數據挖掘主要做什么?換而言之，數據挖掘主要解決什么問題呢?這些問題，可以歸結為數據挖掘的基本任務。

數據挖掘的基本任務包括分類與預測、聚類分析、關聯規則、奇異值檢測和智能推薦等。通過完成這些任務，發現數據的價值，指導商業抉擇，帶來商業新價值。

關于這些基本任務，簡單描述如下。實際上對每個基本任務，可以看做是數據挖掘所能解決問題的一種類型。對于每個任務，可以從其定義、方法、評價和應用四個方面來認識。

分類與預測，一種基于類標號的學習方式，這種類標號若是離散的，屬于分類問題;若是連續的，屬于預測問題，或者稱為回歸問題。從廣義上來說，不管是分類，還是回歸，都可以看做是一種預測，差異就是預測的結果是離散的還是連續的。

聚類分析，就是“物以類聚，人以群分”在原始數據集中的運用，其目的是把原始數據聚成幾類，從而使得類內相似度高，類間差異性大。

關聯規則，數據挖掘可以用來發現規則，關聯規則屬于一種非常重要的規則，即通過數據挖掘方法，發現事務數據背后所隱含的某一種或者多種關聯，從而利用這些關聯來指導商業決策和行為。

奇異值檢測，根據一定準則識別或者檢測出數據集中的異常值，所謂異常值就是和數據集中的絕大多數據表現不一致。

智能推薦，這是數據挖掘一個很活躍的研究和應用領域，在各大電商網站中都會有各種形式推薦，比方說同類用戶所購買的產品，與你所購買產品相關聯的產品等。

對于每一種基本任務，除了了解它們具體可以做什么，重要的是要學習每一個任務有哪些行之有效的方法。舉個例子來說，分類與預測，常用的方法有決策樹、神經網絡、最近鄰、樸素貝葉斯、支持向量機、隨機森林等，因而對于這些典型的方法具體原理是什么，怎么使用，各自有著什么樣的特點，都應該深入地理解，接下來就是針對特定數據挖掘問題，思考其屬于哪一種類型的任務，然后根據任務的具體特點，選擇合適的方法來處理，并且對基于各種方法所建立的數據挖掘模型，要進行客觀地評估，已選擇最佳模型。

對于每一個基本任務具體有哪些方法，我會在后續進行總結。在這里，僅是說說數據挖掘主要解決什么問題，至于對于這些問題具體怎么來解決，針對每一種類型，會在后續的文章中逐一說來。

最后，借用這一段話收尾“數據就是21世紀的原油，需要加工才能產生價值。我們用數據做什么?怎樣帶來價值?目前常見的大概有五個方向：預測，推薦，問題識別，個性化，以及參考。預測，尤其是近期預測，以Google Flu Trends為代表，結合歷史數據推斷近期是否會爆發流感。內容推薦，以Netflix為代表，他們當時為電影評分推薦引擎專門設置了一個獎項。問題識別，如城市堵車問題，有一家叫做Inrix的公司在37個國家提供實時交通信息。個性化，以LinkedIn的Economic Graph為代表。公共參考這一塊，我很欣賞的一個非盈利組織DataKind做得很不錯，他們在全球很多國家都提供數據點，涉及饑餓問題、氣候問題等。另外美國政府在數據這方面也有很大投入，他們聘請了DJ Patil作為首席數據科學家，也建立了data.gov網站公布很多政務信息。”