1. 数据挖掘生活中例子
其实成功人士普遍有一个共性，就是都是被逼出来的，可能是人也可能是事，也可能是生活，还有可能是自己，总之人在压力很大的时候，潜力就会发挥出来，但是要注意最后一点被自己逼出来的时候才是真正的潜力得到发挥。
就像美国的笛福森，45岁以前是一直是一个默默无闻的银行小职员，周围的人都认为他是一个毫无创造才能的庸人，连他自己也看不起自己，然而在他45岁生日那天他读报时，受到报上登载故事的刺激，发现自己的潜能。
2. 数据挖掘生活中例子素材
数据挖掘起源于多种学科，其中最重要的是统计学和机器学习。统计学起源于数学其强调的是数学的精确性；机器学习主要起源于计算机实践其更倾向于实践，主动检测某个东西，来确定它的表现形式。
3. 数据挖掘:你必须知道的32个经典案例
将客户在电商平台的购物数据进行处理和挖掘，能够得知不同地区的人的生活习惯，例如衣服的尺寸大小，饮食的喜好等，都可以通过数据挖掘，数据化的方式推测出不同地区人的饮食习惯以及身高和体重等数据，这一系列的方式将有助于销售的进行以及相关资源的调配。
4. 数据挖掘在生活中的例子
假设你的花园里的水管有泄漏，你带个水桶和一些密封材料来解决问题，但是过了一会儿，你发现泄漏会更大，这个时候需要专家携带更大的工具来解决问题，同时你仍在使用水桶排水。一段时间后，你会注意到一条巨大的地下溪流已经打开，你需要每秒处理数百万升的水。
你不仅需要新的水桶，而且还因为水的体积和速度增加了，需要采用了全新的解决问题的方法。为了防止城镇洪水，也许你还需要政府建造一座大型水坝，这需要大量的土木工程专业知识和完善的控制系统。
“数据”也发生了同样的情况。数据集已经变得如此庞大或复杂，以至于传统的数据处理软件不足以处理捕获，存储，分析，数据管理，搜索，共享，传输，可视化，查询，更新和信息隐私。所需的是“大数据”。
大数据是一个术语，它描述了日常会淹没企业的大量数据（结构化和非结构化）。但是，重要的不是数据量，而是组织处理重要数据的方法，可以对大数据进行分析，以助于做出更好决策和战略业务转移的见解。
大数据3V模型
大数据是高容量、高速度、种类繁多的资产，它们需要新的处理形式以实现增强的决策制定，洞察力发现和流程优化。
容量(Volume）
生成和存储的数据量。智能手机使用数据的激增；日常物体中的摄像头、汽车等等传感器将会产生数十亿个不断更新的数据源，其中包含环境、位置、视频、语音、符号等。在过去，存储它一直是个问题，但是新技术（例如Hadoop）减轻了负担。
速度(Velocity）
生成和处理数据的速度以满足企业需求。数据流以前所未有的速度流入，必须及时处理。点击和广告展示以每秒数百万个事件的速度捕获用户的行为；在线游戏系统支持数百万乃至千万用户一起使用，每个用户每秒产生多个数据。
种类(Variety）
数据的类型和性质。数据具有各种类型的格式，从传统数据库中的结构化数字数据到非结构化文本文档，邮件，视频，音频，符号和交易数据等。大数据不仅仅是数字，日期和字符串。大数据也是地理空间数据，3D数据。
近来数据价值(Value)被认为是大数据的第四大特征，从海量数据中获取有价值的信息需要多种数据挖掘技术、分析工具和模型方法的支持，这也正好印证了大数据的前三大特征。
从某种意义上讲，发觉数据的内在价值是实现数据智慧化的重要途径。大数据除了量大、处理速度快、结构种类多之外，实现数据价值才是大数据的主要内涵，数据价值化赋予数据生命力，使得大数据有“肉体”，也有“灵魂”。
当你将大数据与强大的分析思维结合在一起时，大数据就能帮助公司改善运营并做出更快、更明智的决策。捕获，格式化，操纵，存储和分析这些数据后，可以帮助公司获得有用的见解和决策，以增加收入，吸引、留住客户并改善运营方式。
你可以从任何来源获取数据并进行分析，开发新产品，优化产品以及做出明智的决策。
大数据在行业中的应用
大数据正以惊人的速度，数量和种类从多个来源获得。为了从大数据中提取有意义的价值，您需要最佳的处理能力，分析能力和技能。大数据几乎影响了每个行业的组织。
银行业务：了解客户并提高客户满意度很重要，同时保持法规遵从性的同时最小化风险和欺诈也同样重要。
教育：通过分析大数据，教育者可以识别学生的学习程度，因材施教，确保学生取得适当的进步，并可以制定更好的教育评估系统。
政府：当政府机构能够利用分析并将其应用于大数据时，它们在管理公用事业，运营机构，处理交通拥堵或预防犯罪等方面将占有重要地位。
卫生保健：患者记录、治疗计划、处方信息的收集，在医疗保健方面，需要快速、准确地完成所有工作，并且在某些情况下，还必须具有足够的透明度来满足严格的行业法规。
制造：制造商可以提高质量和产量，同时减少库存。制造商可以更快地解决问题并做出更灵活的业务决策。
零售：零售商需要了解客户的喜好，向不同的用户使用不同的营销方法；找到处理交易的最有效方法，将失效的业务重新带回并能分析出最具战略意义的方法。
大数据仍然是所有这些事情的核心。
5. 数据挖掘的应用实例
决策树算法本身的特点使其适合进行属性数（特征数）较少情况下的高质量分类,因而适用于仅仅利用主题无关特征进行学习的关键资源定位任务。
决策树算法的核心问题是选取在树的每个结点即要测试的属性,争取能够选择出最有助于分类实例的属性.为了解决这个问题,ID3算法引入了信息增益的概念,并使用信息增益的多少来决定决策树各层次上的不同结点即用于分类的重要属性。