web挖掘的意义
Web挖掘是数据挖掘在Web上的应用，它利用数据挖掘技术从与WWW相关的资源和行为中抽取感兴趣的、有用的模式和隐含信息，涉及Web技术、数据挖掘、计算机语言学、信息学等多个领域，是一项综合技术。Web内容挖掘。Web内容挖掘是指对Web页面内容及后台交易数据库进行挖掘，从Web文档内容及其描述中的内容信息中获取有用知识的过程。
数据挖掘，机器学习与深度学习中聚类、关联、决策跟分类是什么
大数据的挖掘常用的方法有分类、回归分析、聚类、关联规则、神经网络方法、Web 数据挖掘等。这些方法从不同的角度对数据进行挖掘。
所以总体可以认为深度学习跟机器学习都属于数据挖掘的方法。
(1)分类
分类是找出数据库中的一组数据对象的共同特点并按照分类模式将其划分为不同的类。
比如我们在电商商平台上的各类产品，肯定要按照产品属性进行分类，对应的数据挖掘的分类，就是利用属性去寻找有共同特点的数据对象，归到一个大集合。
(2)回归分析
回归分析反映了数据库中数据的属性值的特性，通过函数表达数据映射的关系来发现属性值之间的依赖关系。
比如，我们有了过去三年的销售数据，我们就可以抽象出影响销售的因素，对未来的销售数据做出预测。
(3)聚类。聚类类似于分类，但与分类的目的不同，是针对数据的相似性和差异性将一组数据分为几个类别。
（4）关联规则
关联规则是隐藏在数据项之间的关联或相互关系，即可以根据一个数据项的出现推导出其他数据项的出现。
我们最喜欢举得例子，就是爸爸去超市购物的例子，爸爸去超市买奶粉，如果在旁边放上爸爸喜欢的啤酒起子、酒精饮料，肯定能引导消费。
(5)神经网络方法。神经网络作为一种先进的人工智能技术，因其自身自行处理、
分布存储和高度容错等特性非常适合处理非线性的以及那些以模糊、不完整、不 严密的知识或数据为特征的处理问题，它的这一特点十分适合解决数据挖掘的问题。
目前的大数据处理，已经不是结构数据为天下，而是有大量文本、音频、视频、图像等非线性数据，所以基于神经网络的深度学习算法，目前已经蓬勃发展，不可阻挡的改变着一切。
(6)Web数据挖掘。Web数据挖掘是一项综合性技术，指Web 从文档结构和使用的集合C 中发现隐含的模式P，如果将C看做是输入，P 看做是输出，那么Web 挖掘过程就可以看做是从输入到输出的一个映射过程。
这个我个人的理解，更像是用户行为画像，目前基于HTML5的前端页面，已经有了充足的信息获取能力，比起之前的HTML静态页面，实在太强了。以前困惑我们的用户的分类问题、网站内容时效性问题，用户在页面停留时间问题，页面的链入与链出数问题等已经慢慢得到了解决。
数据挖掘，机器学习与深度学习其实都是属于人工智能下的机器学习范畴。机器学习算法按功能主要分为有监督学习算法、无监督学习（也叫聚类）算法、半监督算法和强化学习算法。顾名思义，有监督学习算法就是在训练模型的时候，每条样本都有明确的类标；无监督学习算法在训练的时候完全没有类标；半监督学习算法就是有一部分存在类标，另一部分样本没有类标；强化学习就是在训练的过程中，通过现实环境反馈机制对模型进行矫正的方式来达到训练的目的。而训练好的模型，遇到未知样本的时候，我们就可以对其结果进行预测，也就是题中所说的决策。关联其实是一类算法，比如说推荐算法中的关联分析
web技术在电子商务中的作用
一. 随着网络技术的发展和数据库技术的迅猛发展，有效推动了商务。电子商务就是利用计算机和网络技术以及远程通信技术，实现整个商务活动的电子化、数字化和网络化。使现代企业积累了大量的数据，这些数据不仅能给企业带来更多有用信息，为客户提供更多更优质的服务，成为电子商务成败的关键因素，这也对计算机web数据技术提出了新的要求，Web数据挖掘技术应运而生。它是一种能够从网上获取大量数据，并能有效地提取有用信息供企业决策者分析参考，以便科学合理制定和调整营销策略，为客户提供动态、个性化、高效率服务的全新技术。
二.Web数据挖掘技术在电子商务中的应用。
1.是寻找潜在客户。电子商务活动中，企业的销售商可以利用分类技术在Internet上找到潜在客户，通过挖掘Web日志记录等信息资源，对访问者进行分类，寻找访问客户共同的特征和规律，然后从已经存在的分类中找到潜在的客户。
2.是留住访问客户。电子商务企业通过商务网站可以充分挖掘客户浏览访问时留下的信息，了解客户的浏览行为，然后根据客户不同的爱好和要求，及时做出让访问客户满意的页面推荐和专属性产品，以此来不断提高网站访问的满意度，最大限度延长客户驻留的时间，实现留住老客户发掘新客户的目的。
大数据会常用到哪些算法知识
十大经典算法：
Apriori算法：https://www.toutiao.com/i6602129057633010184/
AdaBoost算法（附代码）：https://www.toutiao.com/i6602034223387771400/
C4.5算法（附代码）：https://www.toutiao.com/i6602461790884332045/
CART算法（附代码）：https://www.toutiao.com/i6602016174802731533/
PageRank算法：https://www.toutiao.com/i6602036596369785347/
SVM算法：https://www.toutiao.com/i6602460036063035911/
EM算法：https://www.toutiao.com/i6602049078824010247/
K-邻近算法/kNN（附代码）：https://www.toutiao.com/i6602033239240475140/
K-Means算法（附代码）：https://www.toutiao.com/i6602460997519147524/
朴素贝叶斯算法（附代码）：https://www.toutiao.com/i6602032352438780419/
目前大家想要学习大数据或者人工智能的东西，都是听过不少，但是又不知道如何下手，感觉是一个非常模糊、抽象难懂的东西。我常举一个例子：水果大家都听过，但是没见过，你肯定会反驳我，我见过啊：香蕉、苹果、橘子都是水果啊。对，今天今天我们就来聊聊，大数据，聊聊大数据里面的“香蕉”、“苹果”、“橘子”；
如何找到这些“水果”？
我建议最有效的就是去看大数据相关岗位的招聘要求，简单用近期一个朋友在朋友圈的招聘贴来找“水果”【有兴趣的，赶紧简历砸过去】：
看上图，解释下：
1、2、3这些基础知识就不说了，任何一个计算机相关的同学肯定都知道这些基础能力：计算机原理、数据结构、网络技术、信息论 等等。
下面重点讲讲如下核心的“苹果”：
一、机器学习和模式识别：常用的算法，主要有以下几个，工程中很多应用都是从这些基础算法改进整合来的，（想快速了解这些基础算法，推荐一本超薄的书：李航《统计学习方法》，可以用来overview，或者精读都可以）：
1、回归算法 2、神经网络 3、SVM（支持向量机） 4、聚类算法 5、降维算法
6、推荐算法
除了如上几种算法外，机器学习界还有其他的如高斯判别，朴素贝叶斯，决策树等等算法。但是上面列的六个算法是使用最多，影响最广，种类最全的典型。
下面做一个总结，按照训练的数据有无标签，可以将上面算法分为监督学习算法和无监督学习算法，但推荐算法较为特殊，既不属于监督学习，也不属于非监督学习，是单独的一类。
监督学习算法： 线性回归，逻辑回归，神经网络，SVM
无监督学习算法： 聚类算法，降维算法
特殊算法： 推荐算法
除了这些算法以外，有一些算法的名字在机器学习领域中也经常出现。但他们本身并不算是一个机器学习算法，而是为了解决某个子问题而诞生的。你可以理解他们为以上算法的子算法，用于大幅度提高训练过程。其中的代表有：梯度下降法，主要运用在线型回归，逻辑回归，神经网络，推荐算法中；牛顿法，主要运用在线型回归中；BP算法，主要运用在神经网络中；SMO算法，主要运用在SVM中
二、自然语言处理：一般来说，自然语言处理的目的是让机器能够执行人类所期望的某些语言功能自然语言处理是人工智能的终极发展目标,大概可以分为人类语言的处理(语言学)和机器语言的翻译。其大致流程是语音识别与合成---语音分析、词法分析、句法分析、语义分析、语用分析。算法可以参考：
http://www.360doc.com/content/17/0119/19/35472060_623543541.shtml
应用中常常会用到这个算法：
TF-IDF（词频-逆文档频率）算法是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。http://blog.csdn.net/lionel_fengj/article/details/53699903
三、知识图谱：这一块我没有认真深入了解过，算法的部分，感兴趣可以去检索下。
以上 ，千里之行始于足下，大数据算法也不例外，把基础扎实了，遇到工程问题，你自然会抽象出需要解决的问题，然后将其分解成基础的算法问题，你可以作出你自己的算法。
