《数据掘金 电子商务运营突围》，作者谭磊
《数据掘金》-电子商务运营和数据
《数据掘金》- 我们需要知道的数据分析
《数据掘金》- 我们需要知道的数据挖掘
《数据掘金》- 数据分析和数据挖掘工具的选择
《数据掘金》- 电子商务数据运营
《数据掘金》- 数据运营的方法（上）
《数据掘金》- 数据运营的方法（下）
《数据掘金》- 流量
《数据掘金》- 用户行为分析
《数据掘金》- 挖掘客户价值
《数据掘金》- 后记
第三章
数据挖掘，我虽然没有深入学习过，但是平时也了解过，什么聚类，决策树，还用python掉个包，应用一下，当然也仅仅是应用而已。
这章的话，就看我的理解整理吧。
什么是数据挖掘
我感觉数据挖掘就是level高一点儿的数据分析，一个拓展和延伸，算法模型的应用更加的深入，本质上还是用来解决问题的。
数据挖掘（Data Mining），是有组织的有目的地收集数据，通过分析数据使之成为信息，从而从大量数据中寻找潜在规律以形成规则或知识的技术。
作者提到了数据挖掘的九大定律，我感觉没啥用，核心意思是“商业决定数据挖掘”
数据挖掘的一般过程
和数据分析也差不多，作者总结了一般工程
数据收集->数据集成->数据规约->数据清洗->数据转换->方法选择->数据挖掘实施过程->模式评估->知识表示
四大数据挖掘算法
- 分类
数据挖掘的过程，通常会有训练集和测试集，我们使用训练集测试数据，生成一个或多个分类器，然后在测试集去验证我们的模型。
分类要解决的问题，是数据应该属于哪个类别。以用户来说，我们会把用户分成几个类别，高质量，低质量，而在判断这个用户是高质量还是低质量的时候，就可以用到分类算法。
K最邻近算法
就是用和他最接近的k个邻居来表示他，这不就是圈子嘛，看他平时和谁一起玩儿，就知道这个人怎么样了，哈哈。
作者举了一个例子，我觉得不错：说，一个新用户，我们想要判断他在未来三个月产生的价值，我们就可以从各个维度上，来找和这个新用户类似的用户的价值，比如，性别、年龄、相同喜好，用他们的产生的价值来做判断依据。
决策树
这个也比较常用，就是条件判断if-then的形式
- 聚类
其实我感觉这个聚类和分类怎么有一丝丝的相似，近朱者赤近墨者黑，不也是圈子嘛，不也可以用来分类吗，恩，是个问题。
聚类算法一般用来分群，像用户分群，奥，他们的区别是这样的。
分类算法是，我们已经把数据分好类别了，需要把当前的样本分到不同的类别里去；
而聚类的话，是我们并不知道要把数据分成几类。
比如，我们想做用户精细化运营，对用户进行分组，但是我们并不知道怎么分，分成几组，我们就可以用聚类算法；当我们分好类了之后，又来了一批新用户，我们想知道这些用户应该分到哪一组里，就可以用分类算法了，当然，我感觉，聚类之后，已经知道分组依据了，不用分类算法应该也可以判断出来吧，待我研究研究。
关联算法
这就是啤酒和尿不湿的故事了，我们经常会寻找同时出现的事件，通常我们用来分析哪些商品同时购买的几率计较高，也就是他们的相关性比较高。
通常还有置信度、支持度，单纯应用的话，比较简单，商品分析时经常会用到，也叫购物篮分析。序列
是指从一个序列中的数据找到统计规律，常用的像时间序列
很多数据都和时间有关，而且可能是周期性的，我们可以用序列算法来做预测。
小结
这章，我就大概翻了下，简单整理了下，对于数据挖掘，等我找本书好好学习下。
