問題:求教各位對數據挖掘有一定了解的達人，如何從“零”開始學習數據挖掘？需要掌握哪些基本的技能？（比如是不是一定要會用R進行簡單編程、掌握哪些基本的數學知識等）
喜歡數學，本科有最基本的數學基礎（數學分析、線代、概率論與統計、數論…），本身對數據挖掘很有興趣，如果掌握了，對現在的工作也會很有幫助，所以下決心來從頭學起。
誠摯感謝！
回答:基礎篇：
1. 讀書《Introduction to Data Mining》，這本書很淺顯易懂，沒有複雜高深的公式，很合適入門的人。另外可以用這本書做參考《Data Mining : Concepts and Techniques》。第二本比較厚，也多了一些數據倉庫方面的知識。如果對算法比較喜歡，可以再閱讀《Introduction to Machine Learning》。
2. 實現經典算法。有幾個部分：
a. 關聯規則挖掘 (Apriori, FPTree, etc.)
b. 分類 (C4.5, KNN, Logistic Regression, SVM, etc.)
c. 聚類 (Kmeans, DBScan, Spectral Clustering, etc.)
d. 降維 (PCA, LDA, etc.)
e. 推薦系統 (基於內容的推薦，協同過濾，如矩陣分解等)
然後在公開數據集上測試，看實現的效果。可以在下面的網站找到大量的公開數據集：http://archive.ics.uci.edu/ml/
3. 熟悉幾個開源的工具: Weka (用於上手); LibSVM, scikit-learn, Shogun
4. 到 https://www.kaggle.com/ 上參加幾個101的比賽，學會如何將一個問題抽象成模型，並從原始數據中構建有效的特徵 (Feature Engineering).
到這一步的話基本幾個國內的大公司都會給你面試的機會。
進階篇：
1. 讀書，下面幾部都是大部頭，但學完進步非常大。
a.《Pattern Recognition and Machine Learning》
b.《The Elements of Statistical Learning》
c.《Machine Learning: A Probabilistic Perspective》
第一本比較偏Bayesian；第二本比較偏Frequentist；第三本在兩者之間，但我覺得跟第一本差不多，不過加了不少新內容。當然除了這幾本大而全的，還有很多介紹不同領域的書，例如《Boosting Foundations and Algorithms》，《Probabilistic Graphical Models Principles and Techniques》；以及理論一些的《Foundations of Machine Learning》，《Optimization for Machine Learning》等等。這些書的課後習題也非常有用，做了纔會在自己寫Paper的時候推公式。
2. 讀論文。包括幾個相關會議：KDD，ICML，NIPS，IJCAI，AAAI，WWW，SIGIR，ICDM；以及幾個相關的期刊：TKDD，TKDE，JMLR，PAMI等。跟蹤新技術跟新的熱點問題。當然，如果做相關research，這一步是必須的。例如我們組的風格就是上半年讀Paper，暑假找問題，秋天做實驗，春節左右寫/投論文。
3. 跟蹤熱點問題。例如最近幾年的Recommendation System，Social Network，Behavior Targeting等等，很多公司的業務都會涉及這些方面。以及一些熱點技術，例如現在很火的Deep Learning。
4. 學習大規模並行計算的技術，例如MapReduce、MPI，GPU Computing。基本每個大公司都會用到這些技術，因爲現實的數據量非常大，基本都是在計算集羣上實現的。
5. 參加實際的數據挖掘的競賽，例如KDDCUP，或 https://www.kaggle.com/ 上面的競賽。這個過程會訓練你如何在一個短的時間內解決一個實際的問題，並熟悉整個數據挖掘項目的全過程。
6. 參與一個開源項目，如上面提到的Shogun或scikit-learn還有Apache的Mahout，或爲一些流行算法提供更加有效快速的實現，例如實現一個Map/Reduce平臺下的SVM。這也是鍛鍊Coding的能力。
到這一步國內的大公司基本是想哪去哪，而且待遇也不差；如果英語好，去US那邊的公司難度也不大了。
回答2:
一，可以先找一些數據挖掘方面優秀教材來看，把一些基礎且重要的東西理解清楚。R/matlab/SAS之類是都是一些工具，雖然學會使用工具挺重要，但關鍵還是工具後面的思想。關於自學，不知lz是否看過下面的帖子。其中，我挺贊同帖子中pongba的‘只看好書’的看法。
http://www.guokr.com/question/132920/?bsh_bid=98365272
二，個人覺得非常重要的一點，儘量參與一些真實的實踐項目，從實際項目／問題出發學得更快，也學得更好！數據挖掘是個很寬泛的概念，涉及面很廣，不同應用領域的數據挖掘也不一樣。從一些項目作爲切入點，你可以瞭解到哪些知識是最欠缺的，哪些最需要學的，然後再逐漸擴充相關的知識。
三，估計學什麼都差不多，需要不斷堅持和積累吧。
回答3:
首先是要弄明白你想挖點什麼出來？如果你說不知道，抱歉，你可能還是在追科研的路。
實際的項目中：
首先就是要明確你希望挖的東西能產生什麼業務價值，而非用什麼挖掘算法，那是手段，可以在後面再關注；要能夠具體描繪你的挖掘目標、價值，以及挖掘成果的預期展現形式，說服力如何，等等；
其次，和相關的小夥伴討論，爲了挖出你想要的成果，需要利用到哪些數據？這些數據中，哪些是已經有的，哪些還得想辦法去收集？其中是否有些數據根本是不可能收集到的？這些收集不到的數據對於你想挖的成果會有什麼影響？如果是致命影響，直接導致你的挖掘成果缺乏說服力，那就此歇菜，另找其他方向吧。反之，則安排計劃和資源，把能收集到的數據儘快收集起來；
再次，根據收集到的數據的特點和收集過程的質量情況，清洗收集到的數據；
根據挖掘目標的情況和收集到的數據的特點，制定挖掘規劃，選擇合適的挖掘算法；
然後，就開始挖吧；
第一輪挖完，看看成果如何？有道理嗎？有說服力嗎？大多數情況，你會發現，哦，暈，忘了應該把這幾個因素考慮進去了，還應該加進去這幾方面的數據才能看出來。好，繼續轉向第2步，繼續收集數據、清洗、調算法/參數，挖出來後再評估，一般情況得這麼循環N個回合；
馬馬虎虎出來個差不多靠譜、勉強能自圓其說的初胚，這個成果看上去像那麼回事兒了。
總結一個說法（分析成果）出來，爲了你的說法，把數據再針對性地洗上幾遍，給出一個更加乾淨的分析成果，這個版本基本上有說服力了。
講究一點的，再畫個信息圖什麼的，圖文並茂，就可以初步交作業了；
在真實的項目中，還有一步，就是選取重要的評估視角和指標，根據具體的業務特點，把你的分析過程做成每週/每日/每小時都能給個角度固定的分析報告的服務。
再往前一步，如果你對這塊業務真的很熟的話，還可以針對不同類型的分析結果，能給出相應的建議應對措施（Action），這樣這此挖掘的業務價值就真正明確了。你做的活兒也沒有停留在“活兒”這個份兒上，而是決策支持這個級別上了。