本课程将帮助大家理解数据挖掘的基本流程和步骤，掌握常用的数据挖掘模型和方法，熟练地利用python语言实现数据挖掘模型以及进行评价和优化，从而具备的基本的数据挖掘和处理的能力。教学内容主要包括10个部分，即：
1. 数据挖掘概述
2. 数据获取技术
3. 数据探索和可视化技术
4. 数据预处理技术
5. 基本分类模型及应用
6. 高级分类模型及应用
7. 回归模型及应用
8. 聚类模型及应用
9. 关联规则挖掘模型及应用
10.异常检测模型及应用
Overview
Syllabus
- 第一章 数据挖掘概述
- 1.1 数据挖掘概述
- 第二章 数据获取
- 2.1 本地数据的读取
- 2.2 网络在线数据爬取
- 第三章 数据探索
- 3.1 数据的特征与统计描述
- 3.2 数据可视化
- 3.3 数据的相关性和相似性度量
- 第四章 数据预处理
- 4.1 数据清洗原理和方法
- 4.2 数据变换原理和方法
- 4.3 数据集成和规约原理和方法
- 4.4 特征工程理论和方法
- 第五章 基本的分类模型
- 5.1 分类问题概述
- 5.2 朴素贝叶斯分类器及应用
- 5.3 K最近邻分类器及应用
- 5.4 决策树的原理及应用
- 5.5 模型性能评价方法
- 第六章 高级分类模型
- 6.1 装袋和随机森林的原理及应用
- 6.2 提升的原理及应用
- 6.3 类不平衡问题和处理方法
- 第七章 回归模型
- 7.1 线性回归模型的原理及应用
- 7.2 支持向量回归模型的原理及应用
- 第八章 聚类模型
- 8.1 k-means聚类算法的基本原理
- 8.2 k-means聚类算法的进一步讨论
- 8.3 聚类算法的性能评价方法
- 8.4 DBSCAN聚类算法的原理和应用
- 第九章 关联规则分析模型
- 9.1 关联规则挖掘的基本概念
- 9.2 Apriori算法的原理和应用(一)
- 9.3 Apriori算法的原理和应用(二)
- 9.4 FP-growth算法的原理和应用
- 第十章 异常检测模型
- 10.1 异常检测的概念和基本方法
- 10.2 孤立森林异常检测方法
- 期中考试
Taught by
Lei Wang, JiangtaoQiu, and XiaolongChen
