因为它是一个商业数据挖掘软件，包含了很多高端工具，比如自动化、作弊算法、建模、数据可视化等等。WEKA是一个非常复杂的数据挖掘工具。至于工具，比如有几个工具可以帮助我们从各个角度分析大数据。该工具基于java版本，支持各种标准的数据挖掘任务。
大数据采集平台有哪些？
谢邀，据我所知，大数据采集平台根据数据来源大致有这几种：1、系统日志采集平台。大部分企业都是有系统日志采集平台的，在企业的业务平台下，每天都会产生大量的日志数据。企业通过采集这些日志数据并对它清洗整理后进行数据分析，从而挖掘出这些日志数据中的潜在价值。2、网络数据采集平台。这种数据采集平台一般都是通过爬虫去采集的，在服务器上搭建一个对目标网站集进行爬取的爬虫，然后将每天爬取到的数据进行清洗整理，最终得到企业所需的数据。
大数据和数据挖掘的区别？
数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘流程：定义问题：清晰地定义出业务问题，确定数据挖掘的目的。数据准备：数据准备包括：选择数据–在大型数据库和数据仓库目标中 提取数据挖掘的目标数据集;数据预处理–进行数据再加工，包括检查数据的完整性及数据的一致性、去噪声，填补丢失的域，删除无效数据等。
数据挖掘：根据数据功能的类型和和数据的特点选择相应的算法，在净化和转换过的数据集上进行数据挖掘。结果分析：对数据挖掘的结果进行解释和评价，转换成为能够最终被用户理解的知识。数据挖掘的技术，可粗分为：统计方法、机器学习方法、神经网络方法和数据库方法。统计方法，可细分为：回归分析（多元回归、自回归等）、判别分析（贝叶斯判别、CBR、遗传算法、贝叶斯信念网络等。
有哪些好用的机器学习和数据挖掘工具？
机器学习和数据挖掘的工具有很多，首先需要确定自己选用的编程语言，比如说Python是一种通用语言，具有高质量的机器学习和数据分析库，非常适合快速原型设计；C 是用于CUDA并行计算的中级语言，可以开发在实时约束下直接与硬件交互的驱动程序和软件，应用很广泛；还有R语言，适合统计计算和图形，是统计，可视化和数据分析的语言和环境，可以实现快速数据分析和可视化等等。
用于数据分析和可视化工具的有pandas，用于增强分析和建模的Python数据分析库；matplotlib，用于高质量可视化的Python机器学习库；jupyter notebook，用于交互式计算的免费Web应用程序，可实时创建代码和共享文档，开发和执行代码；还有Tableau，用于数据科学和商业智能的数据可视化工具。
还有一些机器学习库，比如Numpy，使用Python进行科学计算的扩展包；scikit-learn，一个开源的Python机器学习库，集成了很多机器学习算法等等。一些机器学习/深度学习框架工具，包括Tensorflow、Caffe、Pytorch、Keras、CNTK、MXNET、Theano在内的十几种深度学习框架，最常用的、用的最多的是Tensorflow和Caffe。
数据挖掘过程中你使用最多的工具是什么？
当然是Python了，之所以Python能在机器学习方面笑傲江湖，全靠他哥俩，numpy和pandas，因为有了他俩，Python处理数组和矩阵才成为现实。在数据挖掘过程中，数据探索和数据处理方面，主要是pandas，提供了类似行列式DataFrame的数据结构，在读取外部数据，变换数据，处理空置和异常数据方面有极其强大的作用，而且使用起来非常简单。
是我日常分析数据，处理数据常用的工具。matplotlib库是Python数据图库，提供了强大的图表功能，在在平面和三维立体图方面非常便捷，是数据可视化的机器。当然，还有机器学习库scikit-learn，里面包含了绝大部分算法，分类，回归，降维，还提供了强大的模型优化类和模型评估类，也有专门用作文本分析的算法和特征提取，特征选择等。
大数据、数据分析和数据挖掘的区别是什么？
