哪个数据挖掘好学

1. 数据挖掘好学吗

其实还是要看个人的学习能力和吸收能力，以及能不能坚持。如果计算机、统计学方面基础比较弱，那么学习起来难度会比较大，但是如果能坚持学下来，还是可以掌握的。

很多人认为数据挖掘必须掌握复杂高深的算法，需要掌握技术开发，才能够把数据挖掘分析做好，其实不需要这么复杂。如果过于钻研复杂算法和技术开发，只可能让你走火入魔，并且效果也不大。在公司实际工作中，最好的大数据挖掘工程师必然是最熟悉和理解业务的人。学习数据挖掘一定要结合实际业务背景和案例背景，这样才是以解决问题为导向的学习方法。

关于数据挖掘的相关学习，推荐CDA数据师的相关课程，课程内容兼顾培养解决数据挖掘流程问题的横向能力以及解决数据挖掘算法问题的纵向能力。要求学生具备从数据治理根源出发的思维，通过数字化工作方法来探查业务问题，通过近因分析、宏观根因分析等手段，再选择业务流程优化工具还是算法工具，而非“遇到问题调算法包”点击预约免费试听课。

2. 数据挖掘什么软件简单

数据挖掘用什么软件
1.R是用于统计分析和图形化的计算机语言及分析工具；

2.Weka可能是名气最大的开源机器学习和数据挖掘软件，但用起来并不方便，界面也简单了点；

3.Tanagra 是使用图形界面的数据挖掘软件；4.RapidMiner现在流行的滚返罩势头在上升，但它的操作方式和商用软件差别较大，不支持分析流程图的方式，当包含的运算符比较多的时候就不容易查看了；

5.KNIME和Orange看起来都不错，Orange界面看上去很清爽，但我发现它不支持中 文。推荐KNIME，同时安装Weka和R扩展包。

对于普通用户可以选 用界面友好易于使用的软件，对于希望从事算法开发的用户则可以根据软件开发工具不同（java、R、C++、Python等）来选择相应的软件。
求推荐简单好用的数据挖掘软件 10分
那肯定是SPSS啊，网上自学教程也一堆，如果你不追求特别专业的，只是想数据可视化的基础上有意思数据挖掘的功能，也可以用watson *** ytics，它还支持自然语言呢
常用的数据挖掘工具有哪些
RapidMiner、R、Weka、KNIME、GGobi、Orange，都是优秀的挖掘工具，可以依据自己的需要选择。
常用数据挖掘工具有哪些
EXCEL MATLAB Origin 等等

当前流行的图形可视化和数据分析软件有Matlab，Mathmatica和Maple等。这些软件功大闹能强大，可满足科技工作中的许多需要，但使用这些软件需要一定的计算机编程知识和矩阵知识，并熟悉其中大量的函数和命令。而使用Origin就像使用Excel和Word那样简单，只需点击鼠标，选择菜单命令就可以完成大部分工作，获得满意的结果。 但它又比excel要强大些。一般日常的话可以用Excel，然后加载宏，里面有一些分析工具，不过有时需要数据库软件支持
学习数据挖掘一般要学哪些软件和工具
1、WEKA

WEKA 原生的非 Java 版本主要是为了分析农业领域数据而开发的。该工具基于 Java 版本，是非常复杂的，并且应用在许多不同的应用中，包括数据分析以及预测建模的可视化和算法。与 RapidMiner 相比优势在于，它在 GNU 通用公共许可证下是免费的，因为用户可以按照自己的喜好选择自定义。

WEKA 支持多种标准数据挖掘任务，包括数据预处理、收集、分类、回归分析、可视化和特征选取。添加序列建模后，WEKA 将会变得更强大，但目前不包括在内。

2、RapidMiner

该工具是用 Java 语言编写的，通过基于模板的框架提供先进的分析技术。该款工具最大的好处就是，用户无需写任何代码。它是作为一个服务提供，而不是一款本地软件。值得一提的是，该工具在数据挖掘工具榜上位列榜首。另外，除了数据挖掘，RapidMiner 还提供如数据预处理和可视化、预测分析和统计建模、评估和部署等功能。更厉害的是它还提供来自 WEKA(一种智能分析环境)和 R 脚本的学习方案、模型和算法。

RapidMiner 分布在 AGPL 开源许可下，可以从 SourceForge 上下载。SourceForge 是一个开发者进行开发管理的集中式场所，大量开源项目在此落户，其中就包括 *** 使用的 MediaWiki。

3、NLTK

当涉及到语言处理任务，没有什么可以打败 NLTK。NLTK 提供了一个语言处理工具，包括数据挖掘、机器学习、数据抓取、情感分析等各种语言处理任务。

而您需要做的只是安装 NLTK，然后将一个包拖拽到您最喜爱的任务中，您就可以去做其他事了。因为它是用 Python 语言编写的，你可以在上面建立应用，还可以自定义它的小任务。

4、Orange

Python 之所以受欢迎，是因为它简单易学并且功能强大。如果你是一个 Python 开发者，当涉及到需要找一个工作用的工具时，那么没世御有比 Orange 更合适的了。它是一个基于 Python 语言，功能强大的开源工具，并且对初学者和专家级的大神均适用。

此外，你肯定会爱上这个工具的可视化编程和 Python 脚本。它不仅有机器学习的组件，还附加有生物信息和文本挖掘，可以说是充满了数据分析的各种功能。

5、KNIME

数据处理主要有三个部分：提取、转换和加载。 而这三者 KNIME 都可以做到。 KNIME 为您提供了一个图形化的用户界面，以便对数据节点进行处理。它是一个开源的数据分析、报告和综合平台，同时还通过其模块化数据的流水型概念，集成了各种机 器学习的组件和数据挖掘，并引起了商业智能和财务数据分析的注意。

KNIME 是基于 Eclipse，用 Java 编写的，并且易于扩展和补充插件。其附加功能可随时添加，并且其大量的数据集成模块已包含在核心版本中。

6、R-Programming

如果我告诉你R项目，一个 GNU 项目，是由 R(R-programming简称，以下统称R)自身编写的，你会怎么想?它主要是由 C 语言和 FORTRAN 语言编写的，并且很多模块都是由 R 编写的，这是一款针对编程语言和软件环境进行统计计算和制图的免费软件。

R语言被广泛应用于数据挖掘，以及开发统计软件和数据分析中。近年来，易用性和可扩展性也大大提高了 R 的知名度。除了数据，它还提供统计和制图技术，包括线性和非线性建模，经典的统计测试，时间序列分析、分类、收......
学习数据挖掘一般要学哪些软件和工具
1、WEKA

WEKA 原生的非 Java 版本主要是为了分析农业领域数据而开发的。该工具基于 Java 版本，是非常复杂的，并且应用在许多不同的应用中，包括数据分析以及预测建模的可视化和算法。与 RapidMiner 相比优势在于，它在 GNU 通用公共许可证下是免费的，因为用户可以按照自己的喜好选择自定义。

WEKA 支持多种标准数据挖掘任务，包括数据预处理、收集、分类、回归分析、可视化和特征选取。添加序列建模后，WEKA 将会变得更强大，但目前不包括在内。

2、RapidMiner

该工具是用 Java 语言编写的，通过基于模板的框架提供先进的分析技术。该款工具最大的好处就是，用户无需写任何代码。它是作为一个服务提供，而不是一款本地软件。值得一提的是，该工具在数据挖掘工具榜上位列榜首。另外，除了数据挖掘，RapidMiner 还提供如数据预处理和可视化、预测分析和统计建模、评估和部署等功能。更厉害的是它还提供来自 WEKA(一种智能分析环境)和 R 脚本的学习方案、模型和算法。

RapidMiner 分布在 AGPL 开源许可下，可以从 SourceForge 上下载。SourceForge 是一个开发者进行开发管理的集中式场所，大量开源项目在此落户，其中就包括 *** 使用的 MediaWiki。

3、NLTK

当涉及到语言处理任务，没有什么可以打败 NLTK。NLTK 提供了一个语言处理工具，包括数据挖掘、机器学习、数据抓取、情感分析等各种语言处理任务。

而您需要做的只是安装 NLTK，然后将一个包拖拽到您最喜爱的任务中，您就可以去做其他事了。因为它是用 Python 语言编写的，你可以在上面建立应用，还可以自定义它的小任务。
目前业界常用的数据挖掘分析工具有哪些
数据分析的概念太宽泛了，做需要的是侧重于数据展示、数据挖掘、还是数据存储的？是个人用还是企业、部门用呢？应用的场景是制作简单的个人图表，还是要做销售、财务还是供应链的分析？

那就说说应用最广的BI吧，企业级应用，其实功能上已经涵盖了我上面所述的部分，主要用于数据整合，构建分析，展示数据供决策分析的，譬如FineBI，是能够”智能”分析数据的工具了。
哪个软件建立数据库比较简单好用
随着数据大数据的发展，数据安全已经上升到一个很高的高度。随着国家对数据安全的重视,国产数据库开始走进中国个大企业，其中不乏 *** 、国企。

实时数据库系统是开发实时控制系统、数据采集系统、CIMS系统等的支撑软件。在流程行业中，大量使用实时数据库系统进行控制系统监控，系统先进控制和优化控制，并为企业的生产管理和调度、数据分析、决策支持及远程在线浏览提供实时数据服务和多种数据管理功能。实时数据库已经成为企业信息化的基础数据平台，可直接实时采集、获取企业运行过程中的各种数据，并将其转化为对各类业务有效的公共信息，满足企业生产管理、企业过程监控、企业经营管理之间对实时信息完整性、一致性、安全共享的需求，可为企业自动化系统与管理信息系统间建立起信息沟通的桥梁。帮助企业的各专业管理部门利用这些关键的实时信息，提高生产销售的营运效率。如果你想定制这款国产数据库 可以打 前面是 一三六 中间是 六一二零 末尾是 四一四七

北京开运联合信息技术股份有限公司-实时性工业数据库软件（CreatRun Database ）

实时性工业数据库软件（CreatRun Database ）是什么？

1、实时性工业数据库软件（CreatRun Database ） 是开运联合公司针对行业应用，独立研发的，拥有全部自主知识产权的企业级实时/历史数据库平台。为企业监控生产情况、计算性能指标、进行事故分析和对设备启停分析诊断、故障预防等提供重要的数据保障。

2、实时性工业数据库软件（CreatRun Database ） 可广泛用于工业控制自动化数据的高速采集和存储，提供高速、海量数据存储和基础分析能力。

3、实时性工业数据库软件（CreatRun Database ） 可随时观察以及在线分析生产过程。长期保存的历史数据不仅可以重现历史生产情况，也使大规模数据挖掘成为可能。 提供企业生产信息管理解决方案，可以有效应对“从小到大” “由近及远” 的各种企业级数据应用。

4、CreatRun Database 可在线按照时间序列以毫秒级精度自动采集企业的各类过程自动化系统中的生产数据，高效压缩并存储。同时可向用户和应用程序提供实时和历史数据，使得用户可随时观察以及在线分析生产过程。长期保存的历史数据不仅可以重现历史生产情况，也使大规模数据挖掘成为可能。

【工业软件开发】实时性工业数据库软件（CreatRun Database ）系统主要技术指标:

支持数据类型：digital、int16、int32、float16、float32、float64、String等类型

标签容量：200,000 Tag

数据容量：TB级

客户端并发用户数：500 个

生产过程数据采集时间响应速度：<500 毫秒

时间戳分辨率：毫秒

存储速度：>100,000 输入值/秒存档数据回取事务吞吐量：>2,000,000 输出值/秒

实时性工业数据库软件（CreatRun Database ）系统特性——高可用性:

1、高效的数据存储策略及压缩算法“死区例外+可变斜率压缩算法 ”，精确到每个Tag的压缩配置，有效提高了历史数据存储性能，节约磁盘空间.

2、高速的数据缓存机制，使并行访问锁域粒度精确到“Block（1KBytes）”，实现了并行访问能力的最大化。使历史数据访问路由复杂度“最小化、均衡化，扁平化”，不界定“冷热”数据，所有数据访问时间成本一致，同时提供均衡访问特性和最大远程数据访问友好度。

3、Creat RUN ......
数据挖掘工具一般都有哪些
数据挖掘工具有国外的Qlik，国内的有永洪，收费是肯定的，你可以先去找些可以免费试用的挖掘工具，国内的ETHINK平台好像可以
数据挖掘工具有哪些？
SQL Server是数据库，但内建数据挖掘功能，若提到工具的话，大概有SAS, SPSS, Statistica(Dell), R, Revolution R...

3. 如何自学成为数据分析师

数据分析师的基本工作流程：

1.定义问题

确定需要的问题，以及想得出的结论。需要考虑的选项有很多，要根据所在业务去判断。常见的有：变化趋势、用户画像、影响因素、历史数据等。

2.数据获取

数据获取的方式有很多种：

一是直接从企业数据库调取，需要SQL技能去完成数据提取等的数据库管理工作。

二是获取公开数据，政府、企业、统计局等机构有。

三是通过Python编写网页爬虫。

3.数据预处理

对残缺、重复等异常数据进行清洗。

4.数据分析与建模

这个部分需要了解基本的统计分析方法、数据挖掘算法，了解不同统计方法适用的场景和适合的问题。

5.数据可视化和分析报告撰写

学习一款可视化工具，将数据通过可视化最直观的展现出来。

数据分析入门需要掌握的技能有：

1. SQL（数据库）：

怎么从数据库取数据？怎么取到自己想要的特定的数据？等这些问题就是你首要考虑的问题，而这些问题都是通过SQL解决的，所以SQL是数据分析的最基础的技能。

2. excel

分析师更多的时候是在分析数据，分析数据时需要把数据放到一个文件里，就是excel。

熟练excel常用公式，学会做数据透视表，什么数据画什么图等。

3.Python或者R的基础：

必备项，也是加分项，在数据挖掘方向是必备项，语言相比较工具更加灵活也更加实用。

4.学习一个可视化工具

如果你想往更高层次发展，上面的东西顶多只占20%，剩下的80%则是业务理解能力，目标拆解能力，根据数据需求更多新技能的学习能力。

4. 计算机专业数据挖掘或是数据库方向考研都是有哪些好的研究所或是学校

计算机专业数据挖掘或是数据库方向考研应该是大连理工大学计算机软件与理论专业，国家一级重点学科，学科评级A。具体如下。

5. 想搞数据挖掘 需要学习哪些东东

1、数据挖掘、模式识别、统计学习
2、概率统计：多元统计、时间序列、随机过程
运筹优化：运筹学
3、数据库(SQL语言/数据库理论/Oracle与SQLServer)、数据仓库
4、SAS / SPSS / KXEN / BusinessObject / Matlab / Excel VBA等工具
5、行业知识：比如金融银行计量经济（做金融建模）、市场营销与调查（做市场建模）

6. 数据挖掘从入门到进阶 要看什么书

数据挖掘从入门到进阶 要看什么书
做数据挖掘也有些年头了，写这篇文一方面是让我写篇文，朋友作为数据挖掘方面的参考，另一方面也是有抛砖引玉之意，希望能够和一些大牛交流，相互促进，让大家见笑了。
Q&A：
Q:学习,最近在看集体智慧编程,楼主可否推荐下数学基础的书?
A:我数学本身也不好 自己也在偷偷补 因为看的不多也不能给出个提纲式的建议 只能给您列下我近期看过和在看的觉得不错的书 您看做参考吧
矩阵方面 Kaare Brandt Petersen的《The Matrix Cookbook》 网易公开课中的《麻省理工公开课：线性代数》
2.概率论与数理统计方面 JohnA.Rice 的《数理统计与数据分析》《统计建模与R软件》
3.微积分方面 网易公开课中的《麻省理工学院公开课：单变量微积分》
其实您只要有了
1、概率论与数理统计以及其他统计学基础
2、扎实的线性代数功底
3、微积分（如果能学习下实变函数和泛函分析就更好了）
这几方面的基础 基本上机器学习的大部分算法您都具有了其数学基础
如果您觉得我说的太泛 可以先看看《模式分类》这本书的附录中的数学基础 这样您就大体有个印象了
入门：
数据挖掘入门的书籍，中文的大体有这些：
Jiawei Han的《数据挖掘概念与技术》
Ian H. Witten / Eibe Frank的《数据挖掘 实用机器学习技术》
Tom Mitchell的《机器学习》
TOBY SEGARAN的《集体智慧编程》
Anand Rajaraman的《大数据》
Pang-Ning Tan的《数据挖掘导论》
Matthew A. Russell的《社交网站的数据挖掘与分析》
很多人的第一本数据挖掘书都是Jiawei Han的《数据挖掘概念与技术》，这本书也是我们组老板推荐的入门书（我个人觉得他之所以推荐是因为Han是他的老师）。其实我个人来说并不是很推荐把这本书。这本书什么都讲了，甚至很多书少有涉及的一些点比如OLAP的方面都有涉猎。但是其实这本书对于初学者不是那么友好的，给人一种教科书的感觉，如果你有大毅力读完这本书，也只能获得一些零碎的概念的认识，很难上手实际的项目。
我个人推荐的入门书是这两本：TOBY SEGARAN的《集体智慧编程》和Ian H. Witten / Eibe Frank的《数据挖掘 实用机器学习技术》
《集体智慧编程》很适合希望了解数据挖掘技术的程序员，这本书讲述了数据挖掘里面的很多实用的算法，而且最重要的是其讲述的方式不是像Han那种大牛掉书袋的讲法，而是从实际的例子入手，辅以python的代码，让你很快的就能理解到这种算法能够应用在哪个实际问题上，并且还能自己上手写写代码。唯一的缺点是不够深入，基本没有数学推导，而且不够全面，内容不够翔实。不过作为一本入门书这些缺点反而是帮助理解和入门的优点。
推荐的另一本《数据挖掘 实用机器学习技术》则相对上一本书要稍微难一点，不过在容易理解的程度上依然甩Han老师的书几条街，其作者就是著名的Weka的编写者。整本书的思想脉络也是尽可能的由易到难，从简单的模型入手扩展到现实生活中实际的算法问题，最难能可贵的是书的最后还稍微讲了下如何使用weka，这样大家就能在学习算法之余能够用weka做做小的实验，有直观的认识。
看完上述两本书后，我觉得大体数据挖掘就算有个初步的了解了。往后再怎么继续入门，就看个人需求了。
如果是只是想要稍微了解下相关的技术，或者作为业余爱好，则可随便再看看Anand Rajaraman的《大数据》以及Matthew A. Russell的《社交网站的数据挖掘与分析》。前者是斯坦福的”Web挖掘”这门课程的材料基础上总结而成。选取了很多数据挖掘里的小点作为展开的，不够系统，但讲的挺好，所以适合有个初步的了解后再看。后者则亦是如此，要注意的是里面很多api因为GFS的缘故不能直接实验，也是个遗憾
如果是继续相关的研究学习，我认为则还需要先过一遍Tom Mitchell的《机器学习》。这本书可以看做是对于十多年前的机器学习的一个综述，作者简单明了的讲述了很多流行的算法（十年前的），并且对于各个算法的适用点和特点都有详细的解说，轻快地在一本薄薄的小书里给了大家一个机器学习之旅。
进阶：
进阶这个话题就难说了，毕竟大家对于进阶的理解各有不同，是个仁者见仁的问题。就我个人来说，则建议如下展开：
视频学习方面：
可以看看斯坦福的《机器学习》这门课程的视频，最近听说网易公开课已经全部翻译了，而且给出了双语字幕，更加容易学习了^_^
书籍学习方面：
我个人推荐的是这样：可以先看看李航的《统计学习方法》，这本书着重于数学推导，能让我们很快的对于一些算法的理解更加深入。有了上面这本书的基础，就可以开始啃一些经典名著了。
这些名著看的顺序可以不分先后，也可以同时学习：
Richard O. Duda的《模式分类》这本书是力荐，很多高校的数据挖掘导论课程的教科书便是这本（也是我的数据挖掘入门书，很有感情的）。如果你不通读这本书，你会发现在你研究很多问题的时候，甚至一些相对简单的问题（比如贝叶斯在高斯假设下为什么退化成线性分类器）都要再重新回头读这本书。
Christopher M. Bishop的《Pattern Recognition And Machine Learning》这本书也是经典巨著，整本书写的非常清爽。
The Elements of Statistical Learning》这本书豆友有句很好的吐槽“机器学习 — 从入门到精通”可以作为这本书的副标题。可以看出这本书对于机器学习进阶的重要性。值得一说的是这本书虽然有中文版，但是翻译之烂也甚是有名，听说是学体育的翻译的。
Hoppner, Frank的《Guide to Intelligent Data Analysis》这本书相对于上面基本经典巨著并不出名，但是写的甚好，是knime官网上推荐的，标榜的是解决实际生活中的数据挖掘问题，讲述了CRISP-DM标准化流程，每章后面给出了R和knime的应用例子。
项目方面：
事实上，我觉得从进阶起就应该上手一些简单的项目了。如果不实践只是看书和研究算法，我觉得是无法真正理解数据挖掘的精髓所在的。打个简单的比方，就算你看完了C Primer、effective C 等等书籍，如果自己不写C ，那么自己也就会停留在hello world的级别。实践出真知非常切合数据挖掘这门学科，实际上手项目后才会发现什么叫”80%的准备，20%的建模”，real world的问题我认为并不是仅仅靠modeling就能很好的解决的。详细的可以看看《Guide to Intelligent Data Analysis》就能略知一二。如果上手做推荐或者一些简单的项目，也可以考虑用用mahout，推荐的入门手册是《mahout in action》。项目问题说来话长，有时间会以CRISP流程为引单独作文，这里也就不详谈了。
软件方面：
我常用而且推荐的软件有如下，这里只是简单的列出，以后有时间再详细分析和写出入门：
Weka Java的软件，可以集成到自己的项目中
Orange 一个用python写的数据挖掘开源软件，界面做的很漂亮，可以做图形化实验，也可以用python调用编程。
Knime 和Orange类似，特点是可以集成weka和R等开源软件
SAS的EM模块以及R 还有最最经典的matlab大大
这里有篇文有简要的介绍http://www.oschina.net/question/12_14026
再往后：
再往后的其实就是我就是觉得是学数学了，然后就是深入读一些你感兴趣的topic的书籍和paper，接项目，做项目了。发展有数据分析师或者去专门的企业做数据研究员，当然混学术界的我就不清楚了。
初略写完发现成一篇长文了，最近也是在做一个用眼底照片预测stroke的项目，比较忙，等闲下来以后也会写些算法或者软件或者实际项目的心得的文。当然也只是我个人粗浅的想法，也希望能和大家有所交流，相互促进，我个人的邮箱是[email protected]，有什么问题可以再帖子里讨论，也可邮件交流^_^

7. Python大数据好学吗

本人学习大数据时间不久，2年左右吧，只能从个人经验给你一点建议，希望你少走一点弯路。
首先，你说到你刚接触大数据，你要明白大数据范围超级广，你具体想要学习哪个方向呢？数据挖掘？还是机器学习深度学习？亦或nlp（自然语言处理）？（我主要学数据挖掘，呜啦啦啦）
我给所有问我大数据该怎么入门的人都会有如下建议：学好数学！学好数学！学好数学！重要的事说三遍，不然你怎么理解各种模型的构建？所以从理解算法开始，什么svn啦，knn啦，k means啦，总之各种聚类分类的算法，把它搞懂，绝对有用。
扯远了，不好意思…言归正传，回到语言的选择问题。java和python这两个语言，我给你从这几个方面解释一下：
1. python是脚本语言，无需编译，java则是需要编译的语言
2. 我在letitcode（大概是这么拼）上测试过好多次，同一个功能的程序竟然是java性能好很多
3. 平时我们做项目，都是用python写个demo去测试，真正发行的版本，是用java写的
4. 许多大数据平台（如spark），都提供多种语言的接口，所以你不用担心学一种语言没处用的问题
看到了吧？python和java的地位差别在企业中就是一个低一个高，氮素！以我个人的观点来看，我还是建议你先学python。
为啥腻？我可不是要坑你，而是因为：
1. 很多java中几行的代码，python中一行就搞定，学会了python，还怕学不会java？
2. python上手快，简洁事儿少
3. （个人经验）我学数据挖掘入门是用的scikit-learn（一个python库），当时用的超爽的好吧！几分钟搞个模型出来。当然现在看来那不算什么啦，可当时真的体验很好，特有成就感。相反拿java写程序我就各种别扭，总觉得啰嗦得很
4. 其实，我觉得scala更适合大数据…linkedin后台好像就是它写的，但是我觉得scala难，再加上种种原因，一直没来得及学
以上就是我的看法。
最后给你推荐个小工具：jupyter notebook，一个在线交互式编译器，不但支持python在线编译，还支持matplotlib及各种绘图库哦！在你前期做数据清洗和特征提取的时候很有用。

8. 大学的哪个专业是研究数据挖掘的

研究数据挖掘的大学专业一般是人工智能专业，或者也可以叫作应用数学，然后研究大数据方向，总之和数学、人工智能分不开，下面将开始介绍。

所以，想学数据挖掘，就选数学专业。