第一节、第二节
推荐书目

需要关注的顶级会议

顶级期刊

大师人物

关注他们实验室主页

用谷歌学术搜索文献
WEKA用户友好的学习软件
UCI有一些数据集
MATLAB有一些软件包
KDnuggets有大量数据挖掘相关的信息

数据挖掘是很多学科的综合体

很多技术归根到底都是数据挖掘

学习方法：

1. 首先课堂要学习，要思考
2. 课外依然要进行扩展自我学习、讨论
3. 一定要动手去练习，编写程序，编写应用。这比听老师说有用的多
4. 训练一个会思考的头脑

第三节
什么是数据
信息 ！= 数据
数据 -处理-> 信息
连续型（体重身高） 二值型（婚否）
逻辑层（数据库中的二维表、星型网络型） 物理层（磁盘中的01）
数据要进行转化（数据处理）
真实数据中有错误，普遍存在

什么是大数据
数据量大(high-volume)、数据源源不断地产生(high-velocity)、数据种类千奇百怪(high-variety)
数据大到传统技术无法处理
TB->ZB
静态的数据->每天每小时都产生的流数据
结构化数据->非结构化数据
用途：

1. 把犯罪的历史记录标注在图上，挖掘出犯罪的模式和规律，什么时间什么地点什么案件
2. 根据人的基因不同，给出不同的药
3. 城市规划，超市、停车场、道路的布局
4. 逛超市的轨迹，挖掘出顾客的轨迹和停留情况、购买情况、人数
5. 为一段文字进行情感分析
6. 社交网络的分析（发现有影响力的人，直播带货）
7. 用数据分析的方法判断球员的价值《点球成金MoneyBall》
8. 把相貌量化，

第四节
把数据库公开：1. 法律上公开，允许访问 2. 技术上容易获取

一些数据 公开的网址

美国政府提供了犯罪、交通等信息

数据挖掘：从数据中提取出有趣、有用、隐藏的信息
数据分析行业的需求
商务智能，商业决策、划分客户类型
信息 -数据挖掘-> 知识

数据存放在不同的数据源，把数据从数据源中提取出来，进行一些清洗、融合，装在数据仓库中（元数据、真实数据）再进行分析

定义问题->采集数据->建模->返回准确度->精确的足够了->实施->反馈
IBM spss可视化建模工具
多少层、每层多少神经元拖进去设置

第五节 算法
形式化classification
给一些训练集，先训练出模型，给一些未知数据时就可以预测

应用：医疗判断、对客户行为的判断

分界面：银行对贷款客户的风险评估（存款、收入）



分类器（分类面）
我们需要的黑颜色的线
绿颜色过拟合（over-fitting）没有形成一个合理的分界面

数据分为两部分
Traing set训练集
Test set测试集

confusion matrix 混淆矩阵

一个样本本身有positive或者negative的标签
模型也会对它进行positive或者negative的预测
结果可能一致(consistant)也可能犯错
confusion matrix 记录预测结果与真实值是否一致，并进行计算正确率

roc曲线
receiver operating characteristic
男人女人 1m 2m 的区别

auc 曲线下面的面积，与大越好（分类器的性能指标）

但是现实生活中，有病判没病 和 没病判有病 错误结果的危害程度是不一样的
（权重）
把最有可能购买的人排在前面，先打电话
没用模型，随机打10个电话买3个，用了模型，前十个打10个电话买6个，有一个提升度lift 为60%/30%

聚类clustering
无标签的


因为一个group数据较为相似，所以自己分为一个类


层次型聚类，小类到大类

关联规则（买了面包牛奶的会买黄油）

线性回归，拟合出来的可以是曲线的，线性是指，参数和变量之间是线性的。而不是最终的表达是线性的。


中间的回归相对来说比较好

给用户看的是dashboard 仪表盘，用形式化的结果展示出来
可视化研究中有很多可视化软件可以拿来用

数据预处理（最有挑战的部分）

GIGO 垃圾数据输入 垃圾数据输出
对数据进行处理是数据挖掘成功的第一步

是基础

第六集
互联网上没有隐私可言
棱镜门 白光->五颜六色各种信息

隐私保护
不能用常规的调研问卷
回答 0 或 1
问卷可以问 有过 或者 没有过
收问卷的不知道

云计算
光棍节100服务器
平时10台服务器
那么光棍节租100台 平时租10台就行了

亚马逊就提供这样的服务
软件变为服务 按次收费
这样的才是与计算

刀片服务器、i5 i7 四个核， 图形卡GPU变成计算卡了
小小的gpu可以做嵌入式的超级计算
数据+模型+高性能的计算平台 -> 数据的价值

没有最好的算法
实际中需要不断地尝试选择神经网络（输出难以解释）还是决策树（和客户比较好解释），参数应该调成什么样
越复杂的模型计算量越大，越容易产生over-fitting
knn k-mean的够用就行，效果也挺好，没必要一味追求高端的算法

数据随机（彩票）
需要进行很多预测才能进行预测（股票）

数据可能存在分组
XY全部看来是正相关
但分组后是负相关

曲线换成工资和中国GDP也可以
不能一看这两条曲线就马上得出关系

幸存者偏差
能飞回来的都是要害没中弹的

缺了时间因素

也是缺了时间

看问题不能以偏概全，要从各个层面看问题