在上一篇文章中我们给大家介绍了学习数据挖掘的第一条路线，第一条路线讲述的是如何学习机器学习的第一部分，主要是数据挖掘方面，懂得了这些我们才能够进行下一步的工作，那么学习数据挖掘的第二条路线是什么呢？我们在这篇文章中给大家介绍一下相关的知识。

首先给大家说一下数据挖掘的技术过程，数据挖掘的技术过程有很多，比如数据清理（消除噪音或不一致数据）、数据集成（多种数据源可以组合在一起）、数据选择（从数据库中提取与分析任务相关的数据）、数据变换（数据变换或统一成适合挖掘的形式；如，通过汇总或聚集操作）、数据挖掘（基本步骤，使用智能方法提取数据模式）、模式评估（根据某种兴趣度度量，识别提供知识的真正有趣的模式）、知识表示（使用可视化和知识表示技术，向用户提供挖掘的知识）。

然后给大家说一下数据挖掘的第二条路线，就是K-means，然后是EM，然后是朴素贝叶斯，然后是贝叶斯网络，然后是隐马尔科夫模型（基本模型，前向算法，维特比算法，前向-后向算法），然后是卡尔曼滤波。这条线路所涉及的基本都是那些各种画来画去的图模型，一个学术名词是 PGM。这条线的思路和第一条是截然不同的！贝叶斯网络、HMM（隐马尔科夫模型），K-means 和 EM 具有与生俱来的联系，认识到这一点才能说明你真正读懂了它们。而EM算法要在HMM的模型训练中用到，所以我们要先学EM才能深入学习HMM。所以尽管在EM中看不到那种画来画去的图模型，但还把它放在了这条线路中，这也就是原因所在。朴素贝叶斯里面的很多内容在，贝叶斯网络和HMM里都会用到，类似贝叶斯定理，先验和后验概率，边缘分布等等（主要是概念性的）。最后，卡尔曼滤波可以作为HMM的一直深入或者后续扩展。尽管很多有的书里没把它看做是一种机器学习算法（或许那些作者认为它应该是信号处理中的内容），但是它也确实可以被看成是一种机器学习技术。很多科学家也深刻地揭示了它与HMM之间的紧密联系。

关于数据挖掘的学习路线我们就给大家介绍到这里了，想必大家看了这篇文章以后已经知道了数据挖掘怎么学习了吧？大家在进行学习数据挖掘的时候还是要根据自己的进度进行学习，这样才能够得出一个极好的效果。