数据挖掘定义：
•数据挖掘是从海量的数据中抽取感兴趣的（有价值的、隐含的、以前没有用但是潜在有用信息的）模式和知识的过程。
•数据挖掘是从存放在数据库、数据仓库中或其它信息库中的大量数据中挖掘有趣知识的过程。
一次数据挖掘实验分为4个步骤：
- （1）准备数据，包括准备训练数据和检验数据
- （2）选择一种数据挖掘技术或算法，将数据提交给数据挖掘软件
- （3）解释和评估结果
- （4）模型应用
机器学习算法的划分：
研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
分类：
监督学习，无监督学习，半监督学习，主动学习:
•监督学习：
定义：通过对大量已知分类或输出结果值的实例进行训练，调整模型的结构，达到建立能够准确分类或预测未知模型的目的。这种基于归纳的概念学习过程被称为有指导（监督）的学习。
- 数据实例（Instance）：用于有指导学习的样本数据。
- 训练实例（Training Instance）：用于训练的实例。
- 检验实例（Test Instance）：分类模型建立完成后，经过检验实例进行检验，判断模型是否能够很好地应用在未知实例的分类或预测中。
•无监督学习：
在学习训练之前，无预先定义好分类的实例，数据实例按照某种相似性度量方法，计算实例之间的相似程度，将最为相似的实例聚类在一个组——簇（Cluster）中，再解释和理解每个簇的含义，从中发现聚类的意义。
•半监督学习：
是监督学习与无监督学习相结合的一种学习方法。
半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行数据挖掘工作。
标记的实例用来学习模型，未标记的数据用来改进类边界。
•主动学习:
主动学习通过一定的算法查询最有用的未标记样本，并交由专家进行标记，然后用查询到的样本训练分类模型来提高模型的精确度.
