如何通过自学成为数据挖掘的“大师”

1.阅读数据挖掘介绍。这本书通俗易懂，没有复杂深奥的公式。非常适合初学者。此外，你可以把这本书作为参考数据挖掘:概念和技术。第二个比较粗，对数据仓库的知识比较多。如果你喜欢算法，可以再读一遍《机器学习导论》。

2.实现经典算法。有几个部分:

A.关联规则挖掘(Apriori，FPTree等。)

B.分类(C4.5，KNN，逻辑回归，SVM等。)

C.聚类(kmeans、dbscan、谱聚类等。)

D.降维(PCA、LDA等。)

e推荐系统(基于内容的推荐，协同过滤，如矩阵分解等。)

然后在公开数据集上测试，看实现的效果。你可以在以下网站找到大量的公开数据集:/参加几次101的比赛，学习如何将一个问题抽象成模型，从原始数据中构建有效的特征工程。

在这一点上，基本上国内几家大公司都会给你面试。

高级文章:

1.读书，下面的部分都是大书，但是学了之后进步很大。

a.《模式识别和机器学习》

b.《统计学习的要素》

c.《机器学习:概率视角》

第一本书更贝叶斯；；第二本书更频繁；；第三本书介于两者之间，但我觉得和第一本书差不多，只是增加了很多新的内容。当然，除了这些大而全的书，还有很多介绍不同领域的书，比如Boosting Foundations and Algorithms和probabilical graphic Models Principles and Techniques。以及机器学习的一些理论基础，机器学习的优化等等。这些书中的课后练习也很有用。只有你做了它们，你自己写论文的时候才会推公式。

2.看报纸。包括几次相关的会议:KDD、ICML、NIPS、国际法学家委员会、AAAI、WWW、SIGIR、IJCAI；和几个相关的期刊:TKDD，TKDE，JMLR，PAMI等。跟踪新技术和新热点问题。当然，如果做相关研究，这一步是必须的。比如我们组的风格就是上半年看论文，暑假找问题，秋天做实验，春节前后写/交论文。

3.追踪热点问题。比如这几年的推荐系统，社交网络，行为定向等等，很多公司的业务都会涉及到这些方面。还有一些热门的技术，比如现在很流行的深度学习。

4.学习大规模并行计算的技术，如MapReduce、MPI、GPU计算等。基本上每个大公司都会用到这些技术，因为实际数据量非常大，而且基本都是在计算集群上实现的。

5.参加实际的数据挖掘比赛，比如KDDCUP，或者/和以上的比赛。这个过程会训练你如何在短时间内解决一个实际问题，熟悉整个数据挖掘项目的整个流程。

6.参与一个开源项目，比如上面提到的幕府将军或者scikit-learn和Apache的Mahout，或者为一些流行的算法提供更有效更快速的实现，比如Map/Reduce平台下的SVM。这也是锻炼编码能力。

在这一点上，国内大公司基本上想去哪就去哪，待遇还不错；如果英语好，去美国的公司不难。