這些天花了很多時間來學習資料探勘這門課程，有很多心得和感悟，所以寫下這篇部落格來表達自己讀完這兩本書的感受！
　　首先推薦大家通過這兩本書來入門資料探勘這個領域，python資料探勘這本書較容易，還花了很大的篇幅來講python基礎，而python資料探勘入門與實踐則直接從例項講起，需要讀者有一定的python基礎。
　　資料探勘主要是通過python或者Ｒ語言來實現的，因為這兩門語言有它們獨特的優勢，比如包含大量的函數語言程式設計介面，高效的模組等等，這些都使它們非常適合用來進行資料探勘和資料分析。所以都要求程式設計者要有這方面的知識體系。但是，說到底語言只是一個工具，真正要在一門領域取得建樹，還是要靠程式設計者的思維能力和實踐能力，比如演算法水平和編碼或者debug（專案）能力。不過，對python這個強大工具有很深入的瞭解，會對資料探勘的學習有事半功倍的效果。

　　推薦使用anaconda作為python的編譯庫，裡面包括了大量的實用模組，比如numpy(科學計算，如矩陣，二維陣列，與表格最為相似的資料結構),pandas(資料分析，如資料框（虛擬記憶體資料庫），系列),Scipy(科學計算，向量化思想，包括符號計算和函式向量化),scikit-learn(用於機器學習，資料探勘，資料分析，六大功能：分類，迴歸，聚類，降維，模型選擇，預處理),Matplotlib,Bokeh(資料分析及視覺化)等等。這些都有助於進行資料探勘和資料分析。
　　資料探勘和資料分析等領域包含了大量的演算法，比如K-Means,DBSCAN,Apriori,kNN,樸素貝葉斯，BP神經網路,CART，決策樹等演算法，這對程式設計者的演算法能力和思維能力產生了極大的挑戰。只有掌握了這些演算法，才能更好地，更高效地，更快速地實現目標。如果有ACM經驗的話，學起來應該會更加快速和適應。這些演算法，我覺得結合實際例子來學習可能更加容易理解，比如用決策樹來預測獲勝球隊，使用樸素貝葉斯進行社會媒體挖掘，用神經網路破解驗證碼，用深度學習方法為影象中的物體進行分類。結合例項的話，可以更好地去學習,理解和實踐。
　　最後給大家推薦後續的學習路線，可以去kaggle上參加資料探勘比賽，或者參考學習別人的優秀專案。還可以去coursera上面學習資料探勘的相關課程，進一步提高自己的能力和拓展自己的視野。