中科院計算數學方向的“機器學習與資料探勘、計算電磁學”好不好？

中科院——計算數學——應該不錯，但關鍵不是看他好不好，而是看你喜不喜歡，學生選擇專業可能會影響他的人生（這是真的），到了該工作的時候不要後悔，那就來不及了。

山東科技大學成立了機械人研究中心，主要研究特種機械人、智慧型機械人、以隨機控制理論為重點的控制理論。 該中心是山東省重點學科“控制理論與控制工程”和“山東省機械人工程技術研究中心”和863計畫“機械人產業化基地”配套基地，由多年從事機械人、光學機電一體化技術、智慧型技術與系統、複雜計算機控制系統、隨機非線性控制理論等研發的教師組成， 在科研和教學實踐中形成。現已成為“控制理論與控制工程”和“機電工程”兩個博士點的培養基地之一。

上海理工大學偏向於數控，主要是數控的運維。

科技學院附屬的醫學院比較偏向於醫療機械和醫療器械，數控只是為了學習一些理論知識。

第二理工大學和華東理工大學也偏向於數控的運維。

同濟大學也有，偏向於汽車。 不過，我個人認為同濟大學還是建築學專業的強項。

去年這個時候我也在為這個問題而苦苦掙扎，我也是一所想以資料探勘為研究方向的研究生院的大學。 南洋理工大學的周志華非常厲害，他們實驗室在資料探勘方面的研究在國內一直得到認可，而且非常低調。

我認為這是第乙個建議。 中國似乎沒有資料探勘國家重點實驗室，但教育部有兩個重點實驗室，即吉林大學和中國人民大學。 如果你想去北京的大學，推薦的是中國科學院（自動化與計算研究所）、清華大學、北京大學、中國人民大學。

北航和北郵電的計算機不是基於資料探勘的，呵呵。

華中科技大學，還是出國比較好，呵呵。

機器學習實踐：本書第一部分主要介紹機器學習的基礎知識以及如何使用演算法進行分類，並介紹了多種經典的監督學習演算法，如k最近鄰演算法、樸素貝葉斯演算法、邏輯回歸演算法、支援向量機、adaboost整合方法、基於樹的回歸演算法和分類回歸樹（CART）演算法。 第三部分重點介紹無監督學習及其一些主要演算法：

K-means聚類演算法，APRIORI演算法，FP-growth演算法。 第四部分介紹了機器學習演算法的一些輔助工具。

資料探勘 - 實用機器學習技術：本書介紹了資料探勘的基本理論和實用方法。 主要內容包括：

模型（決策樹、關聯規則、線性模型、聚類、貝葉斯網路和神經網路）及其在實踐中的應用，分析任何剩餘缺陷。 它是一種有用且流行的工具，用於安全地清理資料集、構建和評估模型的質量，並為公共資料探勘平台系統提供圖形使用者介面，用於資料探勘任務，有助於理解模型。

資料探勘：概念和技術：本書全面概述了資料探勘領域的重要知識和技術創新。

在第一版相當全面的內容的基礎上，第二版展示了該領域的最新研究成果，如挖掘流、時空和序列資料，以及挖掘時空、多**、文字和網路資料。 本書是資料探勘和知識發現領域的教師、研究人員和開發人員的必讀之作。

資料探勘很好，在國外很流行，應用也很多，所以是乙個非常有前途的行業。 在中國，它處於起步階段，學習這個方向的人基本上都是出來做資料處理、資料分析的，或者有的乾脆成為軟體開發人員。

如果您正在尋找資料探勘方面的工作，位置也很重要。 中國發展較好的城市是北京和上海，廣東也有幾個。 一般來說，只有較大的企業才有資料探勘工程師的職位，其他企業如果需要，會外包給專門的資料探勘公司。

可以使用資料探勘的行業是大型**、銀行和醫院。 對於**來說，一般是要學習網路挖礦，這是相當有前途的，大**公司也會招聘這個崗位。 資料探勘在銀行也被廣泛使用，但一般都是外包給專業公司，還有乙個方向叫商業智慧型，簡稱BI，我覺得挺有前途的。

這應該是乙個未來在資料探勘方面會非常火爆的行業。

關於資料探勘的發展方向，我們推薦CDA資料分析師的相關課程，其中兼顧了解決資料探勘過程問題的橫向能力和解決資料探勘演算法問題的縱向能力。 要求學生要有從資料治理的根本原因入手的思維，通過數位化工作方式探索業務問題，通過近因分析和巨集觀根本原因分析來選擇業務流程優化工具或演算法工具，而不是“遇到問題調整演算法包”點選預約免費試聽課。

資料探勘很好，在國外很流行，應用很多，在中國也很好，相信未來很有前途。

人工智慧與認知科學、演算法與程式論、計算複雜性與計算理論，如果你想獲得博士學位，可以考慮更片面的理論。

機器學習與應用，人工智慧與認知科學AI範圍。

很容易找到與網路相關的工作。

軟體工程，取決於你是否喜歡程式設計，很容易找到工作。

建議根據自己的興趣愛好來選擇，需要權衡一下，理論上聽起來很棒，比如AI，就業人數少，更適合研究。

這聽起來並不好，但對就業有好處。

06 資料探勘和資料倉儲。

08 網路協議和分布式軟體。

11 人工智慧與認知科學。

21 機器學習和應用。

23 資料科學與大資料。

我從事的是資料探勘，從我個人的角度來看，我覺得以上相關方向應該不錯。

說實話，現在的時代確實走得太快了！ 有時感覺自己根本跟不上節奏，更不用說控制和控制了; 特別是在網際網絡方向上，各種新技術不斷湧現。

對於資料探勘的方向，近年來突然流行起來。 結果是正常的，一方面，這個方向本身的快速發展，給了我們很多機會; 但另一方面，社會上各種相關甚至無關的人才紛至沓來，人人都想做（逐利是人之本）！

結果呢？ 這也是大家的看法，因為任何時候，對於任何事情，總會有人唱得好，有人唱得不好，其實沒人一定是對的; 只能說，大多數時候，那一大群和大趨勢對的概率要大得多。 因此，建議你不要部分相信和傾聽，但仍然有自己的批判性思維。

在我個人看來，按照目前的發展情況，資料探勘遲早會讓人才飽和，導致知識紅利下降，最終達到類似於現在Android開發的局面（Android開發以前火爆，大家蜂擁而至，現在慢慢飽和，大家都會回歸理性， 對吧？）

目前，在我看來，首先，雖然看似想學資料的人很多，但實際上能堅持下去，真正學好的人並不多（一年來在高校培養這個專業的人並不多，大部分還在自己探索和學習）。

其次，資料探勘並不像很多人的感官那麼神聖，它還有很多不足和不足，從這個方面來看，我認為資料探勘還剛剛過了短暫的嬰兒期，它正在走向年輕人的路上，但毫無疑問，這需要乙個過程。 為什麼這麼說呢，因為資料科學現在需要從演算法建模到實際應用的進一步發展，尤其是在實際應用中，未來資料科學一定會進一步落地，真正與各行各業相結合，帶動各行各業的發展。 你能在博士期間做到這一切嗎？

反正我不相信！

所以，我個人的建議是，總體來說，你不用擔心這個行業馬上就沒油了，充分發揮自己的優勢，打下堅實的理論基礎，再把應用和具體業務結合起來，你的競爭力絕對高！

資料探勘和機器學習之間的區別。

運籌學和資料探勘沒有直接關係，你選擇統計學比運籌學更好。

自動部分模式識別，如CV等。

在計算機方面，有更多的機器學習和資料探勘應用，這與對自動化的關注不同。

由你來做你想做的事。 如果是模式識別，那就自動化，如果你對資料探勘感興趣，尤其是相關應用，那就去電腦。

了解哪款挖掘機強，去山東找蘭翔...

什麼。

DAO、深度學習、資料探勘等熱門內門詞是什麼關係？

人工智慧 （AI） 是一門融合了電腦科學、生理學和哲學的跨學科學科。 在何處使用機器生成。

人類的認知、識別、分析、決策等功能都可以考慮使用人工智慧技術。

撇開複雜的概念和冷冰冰的定義，我們可以在一張圖片中理解人工智慧相關領域的錯綜複雜的關係。

從圖中可以看出，人工智慧、機器學習和深度學習並不是逐層關係，最近神經網路的流行只是與人工智慧的交叉點，而不是人工智慧的實現或子集。

所以，它們的關係是，這些學科的一些知識與人工智慧是交叉的，你不一定要掌握所有的知識，但你必須理解它們。

如何學習人工智慧

人工智慧涉及的學科範圍太廣，但一切都是一樣的，任何技術都需要打下堅實的基礎，我的建議是數學、概率論、統計學、線性代數，這些在大學裡學習的基礎學科一定要學會，不僅會，還要懂得運用和思考。

如果你是還沒有開始的初學者，推薦你讀一讀《人工智慧基礎（高中版）》，它不涉及大量的演算法，而是講了一些基本原理，其中也涉及到一些數學知識，是我們公司每個人都需要閱讀的一本書，可以讓普通人對人工智慧相關的知識大致了解。

從設定的角度來看，人工智慧包括機器學習......

資料探勘在機器學習中使用了很多東西，但兩者不是一回事，甚至概念不同，前者偏向於應用，但應用中的許多理論和方法都比機器學習更多。

至於統計學，它是一種研究方法和手段，但在以上三者中，它是數學基礎之一。

數學的基礎是線性代數和統計學、微積分、泛函分析、泛函分析以及拓撲學和圖論。

資料探勘權是指從海量資料中獲取隱含的、具有潛在價值的資訊的過程，是近年來電腦科學領域的熱門研究內容。 作為乙個大命題，為了方便討論，這裡就來討論一下我目前所從事的遊戲行業領域的資料探勘方法。

資料探勘方法在遊戲行業的最初應用往往是人工智慧在遊戲中的發展。 例如，遊戲中的電腦對手，戰鬥遊戲中的天梯系統，以及遊戲開發過程中的自動關卡生成器。 這些功能對應於資料探勘方法、機器學習、模式識別、自然語言理解、自動定理證明、自動程式設計、機械人、遊戲、人工神經網路等方面的專家系統。

有未來喔，複製好友突襲！ 資料探勘是乙個新的重要研究領域。 資料探勘的任務主要是關聯分析、聚類分析、分類、時間序列模式和偏差分析。

每年都有新的資料探勘方法和模型被開發出來，人們正在越來越廣泛和深入地研究它們。

說白了，首先最重要的基礎就是積極思考，哈哈，智商高，這個學習起來比較容易。

我複習了概率、統計和微積分，並制定了樹和圖形的演算法

另外，你要學習程式設計，你要懂一點演算法，而且你必須有資料庫這樣的基礎！ 功能也不會差。

僅此而已，或者說，個人思維很重要。 如果基礎差，可以在學習上彌補！