本文目录
- 人工智能这么火，数据挖掘和机器学习有什么区别
- 大数据的哪个方向好发论文
- 准研一研究内容可能涉及机器学习和大数据，希望电脑是纯学术导向，不打游戏，mac还是matebook
- 数据挖掘的就业前景怎么样
- 如果仅用python挖掘一些数据，有哪些相关的适合小白看的书呀
- 后台开发与数据挖掘哪个更适合研究生发展
- 将来想从事数据挖掘工作，考研学什么专业好呢
- 学习了数据挖掘的一些基础性的东西，想写出有质量的论文，该如何着手
- 从零开始，如何学习数据挖掘
- 推荐算法工程师与数据挖掘工程师有什么区别它们日常工作内容有什么不同
人工智能这么火，数据挖掘和机器学习有什么区别
工作后，我首先知道的概念是数据挖掘，而不是机器学习。因此我想数据挖掘这个概念更加广泛，属于工程应用范畴。5年前，我单位谈的都是数据挖掘，也举办这类竞赛，我们也掌握了数据挖掘的应用软件和数据挖掘标准流程，比如sas，clementine等数据挖掘平台。这些平台多数基于图形化操作，应用门槛较低。最近两年才开始谈机器学习，深度学习和人工智能等概念。从我工作经历来讲，数据挖掘是比较大众化的说法，单位业务部门都知道这个概念，而机器学习属于专业化的说法，现在业务部门还不清楚机器学习究竟是什么。其实很难严格去区分两者的关系，看看最权威的数据挖掘和机器学习的教材，你会发现它们大部分都是重复的。既然是两个名称，那么它们的侧重点应该是不一样的。我的理解是数据挖掘的后端与机器学习的前端重复，机器学习的后端与深度学习的前端重复。数据挖掘的前端是数据收集，清洗和处理等，和大数据有关，都涉及数据仓库等内容，但机器学习并不关心这些，也就是说数据这种原材料对机器学习来说应该要事先准备好了，机器学习更加注重学习问题，努力像人类一样学习知识，理解世界。它们最大的区别是：
数据挖掘注重挖掘数据中的规律和知识，但不关心数据为什么会产生这些规律和知识，也就说你只看到表象，并不知道本质原因。而机器学习恰恰相反，机器学习更加注重学习数据的生成机制，即数据究竟由什么概率模型生成的。有时机器学习也叫统计学习就是这个原因。数据的生成机制出来了，那么数据中的规律自然而然就知道了。正是因为机器学习注重数据的生成机制学习，产生大量的研究内容，发展出核机器，极大似然估计，最大熵模型，最大后验估计，期望最大化算法，高斯过程，概率图模型，变分推理等工具。后面这些高级内容，数据挖掘教材一般是没有的。
传统机器学习一般对数据生成机制做一些先验假设，如假设数据由高斯分布生成的，然后学习高斯分布的参数。进一步，如果没有这些假设，应该怎么做？一般使用非参数密度估计技术，如核估计，最近流行和深度学习结合，如生成式对抗网络(GANs)，变分自编码器等。
大数据的哪个方向好发论文
这个看个人了，如果你是数学系毕业，或者本科数学，研究生其他的都可以，碰巧会撸点代码但是又不想做苦逼的码农，那么做做数据挖掘工程师很适合你，算法需要数学功底，实现算法模型需要会撸代码，但用的来说对算法要求高一些，正好你的数学知识可以用上。如果你是计算机毕业的，那你做大数据平台毕竟适合比如hadoop，spark等，这些偏向于计算机技术，而且前景也不错。
如果你既没有数学功底又没有计算机学习的经历，那还是洗洗睡吧大数据不适合你，什么？网上都是零基础入门大数据很容易？呵呵，那都是忽悠人的，当然也不排除有人自学入行，但是这得很强的自学能力和自我约束能力
准研一研究内容可能涉及机器学习和大数据，希望电脑是纯学术导向，不打游戏，mac还是matebook
我研究生的专业就是数据挖掘相关，毕业之后从事的是大数据方向。在研究生期间，个人也写过论文，同时做过机器学习算法相关的实验。结合我个人的经验，我推荐你选择苹果的Mac Book。我个人目前工作就是使用Mac Book，相信使用过Mac的程序员，也都不会再选择Windows了，matebook就是Windows系统。
首先，你读研期间是学术方向，在学校老师实验室你肯定要不了一点，就是读研期间你肯定要发表论文，以及要看大量的学术论文。看论文肯定要盯着电脑看很久，Mac电脑的画质我不用多说了，一般都会比Windows笔记本看的清晰且舒服，对于长时间看电脑的你，选择Mac肯定要比matebook更好。
我目前就是在使用Mac在写文档，我使用的Typora来写文档，在结合Mac自身的触控板和相关的快捷键，写文档方面感觉非常的便捷和畅快。在加上苹果iTerm命令行终端的使用，各种使用Linux命令，整体而言，要比Windows系统爽太多，这里推荐你选择Mac电脑。
还有一点就是，由于你读研期间要涉及到机器学习和大数据，你在写论文的同时，肯定要进行机器学习算法的实验或者安装大数据组件。由于Mac Book本身就是Linux系统，天然对开源大数据组件或者机器学习算法包的安装支持要比Window系统要好。你到时候安装大数据组件时，使用MacBook可以很快的安装，而不像Window系统，要安装这安装那的。
同时，你在使用苹果电脑时，少不了要掌握部分的Linux命令，而现在很多大公司的服务器都是部署在Linux上面，你平时使用MacBook来锻炼自己Linux命令的使用，这为你以后再操作公司服务器方面，也打下了一定的基础经验。
最后一点，程序员嘛，肯定还是希望自己的设备更加精致，你看国外的程序员，几乎每个人都是使用MacBook来开发软件，使用Windows系统的同学比较少。使用MacBook，你都不需要鼠标，个人认为MacBook的触控板要比Windows 笔记本的触控板好用。
你刚开始使用MacBook的时候，估计会有一段时间不适应，因为之前我们都是使用的Windows系统，不管没关系，你只要坚持一段时间适应就好，然后多去网上查查MacBook的快捷键，相信你在使用一段时间之后，估计就会和我一样，爱上MacBook。
我是Lake，专注大数据技术原理、互联网科技见解、程序员经验分享，如果我的问答对你有帮助的话，希望你能点赞关注我，感谢。
我会持续大数据和互联网方面的内容，如果你有任何问题，也欢迎关注私信我，我会认真解答每一个问题。
数据挖掘的就业前景怎么样
数据清洗-数据分析-数据挖掘-数据展示-数据优化-个性化抽取/商业行为探索。
这是高科技时代利用大数据加工进而推送、管控的流程和技术。
说几个容易感受的案例：
从14亿中国人中分析出中国人的面相总体特征；
从你几十年的行为轨迹中，挖掘分析出你的行为特征和偏好；
从你阅读头条的数据中，分析出你喜欢的产品等等。
商业化模式代表之一是广告，但谁也不希望看那些无需求的广告，所以千人千面似的广告推送就更为重要，对于广告商来说性价比也更高。
比如，我今天搜索了咖啡，蓝山咖啡，摩卡咖啡。之后系统会根据我的搜索不断的推送咖啡广告给我。
这类商业行为需要数据分析，更需要前期的数据挖掘。
所以数据挖掘和数据分析几乎是每一个超大型公司/平台的必配职位。
但一定是超大型，因为数据挖掘的本职是大数据挖掘，而大数据大多数都来自超大平台。
所以这样的结果就变成了：需要数据挖掘工程师，但数据挖掘工程师需要更加强调背景、强调公司品牌、强调大规模产品数据的从业经历。如此，工资一定会高很多。
