数据挖掘的历史

在1990年代，引入了“数据挖掘”一词，但是数据挖掘是一个具有悠久历史的行业的发展。

识别数据模式的早期技术包括贝叶斯定理( 1700s )和回归演化( 1800s )。随着数据集的规模和复杂性水平的提高，计算机科学的产生和增长的力量促进了数据的收集，存储和处理。显式动手数据调查已通过间接，自动数据处理和其他计算机科学发现(例如神经网络，聚类，遗传算法( 1950年代)，决策树( 1960年代)和支持向量机( 1990年代))得到了逐步改进。

数据挖掘的起源可以追溯到三个家族系：古典统计，人工智能和机器学习。

古典统计：

统计数据是构建数据挖掘的大多数技术的基础，例如回归分析，标准偏差，标准分布，标准方差，判别分析，聚类分析和置信区间。所有这些都用于分析数据和数据连接。

人工智能：

人工智能或人工智能基于启发式而非统计。它试图将类似人类思想的处理应用于统计问题。一些高端商业产品采用了特定的AI概念，例如关系数据库管理系统(RDBMS)的查询优化模块。

机器学习：

机器学习是统计和AI的结合。它可能被视为AI的发展，因为它将AI启发式方法与复杂的统计分析相结合。机器学习试图使计算机程序知道他们正在研究的数据，以便程序根据所检查数据的特征做出不同的决策。它使用基本概念的统计数据，并添加更多的AI启发式方法和算法来实现其目标。