这次讲课与以往几次的地点不同，这次再报告厅里面进行，人数也比以往大约多了一倍。第二天才意识到，这位讲师是本次培训教材的主要作者。此外，根据他介绍，从事数据挖掘工作近十年，涉及的行业也广泛。这更贴近与工作。

下面先凭自己记忆说说课程主要知识：（也许记忆记下了的知识，才是自己真正吸收的）
1.数据挖掘的概念：数据挖掘的主要目的是从已有的数据中提取未知的，有价值的信息，从而为企业“决策”使用，给未来做决策提供依据。
数据挖挖掘前，至关重要的是明确本次数据挖掘的目的，否则即便具有数据挖掘的形式，也达不到数据挖掘的效果。
数据挖掘需理清框架，逐层落实，思路要清晰。
2.数据挖掘带来该类行业企业的诞生。这类企业创业成本低、门槛低，发展速度快。可以想象，未来会诞生数据挖掘行业的巨头。
3.“数据化运营”向“运营数据”。如阿里巴巴信贷的诞生（透过历史记录评估可贷款额度，评估速度快，给传统银行贷款带来冲击。），Fastcast预测机票价格。汽车资讯数据中心，餐饮智能化服务。
4.数据挖掘八个等级：普通固定报表，查询报表，多维度分析，警报，统计分析，预报（预测性建模）…。其中前4种是运用现有数据暂时现有现状，而后四种着重体现现有数据对未来的影响。
5.数据挖掘区别于BI(商业智能)。BI着重对数据仓库的不同纬度分析；而数据挖掘着重未来，为未来做决策提供依据。
6.数据挖掘常用方法：分类&回归，聚类，关联规则发现，时序模式。“分类”与“聚类”区别：分类是数据中已经有明显属性的（如具体分类）；“聚类”只是认为给定群组数量，由系统根据“组内很相似，组间很互异”计算出数据的类别，再由人工贴上标签。
7.神经网络算法。输入层、隐藏层、输出层。训练样本-》建模-》预测。
8、数据挖掘过程：数据取样、数据预处理、建模&，检测，结果&反馈。其中建模与反馈两个环节很可能需多次循环才能得出好的模型。
数据挖掘的过程注重业务与技术结合，需资深的业务，也需有几样的数据抽样（专家抽样数据）。特征提取，关键特征有时候至关重要。数据挖掘关键是结合业务。
9、数据建模钱，需对客户更的“指标”进行筛选，不必要的维度进行降维。
10.讲师的平台是使用现成开源的数据挖掘算法（这些算法已比较成熟）没必要对一些已经很成熟的东西再单独开发，
11.云计算展示中：2个节点（主节点、服务节点），云计算平台的监控功能很重要，提供网络、性能、任务情况、Map Reduce情况等监控。
12.数据挖掘分析过程：需求梳理（业务有时候难度是很大的），搭建分析体系，分析与建模。
13.常用算法：BP神经网络、决策输、
14.偏差检测运用（一般是聚类得出差异很大的数量很少的单独一个分组），入侵检测、诈骗发觉。

想法：对案例举一反三。业务理解能力需要提升。
小鸿说：建模就是，y=f(x)，对n个输入参数处理后输出结果。在外界看来，可把建模视为黑盒，不需要知道里面具体运作，只需要知道输入输出。
父亲说：数据挖掘，在垃圾堆里见宝贝。——引申：在一堆垃圾与宝贝的数据堆里，找到需要的宝贝，结合成需要的宝贝。