学习数据挖掘需要那些基础知识？
能否给出一个阶梯式的基础知识层级。 比如
数据挖掘- 需要学（算法，数据结构，MATLAB .... ） 其中学数据结构需要有什么知识？ 比如线性代数微积分概率论是否需要学的很好？
我现复习大学数学，基本都忘光了，甚至练高中的椭圆公式什么的都忘差不多了，还有什么性质就更别提了，对于解析几何只知道XY坐标，几种图形在脑子里。 对于微积分，只知道是求和以及拆分的意思。 对于概率脑子里只有点方差期望骰子排列组合条件概率，线性代数是0. 知道向量是个有方向有大小的量。
我打算一门一门重新学一遍， 大学数学我如果捡了起来了以后，哪些数据挖掘专业的课程是可以直接学的？
入门推荐你看《机器学习实战》，不需要你跑去学习算法和数据结构，不需要解析几何的知识，但是数理统计的基础你必须要有，期望、方差、常用的几种概率分布，尤其注意一下条件概率，因为朴素贝叶斯模型你一定要懂，线性代数至少你要明白矩阵乘法、行列式计算，再就是微积分知识，不然你看不懂所有基于梯度下降法的文献，行业内用的比较多的是c++，java和python，推荐你用python，很多模型不需要你造轮子，python有相关的第三方模块，很方便。
数据挖掘涉及的内容比较泛，机器学习、数据挖掘、人工智能，但实际上这些知识大多是相通的，机器学习实战这本书是我看的启蒙书里很好的一本了，该有的都有，难度较小，有理论有实践，可以较快的对各种知识有个大概的了解，但是想要长期在这个行业发展，还需要学习更多的知识，比如说提到回归模型，你不仅仅要知道最小二乘法，你还要想到怎么进行数据清洗、哪些数据需要清洗，怎么规范数据，数据是否过多，要不要进行归约和降维，采用哪种回归模型，精确度大致要达到什么水平，要不要考虑过拟合和欠拟合，要不要进行交叉验证，几折交叉验证效果好，如果回归模型不适用，有哪些备选方案。比如说决策树模型，书上简单的讲了个if-then就完了，按照什么规则生成树，怎么分层，要不要剪枝，最终的效果怎么样，造成误差的原因是模型太复杂还是太简单，怎么综合其他模型对决策树进行改进，数据的聚类方法用k均值还是DBSCAN，需要对数据进行分类的时候要考虑数据量大不大，SVM还是神经网络，数据量计算机吃不吃得消，一次吃不消该怎么做，等你对这些有了大致的了解之后，好好看看《统计学习方法》这本书，深入地了解一下理论部分，看一看核心部分的数学模型，看一看如何算法实现，着重理解一下拉格朗日微分法和拉格朗日对偶，解决等式约束和不等式约束很有用，这个也是使用智能算法尝试解决NP完全问题的一个结合点。
除了看书以外，其他时间全部用在学习编程上，python常用的numpy、matplotlib、scipy、sklearn、nltk这些包你都要大致了解怎么用，推荐你看看图灵程序设计丛书里的《python学习手册》《python自然语言处理》《python科学计算》，至少要知道怎么定义类、方法、属性，常用模块里有哪些好用的方法，常见的异常怎么排除，其他的在有时间的时候随用随学，至于算法和数据结构，有时间的话看看《算法导论》，肯定有所收获。
至于说书单就上豆瓣搜一搜，评分高的一般都比较靠谱，英文版的也比较靠谱
数据挖掘涉及的内容比较泛，机器学习、数据挖掘、人工智能，这些知识大多是相通的。编程语言主要是C语言、C++和Java，。我首先这里可以学习C语言圣经《C程序设计语言》以及《C++ Primer》，数据结构和算法推荐《数据结构与算法分析(C语言描述)》。最好有机器学习，涉及到数据挖掘，自然语言处理和深度学习。数据挖掘主要是搜索排序，反作弊，个性化推荐，信用评价等；需要理解数据库原理，能够熟练操作至少一种数据库（Mysql、SQL、DB2、Oracle等），明白MapReduce的原理操作以及熟练使用Hadoop系列工具。
如果想提升关于数据挖掘方面的能力，这里推荐CDA数据分析师的相关课程，教你学企业需要的敏捷算法建模能力，可以学到前沿且实用的技术，挖掘数据的魅力;课程中安排了Sklearn/LightGBM、Tensorflow/PyTorch、Transformer等工具的应用实现，并根据输出的结果分析业务需求，为进行合理、有效的策略优化提供数据支撑点击预约免费试听课。