1. 智能数据挖掘
中文名
数据挖掘
外文名
Data mining
别名
资料探勘、数据采矿
所属学科
计算机科学
应用领域
情报检索、数据分析、模式识别等
相关领域
人工智能、数据库数据挖掘是指从大量的数据中通过算法搜索隐藏于其中信息的过程，数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。
2. 数据挖掘数据
数据挖掘的方法：
1.分类 （Classification）
2.估计（Estimation）
3.预测（Prediction）
4.相关性分组或关联规则（Affinity grouping or association rules）
6.复杂数据类型挖掘(Text，Web ，图形图像，视频，音频等)数据挖掘数据挖掘（英语：Data mining），又译为资料探勘、数据采矿。它是数据库知识发现（英语：Knowledge-Discovery in Databases，简称：KDD)中的一个步骤。数据挖掘一般是指从大量的数据中自动搜索隐藏于其中的有着特殊关系性（属于Association rule learning）的信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。
3. 在线数据挖掘平台
Oncomine是肿瘤基因芯片数据库。
如果你获得了一个肿瘤差异表达基因，想研究其是否可作为某种肿瘤的潜在标志物和靶点，又怕做实验会得到阴性结果，浪费时间和金钱，这时可以用到Oncomine。
Oncomine整合了GEO、TCGA和已发表的文献等来源的RNA和DNA-seq数据，只要你用非营利机构邮箱注册了就可以免费使用。
Oncomine 是目前世界上最大的肿瘤基因芯片数据库和整合数据挖掘平台，旨在挖掘癌症基因信息。Oncomine 拥有最全的癌症突变谱、基因表达数据以及相关的临床信息，可用于发现新的生物标记物或新的治疗靶点。
通过Oncomine，可以进行差异表达分析，共表达分析，查找某种癌症中差异表达的基因，确定目的基因，确定研究方向。
4. 收集数据app
数据采集，又称数据获取，在计算机广泛应用的今天，数据采集的重要性是十分显着的。它是计算机与外部物理世界连接的桥梁。数据采集一般需要遵循以下原则：
1. 数据采集任务不能影响业务系统的运行。一般来说，核心业务系统白天工作频繁，难以承载数据抽取的要求，这种情形下数据抽取工作原则上要安排在非工作时段进行。数据采集任务调度必须可以设定数据采集任务的优先时段表。
2. 不同业务系统的数据产生周期不同，会影响到数据采集的周期。数据采集应根据业务系统及交换数据的周期要求，设定数据采集时间周期表。
3. 数据采集任务的执行时间原则上应与数据采集周期时间成正比，即数据采集周期时间间隔要求短(长)的采集任务，其采集任务的执行时间也要求短(长)。如对按日采集的数据，应能在3一5h内完成抽取、清洗、加载、处理等工作;对按月采集的数据，数据抽取、清洗、加载和处理等工作可以放宽到48h内完成。
4. 对于数据采集量特别大且数据转换操作特别复杂的任务，利用ETL工具会消耗大量的资源和时间，建议通过编制专门数据采集接口程序完成数据采集任务，以提高数据采集工作的效率。
5. 以数据源为单位进行的全量采集的任务，可以以数据源为单位进行数据初始化操作，当数据源的数据采集操作出现问题时，可以仅对该数据源进行全量采集恢复，而对其他数据源的数据采集没有任何影响。 现在的101 异构数据采集技术可以做到无需软件厂商配合，直接采集异构数据，这样的数据采集就不需要协调各个厂家，不需要花费高昂的接口费用，而施工周期也不会太长，是很多领域大型企业数据采集业务的第一选择。
5. 深入挖掘数据
指比一般挖掘更要深入地面，例如发现古墓就要深入挖掘
6. 你身边有哪些数据挖掘应用
1、数据科学专业成就认证-Columbia University，这个数据科学认证是由TheFU基金会工程与应用科学学院和哥伦比亚大学艺术与科学研究生院联合提供的。
2、挖掘大规模数据集研究生证书-Stanford University为软件工程师，统计学家，预测建模师，市场研究人员，分析专业人员，以及数据挖掘者设计。
3、EMC数据科学家助理(EMCDSA)-EMC
，EMCDSA认证表明个人作为数据科学团队成员参与和贡献大数据项目的能力。它的内容：部署数据分析生命周期，将业务挑战重构为分析挑战，应用分析技术和工具来分析大数据并创建统计模型，选择适当的数据可视化等。
4、专业人员分析认证-INFORMS，CAP认证是一个严格的通用分析认证。它证明了对分析过程的端到端理解，从构建业务和分析问题到获取数据，方法，模型构建，部署和模型生命周期管理。它需要完成CAP考试(这个考试可以在100多个国家的700多个计算机的测试中心进行)和遵守CAP的道德规范。
5、Cloudera认证专家：数据科学家(CCP：DS)-Cloudera，它是什么：CCP：DS证书展示了精英层面使用大数据的技能。它需要通过一个评估基础数据科学主题知识的书面考试。他们还必须在数据科学挑战中，通过设计和开发同行评估的生产就绪的数据科学解决方案，并在真实条件下证明他们的能力。这个挑战必须在完成笔试后24个月内通过，并且每年中的每隔一个季度提供两次机会。
7. 挖掘 数据
数据挖掘是指从大量的、不完全的、有噪声的、模糊的、随机的原始数据中，提取隐含的、人们事先未知的、但又潜在有用的信息和知识的非平凡过程。
数据挖掘是一门涉及面很广的交叉学科，包括计算智能、机器学习、模式识别、信息检索、数理统计、数据库等相关技术，在商务管理、生产控制、市场分析、科学探索等许多领域具有广泛的应用价值。
20世纪90年代，随着数据库系统的广泛应用和网络技术的高速发展，数据库技术也进入一个全新的阶段；
即从过去仅管理一些简单数据发展到管理由各种计算机所产生的图形、图像、音频、视频、电子档案、Web页面等多种类型的复杂数据；
并且数据量也越来越大。数据库在给我们提供丰富信息的同时，也体现出明显的海量信息特征。
信息爆炸时代，海量信息给人们带来许多负面影响，最主要的就是有效信息难以提炼，过多无用的信息必然会产生信息距离和有用知识的丢失。
因此，人们迫切希望能对海量数据进行深入分析，发现并提取隐藏在其中的信息，以更好地利用这些数据。
但仅以数据库系统的录入、查询、统计等功能，无法发现数据中存在的关系和规则，无法根据现有的数据预测未来的发展趋势，更缺乏挖掘数据背后隐藏知识的手段。
正是在这样的条件下，数据挖掘技术应运而生。
8. 软件数据挖掘
1）根据挖掘的数据库类型分类：数据挖掘系统可以根据挖掘的数据库类型分类。数据库系统本身可以根据不同的标准（如数据模型、数据类型或所涉及的应用）分类，每一类可能需要自己的数据挖掘技术。这样，数据挖掘系统就可以相应分类。
例如，根据数据模型分类，可以有关系的、事务的、对象-关系的或数据仓库的挖掘系统。如果根据所处理数据的特定类型分类，可以有空间的、时间序列的、文本的、流数据的、多媒体的数据挖掘系统，或万维网挖掘系统。
2）根据挖掘的知识类型分类：数据挖掘系统可以根据所挖掘的知识类型分类，即根据数据挖掘的功能分类，如特征化、区分、关联和相关分析、分类、预测、聚类、离群点分析和演变分析。一个综合的数据挖掘系统通常提供多种和/或集成的数据挖掘功能。
此外，数据挖掘系统还可以根据所挖掘的知识的粒度或抽象层进行区分，包括广义知识（高抽象层）、原始层知识（原始数据层）或多层知识（考虑若干抽象层）。一个高级数据挖掘系统应当支持多抽象层的知识发现。数据挖掘系统还可以分类为挖掘数据的规则性（通常出现的模式）与挖掘数据的奇异性（如异常或离群点）。一般地，概念描述、关联和相关分析、分类、预测和聚类挖掘数据的规则性，将离群点作为噪声排除。这些方法也能帮助检测离群点。
3）根据所用的技术类型分类：数据挖掘系统也可以根据所用的数据挖掘技术分类。这些技术可以根据用户交互程度（例如自动系统、交互探查系统、查询驱动系统），或所用的数据分析方法（例如面向数据库或面向数据仓库的技术、机器学习、统计学、可视化、模式识别、神经网络等）描述。复杂的数据挖掘系统通常采用多种数据挖掘技术，或采用有效的、集成的技术，结合一些方法的优点。
4）根据应用分类：数据挖掘系统也可以根据其应用分类。例如，可能有些数据挖掘系统特别适合金融、电信、DNA、股票市场、e-mail等。不同的应用通常需要集成对于该应用特别有效的方法。因此，泛化的全能的数据挖掘系统可能并不适合特定领域的挖掘任务