我感觉这玩意儿本身也就是一堆方法论和算法，只有和具体领域结合起来，那才能创造实际的价值。

把数据挖掘本身作为行业，是指把它的通用部分抽出来？

以下是引用DMman在2007-5-13 15:46:00的发言：   数据挖掘是一门年轻的学科，研究多于应用，尤其是在中国。作为一个IT者，你为什么学习数据挖掘这个方向呢？欢迎讨论。    1 看好数据挖掘是一门有前景的行业，不久的将来 它亦能给我们带来 钱途。    2 喜欢数据挖掘的研究方法。统计的应用。归纳方法发现规律，演绎方法预测趋势。    3 现在开挖掘机的都很牛，挖数据的肯定也差不了。当初没太多考虑，就选择了这个方向。   。。。。

web mining

不知谁看过一篇强文“思科卖瓜子皮 论”？ 除了其中所说在华尔街作程序员之外，估计就这个有前途了。。

太牛了........................
哈哈..和老板混...

       由于数据挖掘是一门受到来自各种不同领域的研究者关注的交叉性学科，因此导致了很多不同的术语名称。其中，最常用的术语是"知识发现"和"数据挖掘"。相对来讲，数据挖掘主要流行于统计界（最早出现于统计文献中）、数据分析、数据库和管理信息系统界；而知识发现则主要流行于人工智能和机器学习界。

      数据挖掘可粗略地理解为三部曲：数据准备（data preparation）、数据挖掘，以及结果的解释评估（interpretation and evaluation）。

      根据数据挖掘的任务分，有如下几种：分类或预测模型数据挖掘、数据总结、数据聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等等。

      根据数据挖掘的对象分，有如下若干种数据源：关系数据库、面向对象数据库、空间数据库、时态数据库、文本数据源、多媒体数据、异质数据库、遗产（legacy）数据库，以及Web数据源。

      根据数据挖掘的方法分，可粗分为：统计方法、机器学习方法、神经网络方法和数据库方法。统计方法中，可细分为：回归分析（多元回归、自回归等）、判别分析（贝叶斯判别、费歇尔判别、非参数判别等）、聚类分析（系统聚类、动态聚类等）、探索性分析（主元分析法、相关分析法等）、以及模糊集、粗糙集、支持向量机等。机器学习中，可细分为：归纳学习方法（决策树、规则归纳等）、基于范例的推理CBR、遗传算法、贝叶斯信念网络等。神经网络方法，可细分为：前向神经网络（BP算法等）、自组织神经网络（自组织特征映射、竞争学习等）等。数据库方法主要是基于可视化的多维数据分析或OLAP方法，另外还有面向属性的归纳方法。

       因此，我选数据挖掘。

  说得很有道理！愿更多的公司单位看到数据挖掘所能发挥的作用，那样选择做数据挖掘就处于非常有利的位置了。感觉实际数据挖掘出成果还是难啊。

1.遗传SVR在人民币汇率预测中的应用
2.基于粒子群与支持向量机的水质预测
3.基于RBF神经网络与遗传算法的水资源需求预测
4.基于最小二乘支持向量机分类器的网络安全评估
5.基于遗传支持向量机的宏观经济预测