課程(名稱.編號)簡索

領導藝術.綜合管理        人力資源.企業培訓        職務能力培訓系統班        銷售實戰.市場行銷        職場技能.個人成長        Office白領辦公達人        財經金融.投資理財        語言學習.出國留學        中國大陸證照培訓        資格考試.考証培訓        文化.生活.興趣.保健        生產管理.採購物流        移動開發        前端開發        後端開發        數據庫.服務器        網頁平面設計        雲計算.大數據        網絡營銷推廣        自然學科        工程技術學科

經濟管理學科

醫.藥.農.林學科

法律 學科

計算機工程學科

哲學.歷史學科

文學.藝術學科

教育社會學科

外語 學科

醫藥農林        哲學歷史        文學藝術        工程技術        基礎科學        經管法學

    數據挖掘技術是實現數據「軟黃金」最重要的核心技術之一，當前的大數據與人工智能行業的發展都離不開數據挖掘技術。對於計算機科學、大數據、人工智能、以及工科其他行業相關專業的大學生而言，掌握數據分析與挖掘的相關知識和技能是十分必要的，為專業的行業實踐、就業和未來深造都具有十分重要的意義。本課程面向計算機與人工智能、系統工程以及其他工科行業應用相關專業的高年級本科生或低年級研究生，課程從數據挖掘技術的基礎出發，緊扣python的機器學習庫，使得學生既能夠掌握數據挖掘的基本原理、方法和關鍵技術，又能使學生知道如何利用庫函數進行數據分析與挖掘。此外，本課程還配備了一些經典的數據挖掘案例，提升學生綜合應用數據來解決實際問題的能力。教學內容組織與實施上，使用知識點的片段式教學，每個知識點作為一個教學片段，每個片段時常約10-25分鐘，通過案例場景化，提高教學視覺效果和學習體驗
　

課程概述


     本課程主要介紹了數據挖掘概述、數據的組織與預處理、決策樹分類方法、貝葉斯分類方法、決策樹分類方法的性能評估、線性回歸方法、人工神經網絡模型、關聯挖掘、聚類分析等。其前導課程為《python程序設計》等，後續課程有《機器學習》、《數據分析與挖掘課程設計》等。
　

教學單元

1 第一章 緒論 
1.1 數據挖掘的概念和任務
1.2 十大經典挖掘算法
1.3-1.4 開放數據獲取來源-數據挖掘常見誤區
1.5 數據挖掘中的隱私保護
2 第二章 數據 
2.1 數據對像和數據屬性
2.2 數據的統計描述
2.3 數據可視化
2.4 數據相似性度量
3 第三章 數據預處理 
3.1概述+ 數據清洗
3.2 數據集成與數據轉換
3.3 數據規約
3.4 數據離散化與概念分層
4 第四章 分類與預測 
4.1-4.2 數據的分類與預測方法
4.3 決策樹分類方法
4.4 樸素貝葉斯分類方法
4.5 決策樹方法的分析比較
4.6 KNN分類算法
4.7 分類與預測算法的性能評價方法
5 第五章 回歸分析 
5.1 基本概念
5.2 線性回歸編程案例
5.3 邏輯回歸
5.4 嶺回歸
5.5 線性回歸
5.6.1 線性回歸的延伸-人工神經網絡
5.6.2-5.6.3 神經網絡的訓練和設計原則
5.6.4-5.6.5-5.6.6 過擬合與正則化、交叉驗證和小結
6 第六章 關聯規則挖掘 
6.1 基本概念
6.2 閉項集和極大頻繁項集
6.3-6.5 Apriori算法及其應用
6.6 關聯挖掘的常見誤區
6.7 FP-Growth算法
7 第七章 聚類 
7.1 聚類概述
7.2 聚類的劃分方法
7.3 聚類的層次方法
7.4 聚類的密度方法

課程列表　

名稱 時間長度
第01講1.1 數據挖掘的概念和任務 00:08:54
第02講1.2 十大經典挖掘算法 00:10:35
第03講1.3-1.4 開放數據獲取來源-數據挖掘常見誤區 00:09:52
第04講1.5 數據挖掘中的隱私保護 00:05:08
第05講2.1 數據對像和數據屬性 00:11:55
第06講2.2 數據的統計描述 00:06:39
第07講2.3 數據可視化 00:11:55
第08講2.4 數據相似性度量 00:09:14
第09講3.1 概述+ 數據清洗 00:10:48
第10講3.2 數據集成與數據轉換 00:11:46
第11講3.3 數據規約 00:16:40
第12講3.4 數據離散化與概念分層 00:14:34
第13講4.1-4.2 數據的分類與預測方法 00:13:26
第14講4.3 決策樹分類方法 00:13:17
第15講4.4 樸素貝葉斯分類方法 00:13:03
第16講4.5 決策樹方法的分析比較 00:14:47
第17講4.6 KNN分類算法 00:04:06
第18講4.7 分類與預測算法的性能評價方法 00:14:11
第19講5.1 基本概念 00:05:06
第20講5.2 線性回歸編程案例 00:06:19
第21講5.3 邏輯回歸 00:03:53
第22講5.4 嶺回歸 00:14:53
第23講5.5 線性回歸 00:15:36
第24講5.6.1 線性回歸的延伸-人工神經網絡 00:22:19
第25講5.6.2-5.6.3 神經網絡的訓練和設計原則 00:21:07
第26講5.6.4-5.6.5-5.6.6 過擬合與正則化、交叉驗證和小結 00:11:15
第27講6.1 基本概念 00:09:55
第28講6.2 閉項集和極大頻繁項集 00:03:48
第29講6.3-6.5 Apriori算法及其應用 00:13:41
第30講6.6 關聯挖掘的常見誤區 00:04:04
第31講6.7 FP-Growth算法 00:10:47
第32講7.1 聚類概述 00:04:29
第33講7.2 聚類的劃分方法 00:10:23
第34講7.3 聚類的層次方法 00:12:54
第35講7.4 聚類的密度方法 00:10:12