⛏️数据挖掘入门
AI 教程网络
从这个系列继续发现相关教程
当前专题已经接入 AI 教程总索引，读者可以从这里回到完整目录，也可以继续查看模型、Agent 和工具实测入口。
专题导读
数据挖掘入门学习地图
先按顺序读前几篇建立框架，再用图文要点回看流程、配置和判断点；遇到工具类内容，可以直接跳到对应小节做复现。
阅读路径
按这三段读更顺
每个系列都可以先抓主线，再挑重点文章复现，最后回到问题边界和检查表。
先建立框架
第 1 - 6 篇 · 6 个小节
适合先读概念、环境和整体流程，避免一上来就被细节打散。
再动手复现
第 7 - 13 篇 · 7 个小节
集中看配置、命令、调用链和结果判断，把正文里的图文要点串起来。
最后复盘扩展
第 14 - 18 篇 · 5 个小节
回看问题边界、替代方案和后续练习，形成自己的检查清单。
图文优先
重点图文入口
想先判断这套内容是否值得继续读，可以从图文信息更密的几篇开始。
1 数据挖掘概述：数据挖掘的定义与历史
第 1 篇6 张图1.6k 字数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「数据挖掘的定义 -> 关键特性 -> 相关技术 -> 案例」建立结构，再回到正文里的代码、案例或指标做验证。
AI数据挖掘小白
2 数据挖掘概述之数据挖掘的应用领域
第 2 篇6 张图1.3k 字数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「数据挖掘的广泛应用 -> 市场营销 -> 金融服务 -> 医疗健康」建立结构，再回到正文里的代码、案例或指标做验证。
AI数据挖掘小白
3 数据挖掘概述之数据挖掘的流程
第 3 篇6 张图1.7k 字数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「数据挖掘的概念 -> 数据挖掘的流程 -> 定义目标 -> 数据收集」建立结构，再回到正文里的代码、案例或指标做验证。
AI数据挖掘小白
4 数据清洗：数据挖掘中的重要一步
第 4 篇6 张图1.8k 字数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「什么是数据清洗？ -> 数据清洗的步骤 -> 识别和处理缺失值 -> 去除重复数据」建立结构，再回到正文里的代码、案例或指标做验证。
AI数据挖掘小白
5 数据预处理之缺失值处理
第 5 篇6 张图1.4k 字数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「缺失值的识别 -> 示例代码 -> 缺失值处理的方法 -> 删除缺失值」建立结构，再回到正文里的代码、案例或指标做验证。
AI数据挖掘小白
6 数据预处理之数据转换与归一化
第 6 篇6 张图1.5k 字数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「数据转换 -> 归一化 -> 数据清洗 -> 特征探索」建立结构，再回到正文里的代码、案例或指标做验证。
AI数据挖掘小白
7 数据挖掘小白教程：探索性数据分析之描述性分析
第 7 篇6 张图1.4k 字数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「描述性分析的概念 -> 描述性分析步骤 -> 数据导入 -> 基本统计量计算」建立结构，再回到正文里的代码、案例或指标做验证。
AI数据挖掘小白
8 探索性数据分析之可视化技术
第 8 篇6 张图1.3k 字数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「可视化的目的 -> 常见可视化技术 -> 直方图 -> 箱线图」建立结构，再回到正文里的代码、案例或指标做验证。
AI数据挖掘小白
9 探索性数据分析之统计分析方法
第 9 篇6 张图1.8k 字数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「统计分析方法概述 -> 描述性统计 -> 推断性统计 -> 相关性分析」建立结构，再回到正文里的代码、案例或指标做验证。
AI数据挖掘小白
10 数据挖掘技术之分类
第 10 篇6 张图1.7k 字数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「什么是分类？ -> 分类的基本步骤 -> 常用的分类算法 -> 分类模型评估」建立结构，再回到正文里的代码、案例或指标做验证。
AI数据挖掘小白
11 数据挖掘技术之聚类
第 11 篇6 张图1.6k 字数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「聚类的定义 -> 聚类的应用场景 -> 常见的聚类算法 -> K-Means算法」建立结构，再回到正文里的代码、案例或指标做验证。
AI数据挖掘小白
12 数据挖掘技术之关联规则
第 12 篇6 张图2.1k 字数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「关联规则的基本概念 -> 关联规则算法 -> Apriori 算法 -> FP-Growth 算法」建立结构，再回到正文里的代码、案例或指标做验证。
AI数据挖掘小白
13 模型评估与选择之评估指标
第 13 篇6 张图1.9k 字数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「为什么需要评估指标？ -> 主要评估指标 -> 数据清洗 -> 特征探索」建立结构，再回到正文里的代码、案例或指标做验证。
AI数据挖掘小白
14 模型评估与选择之过拟合与欠拟合
第 14 篇6 张图1.6k 字数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「什么是过拟合和欠拟合？ -> 过拟合 -> 欠拟合 -> 如何识别过拟合与欠拟合」建立结构，再回到正文里的代码、案例或指标做验证。
AI数据挖掘小白
15 模型评估与选择之模型选择方法
第 15 篇6 张图1.4k 字数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「模型选择的重要性 -> 常见模型选择方法 -> 交叉验证 -> 网格搜索」建立结构，再回到正文里的代码、案例或指标做验证。
AI数据挖掘小白
16 数据挖掘小白教程：案例分析之案例介绍
第 16 篇6 张图1.6k 字数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「案例背景 -> 数据集介绍 -> 数据集示例 -> 数据分析方法」建立结构，再回到正文里的代码、案例或指标做验证。
AI数据挖掘小白
17 数据挖掘案例分析：项目实践
第 17 篇6 张图1.2k 字数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「项目概述 -> 数据预处理 -> 数据探索性分析 -> 特征工程」建立结构，再回到正文里的代码、案例或指标做验证。
AI数据挖掘小白
18 数据挖掘小白教程：案例分析之经验总结
第 18 篇6 张图1.4k 字数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「一、项目回顾 -> 二、经验总结 -> 数据理解的重要性 -> 数据预处理的关键步骤」建立结构，再回到正文里的代码、案例或指标做验证。
AI数据挖掘小白