1. 什么是数据挖掘，数据挖掘的分类及各种分析方法是怎样的？
我做数据挖掘相关的工作很多了。简单来谈一下个人对这个问题的看法。有说的不对的地方，欢迎各位同行批评指正：
数据挖掘大概可以分成四类问题，问题不一样，对应的处理方法也不同
1.预测问题：建模数据集合中有X和Y，Y是连续变量。通常用线性模型、随机森林、xgboost算法来解决。评估主要基于测试集上的均方误差或者相对误差。或者计算cross-validation的平均均方误差或者相对误差
2.分类为题：建模数据集合中有X和Y，Y是类别变量。通常用logistic回归、cart、随机森林、xgboost来解决。评估主要基于测试集合上的准确率和召回率或者计算cross-validation的平均准确率或召回率
3.聚类问题：建模数据集合只有X，没有Y。需要把X里面的样本分成多个群组。一般采用K-MEANS算法。不过业界没有统一的评估标准
4.异常检测问题：建模数据集合只有X，没有Y。需要把X数据里面的异常点找出来。这个相对而言比较麻烦。一般用Isolation Forest。业界似乎也没有统一的评价标注。
2. 数据挖掘和爬虫有区别吗？
数据挖掘和爬虫的区别非常大。数据挖掘的过程会运用到爬虫的可能性不是特别的大，但是占比是算是比较有成分的。但是运用爬虫的话，一般来讲爬虫都是爬去别人的网站而且的一些规则。因此数据挖掘的角度来讲。运用的爬虫的可能性是比较大的，但是不是所有的数据挖掘都一定要用到爬虫，因为许多数据的挖掘是指对数据的进一步处理和数据源的进一步深度的一个深度解析的过程。还有就是一旦一使用爬虫就是数据挖掘吗？这个问题也不是绝对，肯定的，因为使用爬虫华有可能是为了产品，所以数据挖掘和爬虫是有区别的，有一些商业的数据或者一些商业上需要的一些产品。
3. 数据挖掘该如何入门？
恰好本人从事数据分析工作10几年，略懂一些，浅谈粗浅看法：
1、首先您得有基本的统计学，概率论等功底，不用太高深，掌握常用的基础理论即可，数据挖掘掌握的理论知识要多一些，高数，线性代数，等
2、建议从简单的数据分析着手开始，垫定基础，熟练使用EXCEL，再进阶一点学学SPSS，多多练习
3、数据挖掘与分析不同，数据分析偏重统计，出图表，可视化，小数据量，而数据挖掘偏算法，重模型，需要很深的代码功底，要码代码，python是很有必要的工具
4、推荐两本书入门：如何成为一名数据分析师，其实数据分析很简单，如何成为一名数据挖掘工程师
4. 数据挖掘包括哪些方向？
应该是有很多方向的吧，大体可以分类为 1. 计算机技术方面的方向，比如提高机器处理性能等。
2. 算法方向，关于算法的修正和提升等 3. 应用方向，比如商业中应用，政府中应用，制造业中应用等。
5. 数据挖掘是什么渠道？
电商数据挖掘简单来说，就是对数据进行进行自动或半自动的分析,从中提取辅助商业决策的关键性数据.
目前处理电商平台数据的服务商不是很多，像慢慢买提供B2C商城商品信息，价格更新速度在一小时一更新，能够精确掌握商品在每个时间段的价格更新，统计评论数量、销量，可以根据需求定制专业的数据挖掘。
6. 如hadoop和数据挖掘哪个更有前途？
谢邀，这两个方向发展前途都是非常好的，但是大数据平台偏向编程开发，数据挖掘偏向数据分析，所以，计算机相关专业或者程序员可以考虑大数据平台开发，而数学或者统计学相关专业可以考虑数据挖掘方向。
大数据开发工程师招聘要求如下，对计算机要求高数据分析任职要求则偏向统计
7. 神经网络之间是什么关系呢？
人工智能
人工智能我们希望机器达到的目标，即希望机器 Think like people，Act like people.而人工智能的发展阶段分为三个时代：
1、运算智能：通过暴力计算来穷举所有可能性来体现智能，例如“深蓝打败国际象棋选手”
2、感知智能：在某一特定领域的下的智能，当前正处于的时代、属于窄人工智能，如人脸识别、语音识别等
3、认知智能：即通用人工智能、我们希望机器达到的真正智能状态，目前还很遥远
机器学习机器学习是达到人工智能目标的方法的统称。
“学习”的标准定义为：任务 T 在经验 E 的基础上，用于衡量 T 的性能的 P 有所提高，简化而言就是让机器基于经验学到某种东西、效果越来越好。
下述图片（图片引自慕课网）解释了人类思考与机器学习的方式，都是基于历史经验进行总结得到知识沉淀，并对未知世界进行认知的过程。
人工智能的核心就是预测，最初期是规则智能（专家系统），而现在的人工智能都是数据智能，把难以精确解决的问题转换为概率问题，得到近似解。
数据挖掘数据挖掘是从海量信息中进行搜索提取有价值信息的过程，是一个由处理数据、得到信息、挖掘知识等环节组成的工作过程，在这个过程中可能用到机器学习等各种算法，最终的目的是进行智能决策，而这个智能也可以理解为人工智能。比如说通过挖掘历史的销售数据找到商品之间的关联规则，大家熟知的啤酒尿布的故事就是一个典型案例。
模式识别要想知道什么叫做模式识别，那就要先了解什么叫做模式，通常意义上，模式指用来说明事物结构的一种表达。它是从生产生活经验中经过抽象提炼出来的知识，说直白点就是可以用来表示事物的一些列特征的集合。
模式识别从十九世纪五十年代兴起，在二十世纪七八十年代风靡一时，是信息科学和人工智能的重要组成部分，主要被应用于图像分析与处理、语音识别、计算机辅助诊断、数据挖掘等方面。但是其效果似乎总是差强人意，因为模式识别中的事物特征是由人类设计总结的、主要基于人类在某一方面的领域知识，也就是说模式识别的效果不可能超过人类、有很大的局限性。
神经网络上面提到模式识别的特征是人类设计的，但实际中各类数据的特征表示不是显而易见的，我们更希望通过机器自身的学习去获得特征，个人觉得神经网络实际上就是这样一种过程，可以将原始输入数据（一个向量）映射到新的向量空间，然后基于新的向量进行分类或其他操作。下图的（X1,X2,X3,......Xn）即原始输入，（O1,O2,......Oj）即通过神经网络得到的输出（可以理解为是表示原始输入的特征）。
之前有人提到神经网络具有强大的线性表达能力，确实如此。但要注意，神经网络不一定是非线性的，线性与否取决于每个神经元的激活函数，如果激活函数是线性的，那么无论经过多少神经元、整个计算过程仍然是线性的，而线性的神经网络表达能力有限、比如说连最简单的“异或”都处理不了。
只有引入了非线性的激活函数，如RELU、sigmoid等，神经网络才获得了强大解释能力。
深度学习神经网络是直接从输入映射为输出，实际上这个工作也是很困难的，那么就一步一步来，首先先对应到简单的、低级的特征，再把这个特征作为输入通过算法得到新的特征，然后这样一层层的继续，得到高层特征、再映射到输出，这就是所谓的深度学习。
欢迎探讨交流。
