基礎篇：

1. 讀書《Introduction to Data Mining》，這本書很淺顯易懂，沒有複雜高深的公式，很合適入門的人。另外可以用這本書做參考《Data Mining : Concepts and Techniques》。第二本比較厚，也多了一些資料倉庫方面的知識。如果對演算法比較喜歡，可以再閱讀《Introduction to Machine Learning》。

2. 實現經典演算法。有幾個部分：
a. 關聯規則挖掘 (Apriori, FPTree, etc.)
b. 分類 (C4.5, KNN, Logistic Regression, SVM, etc.)
c. 聚類 (Kmeans, DBScan, Spectral Clustering, etc.)
d. 降維 (PCA, LDA, etc.)
e. 推薦系統 (基於內容的推薦，協同過濾，如矩陣分解等)
然後在公開資料集上測試，看實現的效果。可以在下面的網站找到大量的公開資料集：http://archive.ics.uci.edu/ml/

3. 熟悉幾個開源的工具: Weka (用於上手); LibSVM, scikit-learn, Shogun

4. 到 https://www.kaggle.com/ 上參加幾個101的比賽，學會如何將一個問題抽象成模型，並從原始資料中構建有效的特徵 (Feature Engineering). 

到這一步的話基本幾個國內的大公司都會給你面試的機會。

進階篇：

1. 讀書，下面幾部都是大部頭，但學完進步非常大。
a.《Pattern Recognition and Machine Learning》
b.《The Elements of Statistical Learning》
c.《Machine Learning: A Probabilistic Perspective》

然後，就開始挖吧；
第一輪挖完，看看成果如何？有道理嗎？有說服力嗎？大多數情況，你會發現，哦，暈，忘了應該把這幾個因素考慮進去了，還應該加進去這幾方面的資料才能看出來。好，繼續轉向第2步，繼續收集資料、清洗、調演算法/引數，挖出來後再評估，一般情況得這麼迴圈N個回合；
馬馬虎虎出來個差不多靠譜、勉強能自圓其說的初胚，這個成果看上去像那麼回事兒了。

總結一個說法（分析成果）出來，為了你的說法，把資料再針對性地洗上幾遍，給出一個更加乾淨的分析成果，這個版本基本上有說服力了。
講究一點的，再畫個資訊圖什麼的，圖文並茂，就可以初步交作業了；
在真實的專案中，還有一步，就是選取重要的評估視角和指標，根據具體的業務特點，把你的分析過程做成每週/每日/每小時都能給個角度固定的分析報告的服務。

再往前一步，如果你對這塊業務真的很熟的話，還可以針對不同型別的分析結果，能給出相應的建議應對措施（Action），這樣這此挖掘的業務價值就真正明確了。你做的活兒也沒有停留在“活兒”這個份兒上，而是決策支援這個級別上了。

磨刀不誤砍柴工。在學習資料探勘之前應該明白幾點：

• 資料探勘目前在中國的尚未流行開，猶如屠龍之技。

• 資料初期的準備通常佔整個資料探勘專案工作量的70%左右。

• 資料探勘本身融合了統計學、資料庫和機器學習等學科，並不是新的技術。

• 資料探勘技術更適合業務人員學習（相比技術人員學習業務來的更高效）

• 資料探勘適用於傳統的BI（報表、OLAP等）無法支援的領域。

• 資料探勘專案通常需要重複一些毫無技術含量的工作。

如果你閱讀了以上內容覺得可以接受，那麼繼續往下看。

學習一門技術要和行業靠攏，沒有行業背景的技術如空中樓閣。技術尤其是計算機領域的技術發展是寬泛且快速更替的（十年前做網頁設計都能成立公司），一般人沒有這個精力和時間全方位的掌握所有技術細節。但是技術在結合行業之後就能夠獨當一面了，一方面有利於抓住使用者痛點和剛性需求，另一方面能夠累計行業經驗，使用網際網路思維跨界讓你更容易取得成功。不要在學習技術時想要面面俱到，這樣會失去你的核心競爭力。 

一、目前國內的資料探勘人員工作領域大致可分為三類。

• 1）資料分析師：在擁有行業資料的電商、金融、電信、諮詢等行業裡做業務諮詢，商務智慧，出分析報告。

• 2）資料探勘工程師：在多媒體、電商、搜尋、社交等大資料相關行業裡做機器學習演算法實現和分析。

• 3）科學研究方向：在高校、科研單位、企業研究院等高大上科研機構研究新演算法效率改進及未來應用。

二、說說各工作領域需要掌握的技能。 

(1).資料分析師

• 需要有深厚的數理統計基礎，但是對程式開發能力不做要求。

• 需要熟練使用主流的資料探勘（或統計分析）工具如Business Analytics and Business Intelligence Software（SAS）、SPSS、EXCEL等。

• 需要對與所在行業有關的一切核心資料有深入的理解，以及一定的資料敏感性培養。

• 經典圖書推薦：《概率論與數理統計》、《統計學》推薦David Freedman版、《業務建模與資料探勘》、《資料探勘導論》、《SAS程式設計與資料探勘商業案例》、《Clementine資料探勘方法及應用 》、《Excel 2007 VBA參考大全》、《IBM SPSS Statistics 19 Statistical Procedures Companion》等。

(2).資料探勘工程師

• 需要理解主流機器學習演算法的原理和應用。

• 需要熟悉至少一門程式語言如（Python、C、C++、Java、Delphi等）。

• 需要理解資料庫原理，能夠熟練操作至少一種資料庫（Mysql、SQL、DB2、Oracle等），能夠明白MapReduce的原理操作以及熟練使用Hadoop系列工具更好。

• 經典圖書推薦：《資料探勘概念與技術》、《機器學習實戰》、《人工智慧及其應用》、《資料庫系統概論》、《演算法導論》、《Web資料探勘》、《 Python標準庫》、《thinking in Java》、《Thinking in C++》、《資料結構》等。

(3).科學研究方向

• 需要深入學習資料探勘的理論基礎，包括關聯規則挖掘 （Apriori和FPTree）、分類演算法（C4.5、KNN、Logistic Regression、SVM等) 、聚類演算法 （Kmeans、Spectral Clustering）。目標可以先吃透資料探勘10大演算法各自的使用情況和優缺點。

• 相對SAS、SPSS來說R語言更適合科研人員The R Project for Statistical Computing，因為R軟體是完全免費的，而且開放的社群環境提供多種附加工具包支援，更適合進行統計計算分析研究。雖然目前在國內流行度不高，但是強烈推薦。

• 可以嘗試改進一些主流演算法使其更加快速高效，例如實現Hadoop平臺下的SVM雲演算法呼叫平臺--web 工程呼叫hadoop叢集。

• 需要廣而深的閱讀世界著名會議論文跟蹤熱點技術。如KDD，ICML，IJCAI，Association for the Advancement of Artificial Intelligence，ICDM 等等；還有資料探勘相關領域期刊：ACM Transactions on Knowledge Discovery from Data，IEEE Transactions on Knowledge and Data Engineering，Journal of Machine Learning Research Homepage，IEEE Xplore: Pattern Analysis and Machine Intelligence, IEEE Transactions on等。

• 可以嘗試參加資料探勘比賽培養全方面解決實際問題的能力。如Sig KDD ，Kaggle: Go from Big Data to Big Analytics等。

• 可以嘗試為一些開源專案貢獻自己的程式碼，比如Apache Mahout: Scalable machine learning and data mining ,myrrix等（具體可以在SourceForge或GitHub.上發現更多好玩的專案）。

• 經典圖書推薦：《機器學習》 《模式分類》《統計學習理論的本質》《統計學習方法》《資料探勘實用機器學習技術》《R語言實踐》，英文素質是科研人才必備的《Machine Learning: A Probabilistic Perspective》《Scaling up Machine Learning : Parallel and Distributed Approaches》《Data Mining Using SAS Enterprise Miner : A Case Study Approach》《Python for Data Analysis》等。

三、以下是通訊行業資料探勘工程師的工作感受。

真正從資料探勘專案實踐的角度講，溝通能力對挖掘的興趣愛好是最重要的，有了愛好才可以願意鑽研，有了不錯的溝通能力，才可以正確理解業務問題，才能正確把業務問題轉化成挖掘問題，才可以在相關不同專業人才之間清楚表達你的意圖和想法，取得他們的理解和支援。所以我認為溝通能力和興趣愛好是個人的資料探勘的核心競爭力，是很難學到的；而其他的相關專業知識誰都可以學，算不上個人發展的核心競爭力。

說到這裡可能很多資料倉庫專家、程式設計師、統計師等等都要扔磚頭了，對不起，我沒有別的意思，你們的專業對於資料探勘都很重要，大家本來就是一個整體的，但是作為單獨一個個體的人來說，精力有限，時間有限，不可能這些領域都能掌握，在這種情況下，選擇最重要的核心，我想應該是資料探勘技能和相關業務能力吧（從另外的一個極端的例子，我們可以看， 比如一個迷你型的挖掘專案，一個懂得市場營銷和資料探勘技能的人應該可以勝任。這其中他雖然不懂資料倉庫，但是簡單的Excel就足以勝任高打6萬個樣本的資料處理；他雖然不懂專業的展示展現技能，但是隻要他自己看的懂就行了，這就無需什麼展示展現；前面說過，統計技能是應該掌握的，這對一個人的迷你專案很重要；他雖然不懂程式設計，但是專業挖掘工具和挖掘技能足夠讓他操練的；這樣在迷你專案中，一個懂得挖掘技能和市場營銷業務能力的人就可以圓滿完成了，甚至在一個數據源中根據業務需求可以無窮無盡的挖掘不同的專案思路，試問就是這個迷你專案，單純的一個數據倉庫專家、單純的一個程式設計師、單純的一個展示展現技師、甚至單純的一個挖掘技術專家，都是無法勝任的）。這從另一個方面也說明了為什麼溝通能力的重要，這些個完全不同的專業領域，想要有效有機地整合在一起進行資料探勘專案實踐，你說沒有好的溝通能力行嗎？

資料探勘能力只能在專案實踐的熔爐中提升、昇華，所以跟著專案學挖掘是最有效的捷徑。國外學習挖掘的人都是一開始跟著老闆做專案，剛開始不懂不要緊，越不懂越知道應該學什麼，才能學得越快越有效果。我不知道國內的資料探勘學生是怎樣學的，但是從網上的一些論壇看，很多都是紙上談兵，這樣很浪費時間，很沒有效率。

另外現在國內關於資料探勘的概念都很混亂，很多BI只是侷限在報表的展示和簡單的統計分析，卻也號稱是資料探勘；另一方面，國內真正規模化實施資料探勘的行業是屈指可數（銀行、保險公司、移動通訊），其他行業的應用就只能算是小規模的，比如很多大學都有些相關的挖掘課題、挖掘專案，但都比較分散，而且都是處於摸索階段，但是我相信資料探勘在中國一定是好的前景，因為這是歷史發展的必然。

講到移動方面的實踐案例，如果你是來自移動的話，你一定知道國內有家叫華院分析的公司（申明，我跟這家公司沒有任何關係，我只是站在資料探勘者的角度分析過中國大多數的號稱資料探勘服務公司，覺得華院還不錯，比很多徒有虛名的大公司來得更實際），他們的業務現在已經覆蓋了絕大多數中國省級移動公司的分析挖掘專案，你上網搜尋一下應該可以找到一些詳細的資料吧。我對華院分析印象最深的一點就是2002年這個公司白手起家，自己不懂不要緊，一邊自學一邊開始拓展客戶，到現在在中國的移動通訊市場全面開花，的確佩服佩服呀。他們最開始都是用EXCEL處理資料，用肉眼比較選擇比較不同的模型，你可以想象這其中的艱難吧。

至於移動通訊的具體的資料探勘的應用，那太多了，比如不同話費套餐的制訂、客戶流失模型、不同服務交叉銷售模型、不同客戶對優惠的彈性分析、客戶群體細分模型、不同客戶生命週期模型、渠道選擇模型、惡意欺詐預警模型，太多了，記住，從客戶的需求出發，從實踐中的問題出發，移動中可以發現太多的挖掘專案。最後告訴你一個祕密，當你資料探勘能力提升到一定程度時，你會發現無論什麼行業，其實資料探勘的應用有大部分是重合的相似的，這樣你會覺得更輕鬆。