学习行为聚类分析
上一节
下一节
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
-
3.4 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
-
4.2 3.2-3.3数据集成与数据规约
-
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
-
5.3 4.4 朴素贝叶斯分类
-
5.4 4.5 决策树方法的分析比较
-
5.5 4.6 KNN分类算法
-
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
-
6.3 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
-
7.4 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
-
8.3 7.3 聚类的层次方法
-
8.4 7 聚类--7.4聚类的密度方法
-
8.5 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
-
