数据挖掘(Data Mining)是指从大量数据中提取出隐藏于这些数据中的规律，进而通过这些规律来预测未来或是指导人们做出相应的决策。

数据挖掘就是寻找隐藏在数据中的信息过程，如趋势，特征及相关性，也就是从数据中发掘信息或知识(Knowledge-Discovery in Databases，简称：KDD)。

Data mining provides a way for a computer to learn how to make decisions with data.

数据挖掘一般有三个主要阶段：数据准备，数据挖掘以及结果表达与解释。

1. 
   数据准备：数据集成，数据选择及数据预处理
   
2. 
   数据挖掘：利用机器学习、统计分析等方法，从数据中发现有用的模式或知识
   
3. 
   结果表达与解释：模型评估，模型应用
   

数据挖掘的方法：

1. 
   分类：若预测的变量是离散的，称为分类；若预测的变量是连续，则称为回归。方法有决策树、朴素贝叶斯、逻辑回归、神经网络等。
   
2. 
   聚类：从数据中找出相类似的数据并组成不同的组。方法有k-means算法、分层凝聚法(Hierarchical Agglomerative Methods)及估算最大值法(Estimation Maximization Algorithm)等。
   
3. 
   关联：从数据中发现不同事物间的相关性，找出它们间的关联规则。
   
4. 
   预测：从数据中找出变化规律，建立模型，并用模型来预测未来。
   

数机据挖掘十大算法：

1. 
   C4.5：机器学习中的一决策树算法
   
2. 
   K-Means：聚类算法
   
3. 
   SVM：Support Vector Machine， 支持向量机，是将向量映射到一个更高维的空间里， 在这个空间里建立一个最大间隔超平面
   
4. 
   Apriori：关联规则算法
   
5. 
   EM：Expectation-Maximization，最大期望
   
6. 
   PageRank：根据网站的外部链接和内部链接的数量和质量，衡量网站的价值
   
7. 
   AdaBoost：迭代算法，核心思想对同一训练集训练不同的分类器（弱分类器），然后将这些弱分类器集合起来，构成一个更强的分类器
   
8. 
   KNN：K-Nearest Neighbor，k最近邻，分类算法
   
9. 
   朴素贝叶斯算法：Naive Bayesian Model，NBM，以概率形式表达所有形式的不确定
   
10. 
    CART算法：Classification and Regression Trees，分类与回归树。
    

【注】图均来自网络。