数据挖掘入门系列教程（结束）
从无到有，陆陆续续一个数据挖掘入门系列的教程就写了18篇博客了，这个是我没有想到的，本来以为可能写10篇博客就结束了，但是写着写着写着写着就写了这么多：
- 数据挖掘入门系列教程（一）之亲和性分析
- 数据挖掘入门系列教程（二）之分类问题OneR算法
- 数据挖掘入门系列教程（三）之scikit-learn框架基本使用（以K近邻算法为例）
- 数据挖掘入门系列教程（四）之基于scikit-lean实现决策树
- 数据挖掘入门系列教程（五）之Apriori算法Python实现
- 数据挖掘入门系列教程（六）之数据集特征选择
- 数据挖掘入门系列教程（七）之朴素贝叶斯进行文本分类
- 数据挖掘入门系列教程（八）之使用神经网络（基于pybrain）识别数字手写集MNIST
- 数据挖掘入门系列教程（九）之基于sklearn的SVM使用
- 数据挖掘入门系列教程（十）之k-means算法
- 数据挖掘入门系列教程（十一）之keras入门使用以及构建DNN网络识别MNIST
- 数据挖掘入门系列教程（十二）之使用keras构建CNN网络识别CIFAR10
总的来说，这个系列的博客写的不是很满意，因为不知为何自己就把侧重点放到到机器学习上面去了，使得这个系列的博客越来越像机器学习的入门博客┑(￣Д ￣)┍，对数据具体如何处理反而没有做什么介绍。但是，这个也不能怪我，实在是《Python数据挖掘入门与实践》 这本书到后面就开始介绍神经网络了，然后呢我又对其进行了补充（补充了CNN的内容以及介绍）。同时书中的“图”和“mapreduce”的内容没有做介绍！！！emm，我嫌麻烦就懒得弄了。
是新手的我，刚开始以为数据挖掘和机器学习很难，但是机缘巧合的接触到了《Python数据挖掘入门与实践》这本书，在书中，刚开始以一个很简单的算法：数据挖掘入门系列教程（一）之亲和性分析 让我顿时觉得，哇！怎么这么简单。尽管这本书很老了，但是却让我以一种无脑的方式开始了我的学习之旅。但是到后面就有一点坑（比如说使用SVM，但是却不告诉我SVM是什么🤮）。
尽管这个教程目前来说我不是很满意，但是同时系列也不会再进行更新（纠错除外）。想了想，尽管这个教程作为一个数据挖掘的教程明显是不合格的，但是对于入门教程来说，自我感觉还是🆗的，因为对于入门的我们来说，并不需要去深入去了解数据挖掘及其算法，它只需要告诉我们：
而只有当我们提起兴趣之后，我们才能够更好的进行学习。因此看完这教程的时候，就更应该继续看书了，更加深入的去了解数据挖掘。
长路漫漫唯键盘作伴，数据挖掘没有这么简单，但是当我们对其产生兴趣的时候，也许它也就变得简单了。我们寻找一个个数据背后所蕴含的规律，跟随前人的步伐甚至突破，最后得到满意的结果时，看着自己掉落的头发，emm好像也值得了？？
项目地址：Github
Talk is cheap, show me the code.
如果有任何问题，欢迎私信或mail。
