說說數(shù)據(jù)挖掘各工作領(lǐng)域需要掌握的技能

(1).數(shù)據(jù)分析師

●需要有深厚的數(shù)理統(tǒng)計(jì)基礎(chǔ)，但是對(duì)程序開發(fā)能力不做要求。

●需要熟練使用主流的數(shù)據(jù)挖掘（或統(tǒng)計(jì)分析）工具如Business Analytics and Business Intelligence Software（SAS）、SPSS、EXCEL等。

●需要對(duì)與所在行業(yè)有關(guān)的一切核心數(shù)據(jù)有深入的理解，以及一定的數(shù)據(jù)敏感性培養(yǎng)。

●經(jīng)典圖書推薦：《概率論與數(shù)理統(tǒng)計(jì)》、《統(tǒng)計(jì)學(xué)》推薦David Freedman版、《業(yè)務(wù)建模與數(shù)據(jù)挖掘》、《數(shù)據(jù)挖掘導(dǎo)論》、《SAS編程與數(shù)據(jù)挖掘商業(yè)案例》、《Clementine數(shù)據(jù)挖掘方法及應(yīng)用 》、《Excel 2007 VBA參考大全》、《IBM SPSS Statistics 19 Statistical Procedures Companion》等。

推薦閱讀  大數(shù)據(jù)分析

(2).數(shù)據(jù)挖掘工程師

●需要理解主流機(jī)器學(xué)習(xí)算法的原理和應(yīng)用。

●需要熟悉至少一門編程語(yǔ)言如（Python、C、C++、Java、Delphi等）。

●需要理解數(shù)據(jù)庫(kù)原理，能夠熟練操作至少一種數(shù)據(jù)庫(kù)（Mysql、SQL、DB2、Oracle等），能夠明白MapReduce的原理操作以及熟練使用Hadoop系列工具更好。

●經(jīng)典圖書推薦：《數(shù)據(jù)挖掘概念與技術(shù)》、《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》、《人工智能及其應(yīng)用》、《數(shù)據(jù)庫(kù)系統(tǒng)概論》、《算法導(dǎo)論》、《Web數(shù)據(jù)挖掘》、《 Python標(biāo)準(zhǔn)庫(kù)》、《thinking in Java》、《Thinking in C++》、《數(shù)據(jù)結(jié)構(gòu)》等。

(3).科學(xué)研究方向

●需要深入學(xué)習(xí)數(shù)據(jù)挖掘的理論基礎(chǔ)，包括關(guān)聯(lián)規(guī)則挖掘 （Apriori和FPTree）、分類算法（C4.5、KNN、Logistic Regression、SVM等) 、聚類算法 （Kmeans、Spectral Clustering）。目標(biāo)可以先吃透數(shù)據(jù)挖掘10大算法各自的使用情況和優(yōu)缺點(diǎn)。

●相對(duì)SAS、SPSS來說R語(yǔ)言更適合科研人員The R Project for Statistical Computing，因?yàn)镽軟件是完全免費(fèi)的，而且開放的社區(qū)環(huán)境提供多種附加工具包支持，更適合進(jìn)行統(tǒng)計(jì)計(jì)算分析研究。雖然目前在國(guó)內(nèi)流行度不高，但是強(qiáng)烈推薦。

●可以嘗試改進(jìn)一些主流算法使其更加快速高效，例如實(shí)現(xiàn)Hadoop平臺(tái)下的SVM云算法調(diào)用平臺(tái)--web 工程調(diào)用hadoop集群。

●需要廣而深的閱讀世界著名會(huì)議論文跟蹤熱點(diǎn)技術(shù)。如KDD，ICML，IJCAI，Association for the Advancement of Artificial Intelligence，ICDM 等等；還有數(shù)據(jù)挖掘相關(guān)領(lǐng)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(shù)據(jù)挖掘比賽培養(yǎng)全方面解決實(shí)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(xiàng)目貢獻(xiàn)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(fā)現(xiàn)更多好玩的項(xiàng)目）。

●經(jīng)典圖書推薦：《機(jī)器學(xué)習(xí)》 《模式分類》《統(tǒng)計(jì)學(xué)習(xí)理論的本質(zhì)》《統(tǒng)計(jì)學(xué)習(xí)方法》《數(shù)據(jù)挖掘實(shí)用機(jī)器學(xué)習(xí)技術(shù)》《R語(yǔ)言實(shí)踐》，英文素質(zhì)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。