1. 数据挖掘面临的问题有哪些
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。 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。 自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系，但又有重要的区别。自然语言处理并不是一般地研究自然语言，而在于研制能有效地实现自然语言通信的计算机系统，特别是其中的软件系统。因而它是计算机科学的一部分。 自然语言处理（NLP）是计算机科学，人工智能，语言学关注计算机和人类（自然）语言之间的相互作用的领域。 他们之间的关系如下： 机器学习比较偏底层，也比较偏理论，机器学习本身不够炫酷，结合了具体的自然语言处理以及数据挖掘的问题才能炫酷。 机器学习好像内力一 样，是一个武者的基础，而自然语言和数据挖掘的东西都是招式。如果你内功足够深厚，招式对你来说都是小意思。但机器学习同时也要求很高的数学基础。 这三项并不是独立的选项，机器学习需要数据挖掘和自然语处理的支撑，自然语处理需要数据挖掘的支撑，数据挖掘需要大数据的支撑。最终所有的根源 都要落实在大数据上，而这一切的顶点就是人工智能。
2. 数据挖掘的主要问题
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。
数据挖掘对象
1.数据的类型可以是结构化的、半结构化的，甚至是异构型的。发现知识的方法可以是数学的、非数学的，也可以是归纳的。最终被发现了的知识可以用于信息管理、查询优化、决策支持及数据自身的维护等。
2.数据挖掘的对象可以是任何类型的数据源。可以是关系数据库，此类包含结构化数据的数据源；也可以是数据仓库、文本、多媒体数据、空间数据、时序数据、Web数据，此类包含半结构化数据甚至异构性数据的数据源。
3.发现知识的方法可以是数字的、非数字的，也可以是归纳的。最终被发现的知识可以用于信息管理、查询优化、决策支持及数据自身的维护等。
数据挖掘步骤
在实施数据挖掘之前，先制定采取什么样的步骤，每一步都做什么，达到什么样的目标是必要的，有了好的计划才能保证数据挖掘有条不紊地实施并取得成功。很多软件供应商和数据挖掘顾问公司投提供了一些数据挖掘过程模型，来指导他们的用户一步步地进行数据挖掘工作。比如，SPSS公司的5A和SAS公司的SEMMA。
数据挖掘过程模型步骤主要包括定义问题、建立数据挖掘库、分析数据、准备数据、建立模型、评价模型和实施。下面让我们来具体看一下每个步骤的具体内容：
(1)定义问题。在开始知识发现之前最先的也是最重要的要求就是了解数据和业务问题。必须要对目标有一个清晰明确的定义，即决定到底想干什么。比如，想提高电子信箱的利用率时，想做的可能是“提高用户使用率”，也可能是“提高一次用户使用的价值”，要解决这两个问题而建立的模型几乎是完全不同的，必须做出决定。
(2)建立数据挖掘库。建立数据挖掘库包括以下几个步骤：数据收集，数据描述，选择，数据质量评估和数据清理，合并与整合，构建元数据，加载数据挖掘库，维护数据挖掘库。
(3)分析数据。分析的目的是找到对预测输出影响最大的数据字段，和决定是否需要定义导出字段。如果数据集包含成百上千的字段，那么浏览分析这些数据将是一件非常耗时和累人的事情，这时需要选择一个具有好的界面和功能强大的工具软件来协助你完成这些事情。
(4)准备数据。这是建立模型之前的最后一步数据准备工作。可以把此步骤分为四个部分：选择变量，选择记录，创建新变量，转换变量。
(5)建立模型。建立模型是一个反复的过程。需要仔细考察不同的模型以判断哪个模型对面对的商业问题最有用。先用一部分数据建立模型，然后再用剩下的数据来测试和验证这个得到的模型。有时还有第三个数据集，称为验证集，因为测试集可能受模型的特性的影响，这时需要一个独立的数据集来验证模型的准确性。训练和测试数据挖掘模型需要把数据至少分成两个部分，一个用于模型训练，另一个用于模型测试。
(6)评价模型。模型建立好之后，必须评价得到的结果、解释模型的价值。从测试集中得到的准确率只对用于建立模型的数据有意义。在实际应用中，需要进一步了解错误的类型和由此带来的相关费用的多少。经验证明，有效的模型并不一定是正确的模型。造成这一点的直接原因就是模型建立中隐含的各种假定，因此，直接在现实世界中测试模型很重要。先在小范围内应用，取得测试数据，觉得满意之后再向大范围推广。
(7)实施。模型建立并经验证之后，可以有两种主要的使用方法。第一种是提供给分析人员做参考；另一种是把此模型应用到不同的数据集上。
3. 数据挖掘面临的问题有哪些方面
数据挖掘：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。 举例：爬虫软件就是简单的数据挖掘 数据分析：数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。在实用中，数据分析可帮助人们作出判断，以便采取适当行动。 数据分析的数学基础在20世纪早期就已确立，但直到计算机的出现才使得实际操作成为可能，并使得数据分析得以推广。数据分析是数学与计算机科学相结合的产物。 举例：通过对大量数据的分析马云知道了杭州地区的女性的...
4. 数据挖掘的六大问题
岗位是比较不错的，无论是在甲方还是在乙方，这个岗位都是比较瞩目的，在甲方公司的话一定要吃透业务，如果自己有追求不想论日子的话还是需要自己努力加油的，当然在甲方想要晋升除了能力之外就是处变能力，一定程度上说后者可能更重要；如果在乙方的话那就是实打实的要靠能力吃饭了，一般来说在乙方能学到更扎实、更时髦的技术，确实是能提高你的技术能力的。
要说到哪个公司靠谱的话，我觉得移动和电信都还不错，移动呢要稍微辛苦点，电信么稍微轻松点，这是相对而言啊，可能各省份或地市也有差别，乙方的话国内的华为，国外的sap、oracle、emc都还不错，像国内的ibm、hp这样的老牌个人感觉失去了企业文化，被潮流推着走。以上为一家之言，供你参考，有问题再追问。5. 数据挖掘面临的挑战有哪些
1、海量性：有IDC 最近的报告预测称，在2020 年，将会扩大50 倍的全球数据量。现在来看，大数据的规模一直是一个不断变化的指标，单一数据集的规模范围可以从几十TB到数PB不等。也就是说，存储1 PB数据是需要两万台配备50GB硬盘的个人电脑。而且，很多你意想不到的来源都能产生数据。
2、高速性：指数据被创建和移动的速度。在高速网络时代，创建实时数据流成为了流行趋势，主要是通过基于实现软件性能优化的高速电脑处理器和服务器。企业一般需了解怎么快速创建数据，还需知道怎么快速处理、分析并返回给用户，来满足他们的一些需求。
3、多样性：由于新型多结构数据，导致数据多样性的增加。还包括网络日志、社交媒体、手机通话记录、互联网搜索及传感器网络等数据类型造成。
4、易变性：大数据会呈现出多变的形式和类型，是由于大数据具有多层结构，相比传统的业务数据，大数据有不规则和模糊不清的特性，导致很难甚至不能使用传统的应用软件来分析。随时间演变传统业务数据已拥有标准的格式，能够被标准的商务智能软件识别。现在来看，要处理并从各种形式呈现的复杂数据中挖掘价值，成为了企业面临的挑战。
6. 数据挖掘产生的原因
有利于提高数据的运用能力，促进物联网的发展进步。