究基于關聯法則和時間序列模式的分類算法（如classification based on association），將兩種差異的數據挖掘成果有機地團結起來。21世紀初，一個研究的熱點是半監視進修（semi-supervised learning）和半監視聚類（semi-supervised clustering），也是將分類和聚類這兩種成果有機團結起來。連年來的一些其他研究偏向如子空間聚類（subspace clustering）（特征抽取和聚類的團結）和圖分類（graphclassification）（圖挖掘和分類的團結）也是將多種成果接洽和團結在一起。最后，交錯性導致了研究思路和要領設計的多樣化。
前面提到的是數據挖掘的特性對研究成長及研究要領的影響，別的，數據挖掘的這些特性對如何進修和把握數據挖掘提出了指導性的意見，對造就研究生、本科生均有一些指導意見，如應用性在指導數據挖掘時，應熟悉應用的業務和需求，需求才是數據挖掘的目標，業務和算法、技能的細密團結很是重要，相識業務、掌握需求才氣有針對性地對數據舉辦闡明，挖掘其代價。因此，在實際應用中需要的是一種既懂業務，又懂數據挖掘算法的人才。工程性抉擇了要把握數據挖掘需有必然的工程本領，一個好的數據額挖掘人員首先是一名工程師，有很強大的處理懲罰大局限數據和開拓原型系統的本領，這相當于在造就數據挖掘工程師時，對數據的處理懲罰本領和編程本領很重要。薈萃性使得在詳細應用數據挖掘時，要做好底層差異成果和多種算法積聚。交錯性抉擇了在進修數據挖掘時要主動相識和進修相關規模的思想和技能。
因此，這些特性均是數據挖掘的特點，通過這四個特性可總結和進修數據挖掘。
二、大數據的特征
