1. 数据挖掘事例分析
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。
2. 数据挖掘事例分析题
有利于提高数据的运用能力，促进物联网的发展进步。
3. 数据分析与挖掘案例
一是交通违章数据统计；二是疫苗接种情况统计。三是人口普查情况统计。四是公安破案追查。五是生育周期统计。六是病人就诊统计。七是天气变化统计。八是农业生产统计。九是市场经济追踪。十是环境变化。
4. 数据分析与挖掘实战案例精粹
1、确定报告框架
先确定分析报告的主体架构，只有清晰的架构，才能规划好整个报告的主题，结构才能让阅读者一目了然。同时要找准论点、论据，这样能够体现出强大的逻辑性。
2、数据源的获取
数据源是数据分析的基础，很多分析报告在进行数据的挖掘收集时，缺乏科学依据性，逻辑性差，保证正确全面的数据源很重要。
3、数据处理
数据处理的目的：从大量的、杂乱无章的数据中抽取出对解决问题有价值、有意义的数据。将多余重复的数据筛选清除，将缺失数据补充完整，将错误数据纠正或删除。
4、数据分析
结论明确精简：结论要根据数据说话，力求结论做到严谨、专业。每个分析都有结论，而且结论—定要明确，分析结论不要太多要精，—个分析对应—个最重要的结论就好了，分析就是发现问题，只要发现重大的问题就达到目的了。
5. 数据挖掘案例分析报告
1、分类：找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等。
2、回归分析：反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。
3、聚类分析：把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能的小。
4、关联规则：描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可到处另一些项在同一事物中也出现，即隐藏在数据间的关联或相互关系。
5、特征分析：从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。
6、变化和偏差分析：偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。
7、Web页挖掘：随着Internet的迅速发展及Web的全球普及，使得Web上的信息量无比丰富，通过对Web的挖掘，可以利用Web的海量数据进行分析，收集有关的信息。
6. 数据挖掘典型案例
数据挖掘算法是根据数据创建数据挖掘模型的一组试探法和计算。为了创建模型，算法将首先分析您提供的数据，并查找特定类型的模式和趋势。
算法使用此分析的结果来定义用于创建挖掘模型的最佳参数。然后，这些参数应用于整个数据集，以便提取可行模式和详细统计信息。[1]
算法根据您的数据创建的挖掘模型可以采用多种形式，这包括：
说明数据集中的事例如何相关的一组分类。
预测结果并描述不同条件是如何影响该结果的决策树。
预测销量的数学模型。
说明在事务中如何将产品分组到一起的一组规则，以及一起购买产品的概率。
7. 数据分析与挖掘应用案例
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。
8. 数据挖掘的案例及分析
大数据论文数据挖掘方面的题好
本科学位论文是侧重于动手能力的，所以称为毕业设计，大数据处理类的，如果真的去搭建云平台是稍微有些不太好做，毕竟咱们个人的计算机终端是不够的，所以我觉得侧重于大数据安全，有一些算法，简单仿真，或者基于hadoop对某个行业的数据进行下分析计算也是没问题，到实例部分其实你用数据挖掘的方法去做，结果差不多