管理的关键是决策，决策的前提是预测。这是决策和预测之间的关系。
数据挖掘(Data Mining)的技术定义：
数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，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。
数据挖掘的任务是从数据集中发现模式，按照功能可以分为两大类：
预测性（Predictive）模式:用历史预测未来
描述性(Descriptive) 模式：了解数据中潜在的规律
数据挖掘技术包括：
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
数据挖掘十大经典算法包括：
C4.5、The k-means algorithm （k-Means算法）、Support vector machines(支持向量机SVM）、The Apriori algorithm、最大期望(EM)算法、PageRank、AdaBoost、kNN:k-nearest neighbor classification(K最近邻分类算法)、Naive Bayes(有两种模型：决策树模型和朴素贝叶斯模型)、CART:分类与回归树
现在马上大四了，没有考研，选择先就业，但是觉得自己在本科学的知识并不多，所以进行学习数据分析的初步规划:
1.学习Python与R,需要掌握Python编程的基本部分（Python数据结够、条件语句、循环控制、模块、异常处理等）、高级部分（网络编程、多线程、正则表达式、数据库编程等）、以及一些数据挖掘常用的库（Numpy、Pandas、Scipy、Scikit-Learn等）
2.学习数据结构（天勤和王道的数据结构）
3.算法（算法导论中基础算法）
4.学习操作系统（王道操作系统和操作系统原理教材）、网络原理（王道网络原理和网络原理教材）和了解一些linux基本功能和指令
5.复习数据库原理（SQL）,学习并区分MySQL,并学习非关系型数据库MongoDB.
6.补充概率，统计，线代，最优化等基本知识.
7.深刻理解以上的数据挖掘技术与经典算法,数学Weka
8.进行实战,比如Kaggle、CCF、DataCastle
9.学有余力则学Hadoop、Spark
