数据挖掘技术

程军锋

目录

  • 1 课程简介
    • 1.1 课程介绍
  • 2 chap 1  绪论
    • 2.1 1.1 数据挖掘的概念和任务
    • 2.2 1.2 十大经典挖掘算法
    • 2.3 1.3-1.4 开放数据获取来源-数据挖掘常见误区
    • 2.4 1.5 数据挖掘中的隐私保护
    • 2.5 选读--中华人民共和国数据安全法
  • 3 chap 2 认识数据
    • 3.1 2.1 数据对象和数据属性
    • 3.2 2.2 数据的统计描述
    • 3.3 2.3 数据可视化
      • 3.3.1 拓展：python函数编程步骤讲解1
      • 3.3.2 拓展：python函数编程步骤讲解1
      • 3.3.3 拓展：python可视化编程讲解
      • 3.3.4 拓展：数据可视化编程实践作业
    • 3.4 2.4 煤矿大数据案例应用
    • 3.5 2.5数据相似性度量
    • 3.6 2.5 数据可视化案例综合应用
  • 4 chap 3 数据预处理
    • 4.1 3.1 数据清洗
      • 4.1.1 拓展--scikitlearn安装与配置
      • 4.1.2 编程拓展--scikit-learn库使用讲解
    • 4.2 3.2-3.3数据集成与数据规约
      • 4.2.1 拓展编程作业---数据规范化实践
    • 4.3 3.4-数据规约
    • 4.4 3.5数据离散化与概念分层
  • 5 chap4 分类与预测
    • 5.1 4.1-4.2 分类与预测：基本概念
    • 5.2 4.3 决策树分类
      • 5.2.1 编程拓展：决策树分类及可视化
    • 5.3 4.4 朴素贝叶斯分类
      • 5.3.1 编程拓展--朴素贝叶斯分类与预测
    • 5.4 4.5 决策树方法的分析比较
    • 5.5 4.6 KNN分类算法
      • 5.5.1 编程拓展1：KNN预测男女
      • 5.5.2 编程拓展2：KNN测试自带数据评分对比以及绘图
      • 5.5.3 编程拓展3：KNN用于分类
      • 5.5.4 编程拓展4：KNN基于历史数据预测未来
    • 5.6 4.7 分类与预测算法的性能评价方法
    • 5.7 4.8 高级分类算法
  • 6 chap5 回归分析
    • 6.1 5.1基本概念
    • 6.2 5.2 线性回归编程案例
      • 6.2.1 编程拓展：KNN用于数据回归预测
    • 6.3 5.3 逻辑回归
    • 6.4 5.4 岭回归
    • 6.5 5.5 CART分类回归树
    • 6.6 5.6.1从线性回归到神经网络
    • 6.7 5.6.2 神经网络训练+5.6.3 神经网络设计原则
    • 6.8 5.5.6.4 过拟合与正则化+5.6.5+5.6.6
  • 7 chap6 关联规则挖掘
    • 7.1 6.1基本概念
    • 7.2 6.2 闭项集和极大频繁项
    • 7.3 6.3-6.5 Apriori算法及其应用
      • 7.3.1 编程拓展：关联规则挖掘
    • 7.4 6.6关联挖掘的常见误区
    • 7.5 6.7 FP树及软件实践
    • 7.6 课堂实录： Apriori基础与算法
    • 7.7 课堂实录 ：Apriori算法分析与案例应用
  • 8 chap7 聚类分析
    • 8.1 7.1 聚类概述
    • 8.2 7.2 聚类的划分方法
      • 8.2.1 编程拓展1：Kmeans方法使用及可视化
      • 8.2.2 编程拓展2：Kmeans简单实战
      • 8.2.3 编程拓展3：Kmeans常见错误解析
      • 8.2.4 编程拓展4：Kmeans实现数据无监督分类
    • 8.3 7.3 聚类的层次方法
    • 8.4 7  聚类--7.4聚类的密度方法
      • 8.4.1 编程拓展：密度聚类
    • 8.5 孤立点分析
  • 9 案例开发与综合应用
    • 9.1 分类与预测 案例综合应用
    • 9.2 垃圾邮件分类
    • 9.3 学习行为聚类分析
  • 10 课程实验
    • 10.1 实验1：数据统计描述与可视化
    • 10.2 实验2：数据预处理及规范化
    • 10.3 实验3：朴素贝叶斯和决策树预测方法
    • 10.4 实验4 ：分类预测方法的性能评价和评估优化方法
    • 10.5 实验5：线性回归案例编程实践
    • 10.6 实验6：weka软件综合案例应用
    • 10.7 实验7：K均值聚类挖掘实验
    • 10.8 实验8：数据挖掘综合案例分析
1.1 数据挖掘的概念和任务
  • 1 导学（学案）
  • 2 课件及视频
  • 3 拓展阅读

1、数据挖掘的概念的三个要点---massive, hidden and interesting.

2、数据挖掘技术在AI应用中的重要作用；

3、区分数据挖掘场景，要主义完全随机事件不符合数据挖掘的基本特质。

4、能够自己列举几个经典的数据挖掘应用场景，并解释其从数据采集到分析挖掘目标的基本实现目标是什么。