数据挖掘的复习提纲资源，内容真挺全，属于那种看一遍就能捋顺知识结构的。概念部分讲得清楚，像数据挖掘和知识发现的区别这类容易混淆的点，解释得挺接地气，不会一堆术语砸脸。后面的算法部分，比如ID3、Apriori，还有聚类的几个模型，也都讲得蛮细，像老司机带你过一遍重点。

自动找规律的数据挖掘，其实就是机器帮你琢磨数据里的门道。搞清楚它和知识发现的区别重要，别以为是一个东西。前者偏自动化，后者更像让人读得懂的知识输出。

假设检验部分别跳过，零假设、备择假设这对老搭档总是考。像t 检验、Mann-Whitney U 检验，对比组间差异常用，做业务也离不开它。

ID3 决策树算是入门算法里比较好理解的，信息熵、信息增益这些概念你一旦理解了，搭建一棵树其实不难。别忘了它还有升级版C5.0，复杂场景更靠谱。

挖关联规则就得靠Apriori，虽然是老牌算法，但还挺好用。理解它的频繁项集生成和剪枝逻辑，之后遇到多层次的关联问题就不会慌。

分类模型里头，CART和CHAID也实用，一个搞回归，一个分层次，选择的时候根据数据结构来就行。多个模型组合对比，效果说不定会更好。

讲到聚类，K-Means比较简单直觉，Two-Step适合大数据集，Kohonen 网络更像是神经网络的应用，稍微进阶一点。三种方法覆盖面挺广，各有优势。

Clementine工具也别忽略，功能全、交互也顺手，建模效率高，像Apriori、BP 神经网络这些它都支持，做项目时省事。

如果你正在准备数据挖掘的考试，或者要在项目中用这些算法，强烈建议把这份提纲过一遍，尤其是常见算法的使用场景和参数设置，熟了之后就不会慌。