1. 数据挖掘的过程包括哪几个阶段?
知识发现过程的多种描述．它们只是在组织和表达方式上有所不同，在内容上并没有非常本质的区别。知识发现过程包括以下步骤：
1.问题的理解和定义：数据挖掘人员与领域专家合作．对问题进行深入的分析．以确定可能的解决途径和对学习结果的评测方法。
2．相关数据收集和提取：根据问题的定义收集有关的数据。在数据提取过程中，可以利用数据库的查询功能以加快数据的提取速度。
3．数据探索和清理：了解数据库中字段的含义及其与其他字段的关系。对提取出的数据进行合法性检查并清理含有错误的数据。
4．数据工程：对数据进行再加工．主要包括选择相关的属性子集并剔除冗余属性、根据知识发现任务对数据进行采样以减少学习量以及对数据的表述方式进行转换以适于学习算法等。为了使数据与任务达到最佳的匹配．这个步骤可能反复多次。
5．算法选择：根据数据和所要解决的问题选择合适的数据挖掘算法．并决定如何在这些数据上使用该算法。
6．运行数据挖掘算法：根据选定的数据挖掘算法对经过处理后的数据进行模式提取。
7．结果的评价：对学习结果的评价依赖于需要解决的问题．由领域专家对发现的模式的新颖性和有效性进行评价。数据挖掘是KDD 过程的一个基本步骤．它包括特定的从数据库中发现模式的挖掘算法。KDD过程使用数据挖掘算法根据特定的度量方法和阈值从数据库中提取或识别出知识，这个过程包括对数据库的预处理、样本划分和数据变换。
2. 数据挖掘的一般过程分为哪几个阶段
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。
3. 数据挖掘的过程是
数据挖掘（英语：Data mining），又译为资料探勘、数据采矿。是一种透过数理模式来分析企业内储存的大量资料，以找出不同的客户或市场划分，分析出消费者喜好和行为的方法。
它是数据库知识发现（英语：Knowledge-Discoveryin 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。主要有数据准备、规律寻找和规律表示3个步骤。数据挖掘的任务有关联分析、聚类分析、分类分析、异常分析、特异群组分析和演变分析等。
4. 数据挖掘的概念与过程
大家都知道，在进行数据分析的时候需要先挖掘数据和存取数据，这样才能够为数据分析工作打好基础。
但是在一般情况下，数据挖掘出来之后是有很多无用重复的数据的，如果将这些数据直接分析的时候会影响分析结果，这就需要对数据进行加工。如果加工得好，那么出来后的数据是一个简洁、规范、清晰的样本数据。
数据加工的步骤通常包括数据抽取、数据转换、数据计算。
5. 数据挖掘的过程包括哪几个阶段
8D是解决问题的8条基本准则或称8个工作步骤，但在实际应用中却有9个步骤：
D0：征兆紧急反应措施
D1：小组成立
D2：问题说明
D3：实施并验证临时措施
D4：确定并验证根本原因
D5：选择和验证永久纠正措施
D6：实施永久纠正措施
D7：预防再发生
D8：小组祝贺
8D优缺点：
1.优点
发现真正肇因的有效方法，并能够采取针对性措施消除真正肇因，执行永久性矫正措施。
能够帮助探索允许问题逃逸的控制系统。 逃逸点的研究有助于提高控制系统在问题再次出现时的监测能力。
预防机制的研究有助于帮助系统将问题控制在初级阶段。
2.缺点
8D培训费时，且本身具有难度。
除了对8D问题解决流程进行培训外，还需要数据挖掘的培训，以及对所需用到的分析工具（如帕累托图、鱼骨图和流程图，等等）进行培训。
6. 数据挖掘的过程包括哪几个阶段分析
物流信息管理是指运用计划、组织、指挥、协调、控制等基本职能对物流信息搜集、检索、研究、报道、交流和提供服务的过程，并有效地运用人力、物力和财力等基本要素以期达到物流管理的总体目标的活动。物流信息管理就是对物流信息资源进行统一规划和组织，并对物流信息的收集、加工、存储、检索、传递和应用的全过程进行合理控制，从而使物流供应链各环节协调一致，实现信息共享和互动，减少信息冗余和错误，辅助决策支持，改善客户关系，最终实现信息流、资金流、商流、物流的高度统一，达到提高物流供应链竞争力的目的，其主要内容如下：信息政策制订为了实现不同区域、不同国度、不同企业、不同部门间物流信息的相互识别和利用，实现物流供应链信息的通畅传递与共享，必须确定一系列共同遵守和认同的物流信息规则或规范，这就是物流信息政策的制订，如信息的格式与精度、信息传递的协议、信息共享的规则、信息安全的标准、信息存储的要求等等，这是实现物流信息管理的基础。信息规划即从企业或行业的战略高度出发，对信息资源的管理、开发、利用进行长远发展的计划，确定信息管理工作的目标与方向，制订出不同阶段的任务，指导数据库系统的建立和信息系统的开发，保证信息管理工作有条不紊地进行。信息收集即应用各种手段、通过各种渠道进行物流信息的采集，以反映物流系统及其所处环境情况，为物流信息管理提供素材和原料。信息收集是整个物流信息管理中工作量最大、最费时间、最占人力的环节，操作时注意把握以下要点：首先，收集工作前要进行信息的需求分析。明确了解企业各级管理人员在进行管理决策和开展日常管理活动过程中何时、何处以及如何需要哪些信息，确定信息需求的层次、目的、范围、精度、深度等要求，实现按需收集，避免收集的信息量过大，造成人、财、物的浪费，或收集的信息过于狭窄影响使用效果等。其次，收集工作要具有系统性和连续性。要求收集到的信息能客观地、系统地反映物流活动的情况，并能随一定时间的变化，记录经济活动的状况，为预测未来物流发展提供依据。第三，要合理选择信息源。信息源的选择与信息内容及收集目的有关，为实现既定目标，必须选择能提供所需信息的最有效信息源。信息源一般较多，应进行比较，选择提供信息数量大、种类多、质量可靠的信息源，建立固定信息源和渠道。第四，信息收集过程的管理工作要有计划，使信息收集过程成为有组织、有目的的活动。信息处理信息处理工作，就是根据使用者的信息需求，对收集到的信息进行筛选、分类、加工及储存等活动，加工出对使用者有用的信息。信息处理的内容如下： 1．信息分类及汇总。按照一定的分类标准或规定，将信息分成不同的类别进行汇总，以便信息的存储和提取。 2．信息编目（或编码）。所谓编目（或编码）指的是用一定的代号来代表不同信息项目。用普通方式（如资料室、档案室、图书室）保存信息则需进行编目，用电子计算机保存信息则需确定编码。在信息项目、信息数量很大的情况下，编目及编码是将信息系统化、条理化的重要手段。 3．信息储存。应用电子计算机及外部设备的储存介质，建立有关数据库进行信息的存储，或通过传统的纸质介质如卡片、报表、档案等对信息进行抄录存储。 4．信息更新。信息具有有效的使用期限，失效的信息需要及时淘汰、变更、补充等，才能满足使用者的需求。 5．数据挖掘。信息可区分为显性信息和隐性信息，显性信息是可用语言明确表达出来的、可编码化的信息，隐性信息则存在于人头脑中的个人的行为、世界观、价值双和情感之中，往往很难以某种方式直接表达出来或直接发现，也难于传递与交流，但隐性信息具有可直接转化为有效行动的重要作用，其价值高于和广于显性信息。因此，为了充分发挥信息的作用，需要对显性信息进行分析、加工和提取等，挖掘出隐藏在后面的隐性信息，这就是数据挖掘的任务。数据挖掘包括数据准备、数据挖掘、模式模型的评估与解释、信息巩固与应用等几个处理过程。首先通过数据准备对数据库系统中的积累数据进行处理，包括选择、净化、推测、转换、缩减等操作，然后进入数据挖掘阶段，依据有关目标，选取相应算法参数，分析数据，得到形成隐性信息的模式模型，并通过模式模型的评估与解释，依据评估标准完成对模式模型的评估，剔除无效、无用的模式模型，最后在隐性信息的巩固与运用中，对形成模式模型的隐性信息做一致性检查，消除其中的矛盾与冲突，然后运用数据分析手段对挖掘出的信息做二次处理，形成专业化、可视化、形象化的数据表现形式，这个过程是一个不断循环、反馈、完善的过程。信息传递信息传递是指信息从信息源发出，经过适当的媒介和信息通道输给接收者的过程。信息传递方式有许多种，一般可从不同的传递角度来划分信息传递方式。（1）从信息传递方向看，有单向信息传递方式和双向信息传递方式。单向信息传递是指信息源只向信息接收源传递信息，而不双向沟通交流信息；双向信息传递是指信息发出者与信息接收者共同参与信息传递，双方相互交流传递信息，信息流呈双向交流传递。（2）从信息传递层次看，有直接传递方式和间接传递方式。两种传递方式的区别是信息源与信息接收者之间，信息是直接传递，还是经其它人员或组织进行传递。（3）从信息传递时空来看，有时间传递方式和空间传递方式。信息的时间传递方式指信息的纵向传递，即通过对信息的存贮方式，实现信息流在时间上连续的传递。空间传递方式指信息在空间范围的广泛传递。由于现代通信技术的发展，电视传真、激光通讯、卫星通讯等等手段，为信息的空间传递创造了条件。（4）从信息传递媒介看，有人工传递和非人工的其它媒体传递方式。信息服务与应用服务与应用是物流信息资料重要的特性，信息工作目的就是将信息提供给有关方面使用。物流信息的服务工作主要内容有以下几方面： 1．信息发布和传播服务。按一定要求将信息内容通过新闻、出版、广播、电视、报刊杂志、音像影视、会议、文件、报告、年鉴等形式予以发表或公布，便于使用者搜集、使用。 2．信息交换服务。通过资料借阅、文献交流、成果转让、产权转移、数据共享等多种形式进行信息的交换，以起到交流、宣传、使用信息的作用。 3．信息技术服务。包括数据处理、计算机、复印机等设备的操作和维修及技术培训、软件提供、信息系统开发服务等活动。 4.信息咨询服务。包括公共信息提供、行业信息提供、政策咨询、管理咨询、工程咨询、信息中介、计算机检索等，实现按用户要求收集信息、查找和提供信息，或就用户的物流经营管理问题，进行针对性信息研究、信息系统设计与开发等，帮助用户提高管理决策水平，实现信息的增殖和放大，以信息化水平的提高带动用户物流管理水平的提高。
物流信息管理作为一个动态的发展的概念，其内涵和外延不断随着物流实践的深化和物流管理的发展而不断发展。在物流信息管理的早期主要是采用人工方式进行管理，当计算机出现之后，伴随着信息技术的发展出现了基于信息技术的物流信息系统。物流信息系统是利用计算机技术和通信技术，对物流信息进行收集、整理、加工、存储、服务等工作的人―机系统。企业的信息处理最初主要限于销售管理和采购（生产）管理，自60年代后半期以来，为适应市场竞争的激化、销售渠道的扩大和降低流通成本的需要，在物流系统化的同时，物流信息处理体系的完善也取得了很大的进步。特别是电子计算机和数据通信系统的进步，显著的提高了物流信息的处理能力。电子计算机和通信系统的利用，使物流信息系统达到了迅速的进行远距离信息交换并处理大量的信息，并且对商流，会计处理，经营管理也起着非常重要的作用。物流信息管理就是对物流信息资源进行统一规划和组织，并对物流信息的收集、加工、存储、检索、传递和应用的全过程进行合理控制，从而使物流供应链各环节协调一致，实现信息共享和互动，减少信息冗余和错误，辅助决策支持，改善客户关系，最终实现信息流、资金流、商流、物流的高度统一，达到提高物流供应链竞争力的目的，其主要内容如下：政策制订为了实现不同区域、不同国度、不同企业、不同部门间物流信息的相互识别和利用，实现物流供应链信息的通畅传递与共享，必须确定一系列共同遵守和认同的物流信息规则或规范，这就是物流信息政策的制订，如信息的格式与精度、信息传递的协议、信息共享的规则、信息安全的标准、信息存储的要求等等，这是实现物流信息管理的基础。信息规划即从企业或行业的战略高度出发，对信息资源的管理、开发、利用进行长远发展的计划，确定信息管理工作的目标与方向，制订出不同阶段的任务，指导数据库系统的建立和信息系统的开发，保证信息管理工作有条不紊地进行。
7. 在数据挖掘流程中,需要反复进行的阶段包括
1,交易序列是指,也是我们常说的交易序列数，据描述是在各类交易过程中商品或证券价格随时间的变化规律,分析这些数据能为商家或投资者制定营销策略或选择价值投资方法提供量化依据,由此交易序列数据挖掘技术成为当前研究和应用的热点。
2,交易序列数据挖掘的目的是识别商品或证券交易价格变化规律,主要任务有分类、聚类、关联分析和异常检测等,还可以进行各种扩展的数据分析与挖掘,如允许有时间间隔约束的关联规则、数据有缺失值存在的模式分析等。
3,目前,针对交易序列数据的大量研究使用的是其他序列数据挖掘与分析方法,比如将其离散时间的序元序看作连续的、使用时间序列结构化或非结构化模型与各种复杂算法相结合的方法,又如忽略其数值型序元值、使用特征构建成事件序列进行频繁模式挖掘方法;再如将其数值型的序元值进行字符表示、使用字符序列模式查找的方法。这些研究方法存在以下两方而问题:一方而,没有同时兼顾交易序列数据本身固有的离散时间序和数值型元素值两大特性;另一方而,没有利用可用的经济与金融领域知识。兼顾交易序列本身原有特性并有效找到各种符合领域意义的频繁相似模式,能使数据分析与挖掘结果更有效。