数据库与数据挖掘技术（数据库与数据挖掘技术就业方向）

数据库,数据仓库和数据挖掘技术之间的区别

数据仓库是一种数据存储和数据组织技术， 提供数据源。（2） 数据挖掘是一种数据分析技术， 可针对数据仓库中的数据进行分析。数据库：是一种逻辑概念，用来存放数据的仓库，通过数据库软件来实现。数据库由很多表组成，表是二维的，一张表里面有很多字段。

数据库就是我们通常用到的用于联机事务处理的。数据仓库主要针对联机分析处理帮助决策人员进行决策的。数据挖掘技术可以作为数据仓库的前端应用，在数据仓库中挖掘出有价值的信息。

数据挖掘就是从大量数据中提取数据的过程。数据仓库是汇集所有相关数据的一个过程。数据挖掘和数据仓库都是商业智能工具集合。数据挖掘是特定的数据收集。数据仓库是一个工具来节省时间和提高效率，将数据从不同的位置不同区域组织在一起。数据仓库三层，即分段、集成和访问。

数据仓库的输入方是不同的数据源，比如：有的数据存在mysql里，有的数据存在mongdb里，还有一些第三方的数据源，最终的输出用于企业的数据分析、数据挖掘、数据报表等方向。多数据源通过ETL（Extract-数据抽取；Transform-数据转换；Load-数据加载）集成。

浅谈数据挖掘与数据仓库 1数据挖掘 1数据挖掘与传统数据分析的区别 数据挖掘与传统的数据分析，如查询、报表、联机应用分析的本质区别是数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识。数据挖掘所得到的信息应具有先前未知、有效和实用三个特征。

其实，互联网行业的数据仓库就是所谓的敏捷数据仓库，不但要求能快速的响应数据，也要求能快速的响应业务； 建设敏捷数据仓库，除了对架构技术上的要求之外，还有一个很重要的方面，就是数据建模，如果一上来就想着建立一套能兼容所有数据和业务的数据模型，那就又回到传统数据仓库的建设上了，很难满足对业务变化的快速响应。

数据分析与挖掘技术是学些什么课程呢?

大数据技术与应用学的是面向对象程序设计、Hadoop实用技术、数据挖掘、机器学习、数据统计分析、高等数学、Python编程、JAVA编程、数据库技术、Web开发、Linux操作系统、大数据平台搭建及运维、大数据应用开发、可视化设计与开发等。

大数据培训学的课程有：数据分析与挖掘、大数据处理与存储技术、数据库技术与管理、数据仓库与商业智能、数据安全与隐私保护。数据分析与挖掘：学习基本的统计学原理和数据分析方法，包括数据清洗、数据可视化、特征工程、机器学习算法等。

数据挖掘需要的技能：需要理解主流机器学习算法的原理和应用。需要熟悉至少一门编程语言如（Python、C、C++、Java、Delphi等）。需要理解数据库原理，能够熟练操作至少一种数据库（Mysql、SQL、DBOracle等），能够明白MapReduce的原理操作以及熟练使用Hadoop系列工具更好。

什么是数据挖掘技术

数据挖掘（Data Mining，简称DM），是指从大量的数据中，挖掘出未知的且有价值的信息和知识的过程。2 机器学习 与 数据挖掘 与数据挖掘类似的有一个术语叫做”机器学习“，这两个术语在本质上的区别不大，如果在书店分别购买两本讲数据挖掘和机器学习的书籍，书中大部分内容都是互相重复的。

数据挖掘技术是数据处理的技术，它有三个主要部分是算法与技术、数据、建模能力，作用是对数据进行分析、挖掘和处理，得到最后的评估结果。它通常会有八个步骤来完成，先信息收集，再数据集成，然后数据规约，之后清理数据、变换数据、挖掘数据、评估模式、表示知识，并且整个过程是重复循环的。

数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘流程：定义问题：清晰地定义出业务问题，确定数据挖掘的目的。

数据挖掘的技术有很多种，按照不同的分类有不同的分类法。下面着重讨论一下数据挖掘中常用的一些技术：统计技术，关联规则，基于历史的分析，遗传算法，聚集检测，连接分析，决策树，神经网络，粗糙集，模糊集，回归分析，差别分析，概念描述等十三种常用的数据挖掘的技术。

浅谈数据挖掘与数据仓库

1、数据仓库的类型根据数据仓库所管理的数据类型和它们所解决的企业问题范围，一般可将数据仓库分为下列3种类型：企业数据仓库（EDW）、操作型数据库（ODS）和数据集市（Data Marts）。

2、数据挖掘就是从大量数据中提取数据的过程。数据仓库是汇集所有相关数据的一个过程。数据挖掘和数据仓库都是商业智能工具集合。数据挖掘是特定的数据收集。数据仓库是一个工具来节省时间和提高效率，将数据从不同的位置不同区域组织在一起。数据仓库三层，即分段、集成和访问。

3、数据仓库是一种数据存储和数据组织技术， 提供数据源。（2） 数据挖掘是一种数据分析技术， 可针对数据仓库中的数据进行分析。

4、【答案】：（1）数据仓库是基础：无论是数据挖掘还是OLAP分析，他们成功的关键之一是能够访问正确的、完整的和集成的数据。这也是对数据仓库的要求。

5、面向业务的数据库常称作OLTP，面向分析的数据仓库亦称为OLAP 数据挖掘：数据挖掘看穿你的需求，广义上说，任何从数据库中挖掘信息的过程都叫做数据挖掘。从这点看来，数据挖掘就是BI。但从技术术语上说，数据挖掘（Data Mining）特指的是：源数据经过清洗和转换等成为适合于挖掘的数据集。

6、《数据仓库与数据挖掘技术原理及应用》是一部全面深入的指南，分为导论、原理、技术和实践四个逻辑部分。首先，第1章和第2章是导论，介绍了数据仓库和数据挖掘的基础概念，并阐述了这些技术在诸如电子商务、金融和医疗等热门行业中的最新应用实例，展示了其实用价值。

数据仓库与数据挖掘的关系,区别与联系(概括一点)

区别：目的不同：数据仓库是为了支持复杂的分析和决策，数据挖掘是为了在海量的数据里面发掘出预测性的、分析性的信息，多用来预测。阶段不同：数据仓库是数据挖掘的先期步骤，通过数据仓库的构建，提高了数据挖掘的效率和能力，保证了数据挖掘中的数据的宽广性和完整性。

数据仓库是一种数据组织结构，可以将不同数据源的数据有机组合，便于数据分析。数据挖掘是对数据进行分析的方法，利用不同的数据挖掘算法，如关联，分类，聚类等等可以得到不同的分析结果。数据仓库的组织方式非常适合与数据挖掘。我是初学者，希望回答对你有帮助。谢谢。

数据仓库与数据挖掘的联系 （1） 数据仓库为数据挖掘提供了更好的、更广泛的数据源。（2） 数据仓库为数据挖掘提供了新的支持平台。（3） 数据仓库为更好地使用数据挖掘这个工具提供了方便。（4） 数据挖掘为数据仓库提供了更好的决策支持。（5） 数据挖掘对数据仓库的数据组织提出了更高的要求。

二者的联系既有联系又有区别。数据仓库的出现，并不是要取代数据库。目前，大部分数据仓库还是用关系数据库管理系统来管理的。可以说，数据库、数据仓库相辅相成、各有千秋。二者的区别可以从以下几个方面进行比较：（1）出发点不同：数据库是面向事务的设计；数据仓库是面向主题设计的。

但他们又有不同，OLAP是验证型的分析工具，而数据挖掘是预测型的工具。