① 如何系統地學習數據挖掘
磨刀不誤砍柴工。在學習數據挖掘之前應該明白幾點：
數據挖掘目前在中國的尚未流行開，猶如屠龍之技。
數據初期的准備通常占整個數據挖掘項目工作量的70%左右。
數據挖掘本身融合了統計學、資料庫和機器學習等學科，並不是新的技術。
數據挖掘技術更適合業務人員學習（相比技術人員學習業務來的更高效）
數據挖掘適用於傳統的BI（報表、OLAP等）無法支持的領域。
數據挖掘項目通常需要重復一些毫無技術含量的工作。
如果你閱讀了以上內容覺得可以接受，那麼繼續往下看。
學習一門技術要和行業靠攏，沒有行業背景的技術如空中樓閣。技
術尤其是計算機領域的技術發展是寬泛且快速更替的（十年前做網頁設計都能成立公司），一般人沒有這個精力和時間全方位的掌握所有技術細節。但是技術在結合
行業之後就能夠獨當一面了，一方面有利於抓住用戶痛點和剛性需求，另一方面能夠累計行業經驗，使用互聯網思維跨界讓你更容易取得成功。不要在學習技術時想
要面面俱到，這樣會失去你的核心競爭力。
一、目前國內的數據挖掘人員工作領域大致可分為三類。
1）數據分析師：在擁有行業數據的電商、金融、電信、咨詢等行業里做業務咨詢，商務智能，出分析報告。
2）數據挖掘工程師：在多媒體、電商、搜索、社交等大數據相關行業里做機器學習演算法實現和分析。
3）科學研究方向：在高校、科研單位、企業研究院等高大上科研機構研究新演算法效率改進及未來應用。
二、說說各工作領域需要掌握的技能。
(1).數據分析師
需要有深厚的數理統計基礎，但是對程序開發能力不做要求。
需要熟練使用主流的數據挖掘（或統計分析）工具如Business Analytics and Business Intelligence Software（SAS）、SPSS、EXCEL等。
需要對與所在行業有關的一切核心數據有深入的理解，以及一定的數據敏感性培養。
經
典圖書推薦：《概率論與數理統計》、《統計學》推薦David
Freedman版、《業務建模與數據挖掘》、《數據挖掘導論》、《SAS編程與數據挖掘商業案例》、《Clementine數據挖掘方法及應用
》、《Excel 2007 VBA參考大全》、《IBM SPSS Statistics 19 Statistical Proceres
Companion》等。
(2).數據挖掘工程師
需要理解主流機器學習演算法的原理和應用。
需要熟悉至少一門編程語言如（Python、C、C++、java、Delphi等）。
需要理解資料庫原理，能夠熟練操作至少一種資料庫（Mysql、SQL、DB2、Oracle等），能夠明白MapRece的原理操作以及熟練使用Hadoop系列工具更好。
經典圖書推薦：《數據挖掘概念與技術》、《機器學習實戰》、《人工智慧及其應用》、《資料庫系統概論》、《演算法導論》、《Web數據挖掘》、《 Python標准庫》、《thinking in Java》、《Thinking in C++》、《數據結構》等。
(3).科學研究方向
需要深入學習數據挖掘的理論基礎，包括關聯規則挖掘 （Apriori和FPTree）、分類演算法（C4.5、KNN、Logistic Regression、SVM等) 、聚類演算法 （Kmeans、Spectral Clustering）。目標可以先吃透數據挖掘10大演算法各自的使用情況和優缺點。
相對SAS、SPSS來說R語言更適合科研人員The R Project for Statistical Computing，因為R軟體是完全免費的，而且開放的社區環境提供多種附加工具包支持，更適合進行統計計算分析研究。雖然目前在國內流行度不高，但是強烈推薦。
可以嘗試改進一些主流演算法使其更加快速高效，例如實現Hadoop平台下的SVM雲演算法調用平台--web 工程調用hadoop集群。
需要廣而深的閱讀世界著名會議論文跟蹤熱點技術。如KDD，ICML，IJCAI，Association for the Advancement of Artificial Intelligence，ICDM 等等；還有數據挖掘相關領域期刊：ACM Transactions on Knowledge Discovery from Data，IEEE Transactions on Knowledge and Data Engineering，Journal of Machine Learning Research Homepage，IEEE Xplore: Pattern Analysis and Machine Intelligence, IEEE Transactions on等。
可以嘗試參加數據挖掘比賽培養全方面解決實際問題的能力。如Sig KDD ，Kaggle: Go from Big Data to Big Analytics等。
可以嘗試為一些開源項目貢獻自己的代碼，比如Apache Mahout: Scalable machine learning and data mining ,myrrix等（具體可以在SourceForge或GitHub.上發現更多好玩的項目）。
經
典圖書推薦：《機器學習》
《模式分類》《統計學習理論的本質》《統計學習方法》《數據挖掘實用機器學習技術》《R語言實踐》，英文素質是科研人才必備的《Machine
Learning: A Probabilistic Perspective》《Scaling up Machine Learning :
Parallel and Distributed Approaches》《Data Mining Using SAS Enterprise
Miner : A Case Study Approach》《Python for Data Analysis》等。
三、以下是通信行業數據挖掘工程師的工作感受。
真
正從數據挖掘項目實踐的角度講，溝通能力對挖掘的興趣愛好是最重要的，有了愛好才可以願意鑽研，有了不錯的溝通能力，才可以正確理解業務問題，才能正確把
業務問題轉化成挖掘問題，才可以在相關不同專業人才之間清楚表達你的意圖和想法，取得他們的理解和支持。所以我認為溝通能力和興趣愛好是個人的數據挖掘的
核心競爭力，是很難學到的；而其他的相關專業知識誰都可以學，算不上個人發展的核心競爭力。
說到這里可能很多數據倉庫專家、程序員、統計
師等等都要扔磚頭了，對不起，我沒有別的意思，你們的專業對於數據挖掘都很重要，大家本來就是一個整體的，但是作為單獨一個個體的人來說，精力有限，時間
有限，不可能這些領域都能掌握，在這種情況下，選擇最重要的核心，我想應該是數據挖掘技能和相關業務能力吧（從另外的一個極端的例子，我們可以看，
比如一個迷你型的挖掘項目，一個懂得市場營銷和數據挖掘技能的人應該可以勝任。這其中他雖然不懂數據倉庫，但是簡單的Excel就足以勝任高打6萬個樣本
的數據處理；他雖然不懂專業的展示展現技能，但是只要他自己看的懂就行了，這就無需什麼展示展現；前面說過，統計技能是應該掌握的，這對一個人的迷你項目
很重要；他雖然不懂編程，但是專業挖掘工具和挖掘技能足夠讓他操練的；這樣在迷你項目中，一個懂得挖掘技能和市場營銷業務能力的人就可以圓滿完成了，甚至
在一個數據源中根據業務需求可以無窮無盡的挖掘不同的項目思路，試問就是這個迷你項目，單純的一個數據倉庫專家、單純的一個程序員、單純的一個展示展現技
師、甚至單純的一個挖掘技術專家，都是無法勝任的）。這從另一個方面也說明了為什麼溝通能力的重要，這些個完全不同的專業領域，想要有效有機地整合在一起
進行數據挖掘項目實踐，你說沒有好的溝通能力行嗎？
數據挖掘能力只能在項目實踐的熔爐中提升、升華，所以跟著項目學挖掘是最有效的捷徑。
國外學習挖掘的人都是一開始跟著老闆做項目，剛開始不懂不要緊，越不懂越知道應該學什麼，才能學得越快越有效果。我不知道國內的數據挖掘學生是怎樣學的，
但是從網上的一些論壇看，很多都是紙上談兵，這樣很浪費時間，很沒有效率。
另外現在國內關於數據挖掘的概念都很混亂，很多BI只是局限在
報表的展示和簡單的統計分析，卻也號稱是數據挖掘；另一方面，國內真正規模化實施數據挖掘的行業是屈指可數（銀行、保險公司、移動通訊），其他行業的應用
就只能算是小規模的，比如很多大學都有些相關的挖掘課題、挖掘項目，但都比較分散，而且都是處於摸索階段，但是我相信數據挖掘在中國一定是好的前景，因為
這是歷史發展的必然。
講到移動方面的實踐案例，如果你是來自移動的話，你一定知道國內有家叫華院分析的公司（申明，我跟這家公司沒有任何
關系，我只是站在數據挖掘者的角度分析過中國大多數的號稱數據挖掘服務公司，覺得華院還不錯，比很多徒有虛名的大公司來得更實際），他們的業務現在已經覆
蓋了絕大多數中國省級移動公司的分析挖掘項目，你上網搜索一下應該可以找到一些詳細的資料吧。我對華院分析印象最深的一點就是2002年這個公司白手起
家，自己不懂不要緊，一邊自學一邊開始拓展客戶，到現在在中國的移動通訊市場全面開花，的確佩服佩服呀。他們最開始都是用EXCEL處理數據，用肉眼比較
選擇比較不同的模型，你可以想像這其中的艱難吧。
至於移動通訊的具體的數據挖掘的應用，那太多了，比如不同話費套餐的制訂、客戶流失模
型、不同服務交叉銷售模型、不同客戶對優惠的彈性分析、客戶群體細分模型、不同客戶生命周期模型、渠道選擇模型、惡意欺詐預警模型，太多了，記住，從客戶
的需求出發，從實踐中的問題出發，移動中可以發現太多的挖掘項目。最後告訴你一個秘密，當你數據挖掘能力提升到一定程度時，你會發現無論什麼行業，其實數
據挖掘的應用有大部分是重合的相似的，這樣你會覺得更輕松。
四、成為一名數據科學家需要掌握的技能圖。（原文：Data Science: How do I become a data scientist?）
② 大數據挖掘需要學習哪些技術大數據的工作
首先
我由各種編程語言的背景——matlab,R,java,C/C++,python,網路編程等
我又一定的數學基礎——高數，線代，概率論，統計學等
我又一定的演算法基礎——經典演算法，神經網路，部分預測演算法，群智能演算法等
但這些目前來講都不那麼重要，但慢慢要用到
Step 1：大數據理論，方法和技術
大數據理論——啥都不說，人家問你什麼是大數據時，你能夠講到別人知道什麼是大數據
大數據方法——然後別人問你，那怎麼實現呢？嗯，繼續講：說的是方法（就好像歸並排序演算法：分，並）。到目前外行人理解無障礙
大數據技術——多嘴的人繼續問：用的技術。
這階段只是基礎，不涉及任何技術細節，慢慢看慢慢總結，積累對「大數據」這個詞的理解。
Step 2：大數據思維
Bang~這是繼Step 1量變發展而來的質變：學了那麼久「大數據」，把你扔到製造業，你怎麼辦？
我想，這就是「學泛」的作用吧，並不是學到什麼具體東西，而是學到了對待事物的思維。
----------------------------------------------------------------------
以下階段我還沒開始=_=，不好誤導大家
Step 3：大數據技術基礎
Step 4：大數據技術進階
Step 5：打實戰
Step 6：大融合
③ 如何進行大數據挖掘
數據挖掘是從大量的、不完全的、有雜訊的、模糊的、隨機的數據中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。
數據挖掘流程：
定義問題：清晰地定義出業務問題，確定數據挖掘的目的。
數據准備：數據准備包括：選擇數據–在大型資料庫和數據倉庫目標中 提取數據挖掘的目標數據集;數據預處理–進行數據再加工，包括檢查數據的完整性及數據的一致性、去雜訊，填補丟失的域，刪除無效數據等。
數據挖掘：根據數據功能的類型和和數據的特點選擇相應的演算法，在凈化和轉換過的數據集上進行數據挖掘。
結果分析：對數據挖掘的結果進行解釋和評價，轉換成為能夠最終被用戶理解的知識。
④ 朋友想學習大數據，有哪裡可以學習呢
大數據也是最近幾年才火起來的學科，之前發展一直是不瘟不火的，可能是和這些年高速發展是互聯網有一定的關系的。
目前想要學習大數據建議還是去一線城市進行學習的比較好，大數據是屬於高度技術行業，在二三線城市現在發展得還不是很好，大多數的大企業都是在一線城市，所以很多技術都是出現在一線城市的。
選擇去北京學習大數據確實非常不錯，因為現在大數據發展比較好的地方也就是北上廣這樣的地方。而且在這里也是大數據培訓機構比較集中的地方，這里的機構有很多，其中相對比較專業的機構也有很多，大家可以選擇到的幾率也比較高。
具體的大家可以通過機構的師資、課程、學習環境以及就業情況等多方面的內容去對比選擇，我相信總有一家是比較適合你的。
如果，確定了想要到北京學習大數據技術的話，大家可以到尚矽谷來進行了解一下。
學習大數據之前建議獻血好計算機基礎知識，否則如同聚沙成塔一般根基不穩。
具體到大數據本身，建議先掌握一些基本的工具，例如hive，Hadoop，hbase，es等，先做一些簡單的數據分析。
個人學習經驗，如果是我會先選擇找一本入門的大數據相關的書籍，通讀一遍，建立對大數據的一個概念。然後可以到b站或者慕課網等學習網站找視頻資源，這類視頻也有深有淺，看自己當時的情況有選擇的看。最後，你想要更近一步的探究大數據，就應該找更專業的書籍或論文去研讀，這一類論文可以到知網或者谷歌文獻去找。
一、如何將商業運營問題轉化為大數據挖掘問題
那麼，問題來了，我們該如何把上述的商業運營問題轉化為數據挖掘問題?可以對數據挖掘問題進行細分，分為四類問題：分類問題、聚類問題、關聯問題、預測問題。
1、分類問題
用戶流失率、促銷活動響應、評估用戶度都屬於數據挖掘的分類問題，我們需要掌握分類的特點，知道什麼是有監督學習，掌握常見的分類方法:決策樹、貝葉斯、KNN、支持向量機、神經網路和邏輯回歸等。
2、聚類問題
細分市場、細分客戶群體都屬於數據挖掘的聚類問題，我們要掌握聚類特點，知道無監督學習，了解常見的聚類演算法，例如劃分聚類、層次聚類、密度聚類、網格聚類、基於模型聚類等。
3、關聯問題
交叉銷售問題等屬於關聯問題，關聯分析也叫購物籃分析，我們要掌握常見的關聯分析演算法：Aprior演算法、Carma演算法，序列演算法等。
4、預測問題
我們要掌握簡單線性回歸分析、多重線性回歸分析、時間序列等。
二、用何種工具實操大數據挖掘
能實現數據挖掘的工具和途徑實在太多，SPSS、SAS、Python、R等等都可以，但是我們需要掌握哪個或者說要掌握哪幾個，才算學會了數據挖掘?這需要看你所處的層次和想要進階的路徑是怎樣的。
第一層級：達到理解入門層次
了解統計學和資料庫即可。
第二層級：達到初級職場應用層次
資料庫+統計學+SPSS(也可以是SPSS代替軟體)
第三層級：達到中級職場應用層次
SAS或R
第四層級：達到數據挖掘師層次
SAS或R+Python(或其他編程語言)
三、如何利用Python學習大數據挖掘
只要能解決實際問題，用什麼工具來學習數據挖掘都是無所謂，這里首推Python。那該如何利用Python來學習數據挖掘?需要掌握Python中的哪些知識?
1、Pandas庫的操作
Panda是數據分析特別重要的一個庫，我們要掌握以下三點：
pandas 分組計算;
pandas 索引與多重索引;
索引比較難，但是卻是非常重要的
pandas 多表操作與數據透視表
2、numpy數值計算
numpy數據計算主要應用是在數據挖掘，對於以後的機器學習，深度學習，這也是一個必須掌握的庫，我們要掌握以下內容：
Numpy array理解;
數組索引操作;
數組計算;
Broadcasting(線性代數裡面的知識)
3、數據可視化-matplotlib與seaborn
Matplotib語法
python最基本的可視化工具就是matplotlib。咋一看Matplotlib與matlib有點像，要搞清楚二者的關系是什麼，這樣學習起來才會比較輕松。
seaborn的使用
seaborn是一個非常漂亮的可視化工具。
pandas繪圖功能
前面說過pandas是做數據分析的，但它也提供了一些繪圖的API。
4、數據挖掘入門
這部分是最難也是最有意思的一部分，要掌握以下幾個部分：
機器學習的定義
在這里跟數據挖掘先不做區別
代價函數的定義
Train/Test/Validate
Overfitting的定義與避免方法
5、數據挖掘演算法
數據挖掘發展到現在，演算法已經非常多，下面只需掌握最簡單的，最核心的，最常用的演算法：
最小二乘演算法;
梯度下降;
向量化;
極大似然估計;
Logistic Regression;
Decision Tree;
RandomForesr;
XGBoost;
6、數據挖掘實戰
通過機器學習裡面最著名的庫scikit-learn來進行模型的理解。
以上，就是為大家理清的大數據挖掘學習思路邏輯。可是，這還僅僅是開始，在通往數據挖掘師與數據科學家路上，還要學習文本處理與自然語言知識、linux與Spark的知識、深度學習知識等等，我們要保持持續的興趣來學習數據挖掘。
網易雲課堂
⑤ 學大數據需要什麼基礎
說到大數據，肯定少不了分析軟體，這應該是大數據工作的根基，但市面上很多各種分析軟體，如果不是過來人，真的很難找到適合自己或符合企業要求的。小編通過各大企業對大數據相關行業的崗位要求，總結了以下幾點：
（1）SQL資料庫的基本操作，會基本的數據管理
（2）會用Excel/SQL做基本的數據分析和展示
（3）會用腳本語言進行數據分析，Python or R
（4）有獲取外部數據的能力，如爬蟲
（5）會基本的數據可視化技能，能撰寫數據報告
（6）熟悉常用的數據挖掘演算法：回歸分析、決策樹、隨機森林、支持向量機等
對於學習大數據，總體來說，先學基礎，再學理論，最後是工具。基本上，每一門語言的學習都是要按照這個順序來的。
1、學習數據分析基礎知識，包括概率論、數理統計。基礎這種東西還是要掌握好的啊，基礎都還沒扎實，知識大廈是很容易倒的哈。
2、你的目標行業的相關理論知識。比如金融類的，要學習證券、銀行、財務等各種知識，不然到了公司就一臉懵逼啦。
3、學習數據分析工具，軟體結合案列的實際應用，關於數據分析主流軟體有(從上手度從易到難)：Excel，SPSS，stata，R，Python，SAS等。
4、學會怎樣操作這些軟體，然後是利用軟體從數據的清洗開始一步步進行處理，分析，最後輸出結果，檢驗及解讀數據。
當然，學習數學與應用數學、統計學、計算機科學與技術等理工科專業的人確實比文科生有著客觀的優勢，但能力大於專業，興趣才會決定你走得有多遠。畢竟數據分析不像編程那樣，需要你天天敲代碼，要學習好多的編程語言，數據分析更注重的是你的實操和業務能力。如今的軟體學習都是非常簡單便捷的，我們真正需要提升的是自己的邏輯思維能力，以及敏銳的洞察能力，還得有良好的溝通表述能力。這些都是和自身的努力有關，而不是單純憑借理工科背景就可以啃得下來的。相反這些能力更加傾向於文科生，畢竟好奇心、創造力也是一個人不可或缺的。
⑥ 新手如何學大數據
要想學好大數據要學會以下知識：
1.會基本的linux操作；
2.至少要精通一門JVM系的語言；
3.掌握一門實時流式處理框架；
4.學好分布式存儲框架；
5.深入了解和學習分布式協調框架；
6.新開發的列式存儲資料庫，也是要學好的；
7.學習Kafka處理消息隊列。
大數據分析師或者數據科學家要想學好大數據，需要掌握以下技能：
1.要有扎實的數學功底，不僅要熟練掌握一元微積分的使用，還一定要精通線性代數，尤其是矩陣的運算、向量空間、秩等概念。
2.要基本掌握概率和各種統計學方法。
3.學習分析交互框架，比如Hive。
4.學習機器學習的框架。
⑦ 如何自學大數據 自學大數據方法
1、第一階段：主要學習java基礎，學完出來並不能找工作，因為學的都是基礎，需要更進一步的努力，如果本身是java程序員，可以跳過！
2、第二階段：主要學習javaweb，學完也不能找工作哦，因為這些大部分人學一學都能會，並不達到工作的標准，你需要的是繼續學習！
3、第三階段：主要學習java的三大框架，SSM框架，說實在的，現在學完這個框架也只能簡單的找一份五六千的工作，大學生出來大部分也都會做！
4、第四階段：到這個階段，你會真正接觸到大數據，學習大數據的知識，學完能夠獨立開發爬蟲系統，能夠獨立開發搜索系統，能夠完成實時數據採集、存儲、計算及商業應用。找工作工資會在八千到一萬之間
5、第五階段：主要和大數據息息相關的Hadoop知識，學完能夠勝任離線相關工作，包括ETL工程師、任務調度工程師、Hive工程師、數據倉庫工程師等。找份上萬的工作分分鍾哦！
6、第六階段：學習spark，能夠勝任Spark相關工作，包括ETL工程師、Spark工程師、Hbase工程師、用戶畫像系統工程師、大數據反欺詐工程師。目前企業急缺Spark相關人才。學完一萬五的工資可以拿到！
7、第七階段：機器學習，人工智慧，這個是現今企業最缺的人才，學完這個階能夠勝任機器學習、數據挖掘等相關工作，包括推薦演算法工程師、數據挖掘工程師、機器學習工程師，填補人工智慧領域人才急劇增長缺口。
⑧ 零基礎學數據挖掘應該怎麼入門
初級數據分析師需要掌握的技能有：統計學基礎、Python語言、網頁分析、資料庫技術、常用模型理論、數據分析入門並不難，難的是之後的積累才是重點，如何在實際工作、項目中真正發揮數據分析的作用，產生價值。
數據分析師要具備六種核心能力：
1.基礎科學的能力
可以說，在數據決策的時代，數據分析幾乎滲透到企業的每個業務環節中。掌握統計學，才能知道每一種數據分析的模型，什麼樣的輸入，什麼樣的輸出，有什麼樣的作用。
2.使用分析工具的能力
任何數據分析師從事業務方向的工作都必須會統計學，統計學的學習最好輔助SPSS或其他SAS來學，做到數據分析基本功扎實，兼顧實戰性。學習中，要掌握SQL的基礎語法、中級語法和常用函數，結合關系資料庫系統來學習SQL語句。
3.掌握編程語言的能力
Python主要掌握基礎語法，pandas操作、numpy操作、sklearn建模，學會用python編寫網路爬蟲爬取數據等等。
4.邏輯思維的能力
邏輯思維對於數據分析來說特別重要。反映商業數據里，大家可以理解為去搭建商業框架或者說是故事線，有邏輯的推進，結果才會另人信服。
5.數據可視化的能力
有了Python的基礎，就可以學習數據可視化了。運營和產品都需要學習可視化，Python中可視化的工具有matplotlib,seaborn,ploltly;
6.模型評估的能力
Model建模，知道模型建好後應該怎樣去評估，掌握怎樣用一些定量的指標，數據、數值來衡量模型建好後到底有多准確，或者說到底有多錯誤。模型評估的指標或計算方式選擇正確與否，能夠直接影響到整個項目獲模型是否有效。
想要了解更多關於數據挖掘的問題可以到CDA認證中心咨詢一下，CDA是大數據和人工智慧時代面向國際范圍全行業的數據分析專業人才職業簡稱，具體指在互聯網、金融、咨詢、電信、零售、醫療、旅遊等行業專門從事數據的採集、清洗、處理、分析並能製作業務報告、提供決策的新型數據人才。
⑨ 大數據挖掘方法有哪些
謝邀。
大數據挖掘的方法：
神經網路方法
神經網路由於本身良好的魯棒性、自組織自適應性、並行處理、分布存儲和高度容錯等特性非常適合解決數據挖掘的問題，因此近年來越來越受到人們的關注。
遺傳演算法
遺傳演算法是一種基於生物自然選擇與遺傳機理的隨機搜索演算法，是一種仿生全局優化方法。遺傳演算法具有的隱含並行性、易於和其它模型結合等性質使得它在數據挖掘中被加以應用。
決策樹方法
決策樹是一種常用於預測模型的演算法，它通過將大量數據有目的分類，從中找到一些有價值的，潛在的信息。它的主要優點是描述簡單，分類速度快，特別適合大規模的數據處理。
粗集方法
粗集理論是一種研究不精確、不確定知識的數學工具。粗集方法有幾個優點：不需要給出額外信息;簡化輸入信息的表達空間;演算法簡單，易於操作。粗集處理的對象是類似二維關系表的信息表。
覆蓋正例排斥反例方法
它是利用覆蓋所有正例、排斥所有反例的思想來尋找規則。首先在正例集合中任選一個種子，到反例集合中逐個比較。與欄位取值構成的選擇子相容則捨去，相反則保留。按此思想循環所有正例種子，將得到正例的規則(選擇子的合取式)。
統計分析方法
在資料庫欄位項之間存在兩種關系：函數關系和相關關系，對它們的分析可採用統計學方法，即利用統計學原理對資料庫中的信息進行分析。可進行常用統計、回歸分析、相關分析、差異分析等。
模糊集方法
即利用模糊集合理論對實際問題進行模糊評判、模糊決策、模糊模式識別和模糊聚類分析。系統的復雜性越高，模糊性越強，一般模糊集合理論是用隸屬度來刻畫模糊事物的亦此亦彼性的。