数据挖掘与机器学习-2022秋季

胡良剑

目录

  • 1 概述
    • 1.1 课程简介
    • 1.2 内容概述
  • 2 线性回归方法
    • 2.1 多元线性回归
    • 2.2 压缩方法：岭回归与Lasso
    • 2.3 Lasso模型的求解与理论性质
    • 2.4 损失函数加罚的建模框架
    • 2.5 上机实践
  • 3 线性分类方法
    • 3.1 分类问题综述与评价准则
    • 3.2 Logistic回归
    • 3.3 线性判别
    • 3.4 上机实践
  • 4 模型评价与选择
    • 4.1 基本概念
    • 4.2 理论方法
    • 4.3 数据重利用方法
    • 4.4 上机实践
  • 5 决策树与组合方法
    • 5.1 决策树
      • 5.1.1 决策树概念
      • 5.1.2 决策树算法
    • 5.2 Bagging
    • 5.3 Boosting
      • 5.3.1 Adaboost
      • 5.3.2 梯度提升
    • 5.4 随机森林
    • 5.5 上机实践
  • 6 神经网络与深度学习
    • 6.1 神经网络
      • 6.1.1 基本概念
      • 6.1.2 感知机和BP算法
      • 6.1.3 一个例子
    • 6.2 深度信念网
      • 6.2.1 受限Boltzimann机
      • 6.2.2 深度信念网
    • 6.3 卷积神经网络
      • 6.3.1 滤波器与卷积核
      • 6.3.2 CNN结构
      • 6.3.3 CNN训练
    • 6.4 上机实践
  • 7 支持向量机
    • 7.1 线性可分SVM
    • 7.2 软间隔SVM
      • 7.2.1 原始问题
      • 7.2.2 对偶问题及其求解
    • 7.3 一些拓展
      • 7.3.1 核函数
      • 7.3.2 SVR
    • 7.4 上机实践
  • 8 聚类分析
    • 8.1 基于距离的聚类
      • 8.1.1 距离的概念
      • 8.1.2 层次聚类
      • 8.1.3 K-means聚类
    • 8.2 基于模型和密度的聚类
      • 8.2.1 高斯混合模型GMM
      • 8.2.2 密度DBSCAN聚类
      • 8.2.3 点排序OPTICS
    • 8.3 稀疏聚类
      • 8.3.1 聚类性能指标
      • 8.3.2 特征选择
      • 8.3.3 谱聚类
    • 8.4 双向聚类
    • 8.5 上机实践
  • 9 推荐系统
    • 9.1 基于邻居的推荐
      • 9.1.1 PageRank和TF-IDF
      • 9.1.2 关联规则Apriori
      • 9.1.3 基于邻居的预测评分
      • 9.1.4 推荐算法的种类
    • 9.2 潜在因子与矩阵分解
      • 9.2.1 奇异值分解SVD
      • 9.2.2 潜在因子模型LFM
      • 9.2.3 概率矩阵分解PMF
    • 9.3 上机实践
决策树