有提醒。退回来的稿件会直接退到您的邮箱里。建议您围绕计算机科学、数据科学、情报科学以及数字科研、数字教育和数字文化等领域进行投稿。
我也想知道野谢谢楼主罗
数据分析与知识发现是核心期刊，他原名是《现代图书情报技术》，后面改名叫《数据分析与知识发现》了，但是很多其他的网站还没来得及修改
1）首先，数据挖掘－Data Mining不是一个，而是一种还处于发展中，已经投入部分投入实际生产实践的技术框架。DM之所以经常和知识发现概念相关联是因为知识发现（Knowledge Discovery）是DM的目标和产出（output）。随着信息化应用的普及，传统的交易性数据（Transaction），比如：你在超市购物，产生了一笔交易，这笔交易会在现有的数据库系统中存储下来，随着时间的累计，这种数据变得海量。面对这些海量数据，这其中是否存在一些可以更好帮助决策的东西。比如：什么产品的搭配拜访可能会提高销量，我超市的用户可能都是出于什么消费水平？。注意：我这里用到“可能”字眼，意味着决策需要用到历史数据的支持来降低未来决策的风险（提高可能性）。而实际上，比如：沃尔玛和一些大型金融机构使用数据挖掘的产品和工具都超过了二十年，而且产生了期望的效应，而国内电信、金融行业从2005年以后逐渐加大了相关的投入。因此，如果DM是一个，那被忽悠的都是全球最顶尖的公司和最顶尖的IT管理人员。2）数据（Data）-信息（information）-知识（Knowledge）是一个递进的关系。数据的电子化产生了信息，比如：我们可以通过SQL语句检索到我们要的信息，但是我们无法用简单的SQL语句找到我们需要的知识，比如：我想知道某种型号面包的销售是否存在季节性因素和扰动，这就需要专门的统计分析工具和算法，而在某些命题常规统计学方法不能奏效的时候，就可能需要用到一些更复杂的工具和算法，比如：随机过程，神经网络等。3）数据挖掘的步骤一般可以分为：数据提取（ETL）－数据仓库－数据挖掘工具－知识发现。当然这些挖掘的结果很多时候是令人无法接受，或者不能理解的，但是DM提供的是基于某种算法下的或然性（可能性），还需要与具体的业务逻辑相结合，因此数据挖掘应用效果的核心不是工具和平台的先进，而是对现有企业的业务知识和市场战略把握、决策方法等相关联的事情。此类项目失败的风险远远高于普通IT项目的最大原因在于历史数据的不完整（早期系统设计上的缺陷等），实施队伍的不专业，业务知识梳理能力低下。其中最核心的可能在于实施此类项目对于人员的要求较高，而很多企业的IT部门，以及承当项目的公司显然不具备这样的团队。
楼主可以百度“新手投稿的36个问题”（应该是叫这个名字吧），基本上都可以回答。另外也要看每一个约稿的具体要求，每个编辑都有自己不同的习惯，如果在约稿函上注明了，就直接按他的要求发，省编辑的时间就是给自己机会。 天使领域论坛有一些新人写手的扫盲帖，不过注册略麻烦，楼主有时间可以去抢抢邀请码逛逛。约稿就不粘了，编辑和约稿都会经常更新的，常去写手论坛看才会有最新约稿，百度里很多约稿都作古很久了……
有提醒。退回来的稿件会直接退到您的邮箱里。建议您围绕计算机科学、数据科学、情报科学以及数字科研、数字教育和数字文化等领域进行投稿。
1、中国图书馆学报2、图书情报工作3、情报学报4、大学图书馆学报5、图书馆杂志6、图书馆论坛7、图书馆8、情报科学9、图书馆建设10、现代图书情报技术11、图书情报知识12、情报资料工作13、情报理论与实践14、情报杂志15、图书馆工作与研究16、图书馆理论与实践17、图书馆学研究18、图书与情报19、国家图书馆学刊
审稿意见不一致，导致的
1、计算机编程能力的要求作为数据分析很多情况下需要用到成型的分析工具，比如EXCEL、SPSS，或者SAS、R。一个完全不懂编程，不会敲代码的人完全可以是一名能好的数据分析师，因为一般情况下OFFICE包含的几个工具已经可以满足大多数数据分析的要求了。而数据挖掘则需要有编程基础。为什么这样说呢?举两个理由：第一个，目前的数据挖掘方面及相关的研究生方面绝大多数是隶属于计算机系;第二点，在招聘岗位上，国内比较大的公司挂的岗位名称大多数为“数据挖掘工程师”。从这两点就可以明确看出数据挖掘跟计算机跟编程有很大的联系。2、在对行业的理解的能力要想成为一名优秀的数据分析师，对于所从事的行业有比较深的了解和理解是必须要具备的，并且能够将数据与自身的业务紧密结合起来。简单举个例子来说，给你一份业务经营报表，你就能在脑海中勾画出目前经营状况图，能够看出哪里出现了问题。但是，从事数据挖掘不一定要求对行业有这么高的要求。3、专业知识面的要求数据分析师出对行业要了解外，还要懂得一些统计学、营销、经济、心理学、社会学等方面的知识，当然能了解数据挖掘的一些知识会更好。数据挖掘工程师则要求要比较熟悉数据库技术、熟悉数据挖掘的各种算法，能够根据业务需求建立数据模型并将模型应用于实际，甚至需要对已有的模型和算法进行优化或者开发新的算法模型。想要成为优秀的数据挖掘工程师，良好的数学、统计学、数据库、编程能力是必不可少的。关于数据挖掘与数据分析有哪些区别，环球青藤小编就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。
有提醒。退回来的稿件会直接退到您的邮箱里。建议您围绕计算机科学、数据科学、情报科学以及数字科研、数字教育和数字文化等领域进行投稿。