收藏
课程目录
1.1 什么是数据
1.2 什么是大数据
1.3 大数据的特征
1.4 大数据的应用场景
1.5 大数据相关技术
1.6 什么是数据挖掘
2.1 数据预处理的目的
2.2 数据清理
2.3 数据集成和数据转换
2.4.1 数据立方体聚集
2.4.2 维归约
2.4.3 数据压缩
2.4.4 数值规约
2.5.1 数值数据的离散化和概念分层
2.5.2 分类数据的离散化和概念分层
2.6 特征选择与提取
3.1 聚类分析的基本概念
3.2 K-means算法
3.3 K-means算法的改进
3.4 K-中心点算法——PAM
3.5 层次聚类算法
3.6 BIRCH算法
3.7 密度聚类算法
4.1 分类分析的基本概念
4.2 KNN算法
4.3 决策树分类方法
4.4 ID3及其改进算法
4.5 C4.5算法
4.6 朴素贝叶斯分类器
4.7 规则归纳算法
5.1 关联规则挖掘的基本概念
5.2 Apriori算法
5.3 强关联规则的生成及综合实例
5.4 Apriori算法的改进
5.5 Close算法
5.6 FP-Growth算法——建树过程
5.7 FP-Growth算法——生成频繁项集
6.1 序列模式挖掘的基本概念
6.2 AprioriAll算法
6.3 AprioriSome算法
6.4 GSP算法
6.5 PrefixSpan算法
7.1 数据挖掘应用及展望（一）
7.2 数据挖掘应用及展望（二）
1.2 什么是大数据
1.3 大数据的特征
1.4 大数据的应用场景
1.5 大数据相关技术
1.6 什么是数据挖掘
2.1 数据预处理的目的
2.2 数据清理
2.3 数据集成和数据转换
2.4.1 数据立方体聚集
2.4.2 维归约
2.4.3 数据压缩
2.4.4 数值规约
2.5.1 数值数据的离散化和概念分层
2.5.2 分类数据的离散化和概念分层
2.6 特征选择与提取
3.1 聚类分析的基本概念
3.2 K-means算法
3.3 K-means算法的改进
3.4 K-中心点算法——PAM
3.5 层次聚类算法
3.6 BIRCH算法
3.7 密度聚类算法
4.1 分类分析的基本概念
4.2 KNN算法
4.3 决策树分类方法
4.4 ID3及其改进算法
4.5 C4.5算法
4.6 朴素贝叶斯分类器
4.7 规则归纳算法
5.1 关联规则挖掘的基本概念
5.2 Apriori算法
5.3 强关联规则的生成及综合实例
5.4 Apriori算法的改进
5.5 Close算法
5.6 FP-Growth算法——建树过程
5.7 FP-Growth算法——生成频繁项集
6.1 序列模式挖掘的基本概念
6.2 AprioriAll算法
6.3 AprioriSome算法
6.4 GSP算法
6.5 PrefixSpan算法
7.1 数据挖掘应用及展望（一）
7.2 数据挖掘应用及展望（二）
课程详情
通过本课程的学习，学生们可以了解数据挖掘技术的整体概貌，掌握数据挖掘的基本概念，了解数据挖掘技术的主要应用及当前的研究热点问题和发展方向，熟悉数据挖掘的定义和功能以及实现数据挖掘的主要步骤和具体实现方法，掌握数据挖掘常用算法的原理和技术方法。
通过本课程的学习，学生们可以了解数据挖掘技术的整体概貌，掌握数据挖掘的基本概念，了解数据挖掘技术的主要应用及当前的研究热点问题和发展方向，熟悉数据挖掘的定义和功能以及实现数据挖掘的主要步骤和具体实现方法，掌握数据挖掘常用算法的原理和技术方法。
通过本课程的学习，学生们可以了解数据挖掘技术的整体概貌，掌握数据挖掘的基本概念，了解数据挖掘技术的主要应用及当前的研究热点问题和发展方向，熟悉数据挖掘的定义和功能以及实现数据挖掘的主要步骤和具体实现方法，掌握数据挖掘常用算法的原理和技术方法。
