数据挖掘领域的十大挑战问题

 数据挖掘（Data Mining，DM）又称数据库中的知识发现（Knowledge Discover in Database，KDD），是目前人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据， 做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。

    知识发现过程由以下三个阶段组成：（1）数据准备，（2）数据挖掘，（3）结果表达和解释。

    数据挖掘是 通过分析每个数据，从大量数据中寻找其规律的技术，主要有数据准备、规律寻找和规律表示3个步骤。数据准备是从相关的数据源中选取所需的数据并整合成用于 数据挖掘的数据集；规律寻找是用某种方法将数据集所含的规律找出来；规律表示是尽可能以用户可理解的方式（如可视化）将找出的规律表示出来。

数据挖掘领域10大挑战性问题：

1.Developing a Unifying Theory of Data Mining  （ 数据挖掘的统一理论框架的构建）

2.Scaling Up for High Dimensional Data/High Speed Streams  （高维数据和高速数据流的挖掘）

3.Mining Sequence Data and Time Series Data   （序列和时序数据的挖掘）

4.Mining Complex Knowledge from Complex Data  （复杂数据中复杂知识的挖掘）

5.Data Mining in a Network Setting   （网络环境中的数据挖掘）

6.Distributed Data Mining and Mining Multi-agent Data  （分布式数据和多代理数据的挖掘)

7.Data Mining for Biological and Environmental Problems   （生物和环境数据的挖掘)

8.Data-Mining-Process Related Problems  （ 数据挖掘过程中的相关问题处理)

9.Security, Privacy and Data Integrity   （数据挖掘中数据安全、数据所涉及到的隐私和数据完整性的维护)

10.Dealing with Non-static, Unbalanced and Cost-sensitive Data （非静态、非平衡及成本敏感数据的挖掘)