课件内容：
数据挖掘导论
1.1 数据挖掘的社会需求
1.2 数据挖掘的定义
1.3 数据挖掘的分类
1.4 数据挖掘的步骤
1.5 数据挖掘的体系结构与其他技术的异同
数据挖掘导论单元测试
数据仓库与联机分析处理
2.1 数据仓库与数据库的区别
2.2 什么是数据仓库
2.3 数据仓库的系统结构
2.4 数据仓库的数据组织形式
2.5 数据仓库的数据模型
2.6 什么是联机分析处理
2.7 OLAP的多维数据存储
2.8 OLAP的分类
数据仓库与OLAP单元测试
数据预处理
3.1 为什么要数据预处理
3.2 数据清理
3.3 数据集成与数据变换
3.4 数据归约
3.5 数据压缩与数值归约
3.6 数据离散化
3.7 Python数据预处理
数据预处理单元测试
主成分分析
4.1 什么是PCA
4.2 PCA原理推导（1）
4.3 PCA原理推导（2）
关联规则挖掘算法Apriori与FP-Growth
5.1 什么是关联规则挖掘
5.2 关联规则挖掘示例
5.3 Apriori算法
5.4 频繁项集生成规则
5.5 Apriori算法分析与改进
5.6 FP-Growth算法
5.7 关联规则挖掘Python实践
多值关联规则与多层关联规则
6.1 什么是多值关联规则
6.2 多值关联规则挖掘中的连续属性划分
6.3 多值关联规则合并
6.4 从下向上的频繁项集搜索方式
6.5 自上向下的频繁项集搜索方式
6.6 多层关联规则的社会需求
6.7 同层关联规则挖掘算法
项约束型关联规则
7.1 什么是项约束性关联规则挖掘
7.2 项约束性关联规则挖掘算法Direct
7.3 项约束性关联规则挖掘Direct+
关联分析单元测试
分类分析与ID3决策树算法
8.1 分类分析的基本思路
8.2 决策树分类模型
8.3 ID3决策树算法
8.4 ID3决策树算法分析
C4.5决策树算法
9.1 C4.5算法的改进之处
9.2 信息增益比的计算方式
9.3 C4.5算法处理连续属性
9.4 C4.5算法处理缺失值策略
9.5 C4.5算法中的交叉验证
9.6 C4.5算法构建决策树示例
9.7 决策树算法的Python实践
梯度提升决策树
10.1 梯度提升决策树的例子
10.2 梯度提升决策树算法
SLIQ与随机森林
11.1 SLIQ算法思路
11.2 SLIQ如何处理连续属性
11.3 SLIQ算法构建判定树
11.4 随机森林的基本思想
11.5 CART构建决策树算法
11.6 随机森林的投票机制
11.7 随机森林的Python实践
决策树单元测试
最近邻KNN与支持向量机SVM
12.1 最近邻分类
12.2 线性支持向量机
12.3 线性支持向量机求解
12.4 线性不可分的支持向量机和非线性支持向量机
贝叶斯分类
13.1 朴素贝叶斯分类算法
13.2 贝叶斯信念网络的基本结构
13.3 联合概率计算方法
13.4 事件独立的几种情况
13.5 贝叶斯信念网络推理1
13.6 贝叶斯信念网络推理2
13.7 朴素贝叶斯的Python实践
贝叶斯单元测试
划分聚类分析
14.1 什么是聚类分析
14.2 距离与相似性度量
14.3 划分聚类Kmeans算法
14.4 K中心点算法思想
14.5 K中心点PAM算法示例
14.6 Kmeans算法的Python实践
层次聚类分析
15.1 层次聚类的基本思想
15.2 距离测算方法1
15.3 距离测算方法2
15.4 Birch层次聚类算法基本原理
15.5 Birch层次聚类中簇直径D的计算方式
15.6 Birch层次聚类树的构建
15.7 Birch层次聚类的Python实践
密度聚类分析
16.1 密度聚类的基本思路
16.2 DBSCAN算法的基本概念
16.3 DBSCAN算法的实现流程
16.4 DBSCAN算法性能分析
16.5 OPTICS密度聚类基本思想
16.6 OPTICS密度聚类算法的实现过程
16.7 密度聚类OPTICS算法描述
16.8 密度聚类的Python实践
聚类分析单元测试
高斯混合模型
17.1 为什么需要高斯混合模型
17.2 高斯混合模型推导
17.3 高斯混合模型求解——EM算法
序列模式挖掘
18.1 序列模式挖掘的基本原理
18.2 序列模式挖掘AprioriAll算法的实现过程
18.3 序列模式挖掘AprioriSome算法
18.4 序列模式挖掘DynamicSome算法
18.5 有时间约束的序列模式挖掘GSP算法原理
18.6 有时间约束的序列模式挖掘GSP算法示例
《数据仓库与数据挖掘》PPT课件 王常颖 青岛大学
资源下载
下载价格10 金币
VIP 5折
立即购买