
数据仓库与数据挖掘
本课程共112集 翻译完 欢迎学习
课程介绍:数据仓库与数据挖掘是综合了机器学习、统计和数据库的一门现代计算机技术,旨在发现海量数据中的模型与模式,具有巨大的应用前景。通过本课程的学习,学生能够理解数据库技术的发展为何导致数据挖掘、以及数据挖掘潜在应用的重要性;掌握数据仓库和多维数据结构,OLAP(联机分析处理)的实现以及数据仓库与数据挖掘的关系;熟悉数据挖掘之前的数据预处理技术;掌握数据挖掘技术的关联、聚类、分类、序列分析等常用算法的原理和算法。本课程由青岛大学数据科学与软件工程学院与计算机科学技术学院经验丰富的教师团队主讲,所有主讲教师均在大数据领域工作多年,积累了丰硕的教学与科研成果。通过该课程的学习,学生能够为将来从事数据仓库的规划和实施以及数据挖掘技术的研究工作打下一定的基础。
课程列表
【第1集】1.1 数据挖掘的社会需求 译
【第2集】1.2 数据挖掘的经典实际应用 译
【第3集】1.3 数据挖掘的定义 译
【第4集】1.4 数据挖掘的发展历程与数据来源 译
【第5集】1.5 分类分析技术简介 译
【第6集】1.6 聚类关联孤立点分析技术简介 译
【第7集】1.7 数据挖掘的体系结构与其他技术的异同 译
【第8集】2.1 数据仓库与数据库的区别 译
【第9集】2.2 什么是数据仓库 译
【第10集】2.3 数据仓库的系统结构 译
【第11集】2.4 数据仓库的数据组织形式 译
【第12集】2.5 数据仓库的数据模型 译
【第13集】2.6 什么是联机分析处理 译
【第14集】2.7 OLAP的多维数据存储 译
【第15集】2.8 OLAP的分类 译
【第16集】3.1 为什么要数据预处理 译
【第17集】3.2 数据清理 译
【第18集】3.3 数据集成与数据变换 译
【第19集】3.4 数据归约 译
【第20集】3.5 数据压缩与数值归约 译
【第21集】3.6 数据离散化 译
【第22集】4.1 什么是PCA 译
【第23集】4.2 PCA原理推导(1) 译
【第24集】4.3 PCA原理推导(2) 译
【第25集】5.1 什么是关联规则挖掘 译
【第26集】5.2 关联规则挖掘示例 译
【第27集】5.3 Apriori算法 译
【第28集】5.4 频繁项集生成规则 译
【第29集】5.5 Apriori算法分析与改进 译
【第30集】5.6 FP-Growth算法 译
【第31集】6.1 什么是多值关联规则 译
【第32集】6.2 多值关联规则挖掘中的连续属性划分 译
【第33集】6.3 多值关联规则合并 译
【第34集】6.4 从下向上的频繁项集搜索方式 译
【第35集】6.5 自上向下的频繁项集搜索方式 译
【第36集】6.6 多层关联规则的社会需求 译
【第37集】6.7 同层关联规则挖掘算法 译
【第38集】7.1 什么是项约束性关联规则挖掘 译
【第39集】7.2 项约束性关联规则挖掘算法Direct 译
【第40集】7.3 项约束性关联规则挖掘Direct+ 译
【第41集】8.1 分类分析的基本思路 译
【第42集】8.2 决策树分类模型 译
【第43集】8.3 ID3决策树算法 译
【第44集】8.4 ID3决策树算法分析 译
【第45集】9.1 C4.5算法的改进之处 译
【第46集】9.2 信息增益比的计算方式 译
【第47集】9.3 C4.5算法处理连续属性 译
【第48集】9.4 C4.5算法处理缺失值策略 译
【第49集】9.5 C4.5算法中的交叉验证 译
【第50集】9.6 C4.5算法构建决策树示例 译
【第51集】10.1 梯度提升决策树的例子 译
【第52集】10.2 梯度提升决策树算法 译
【第53集】11.1 SLIQ算法思路 译
【第54集】11.2 SLIQ如何处理连续属性 译
【第55集】11.3 SLIQ算法构建判定树 译
【第56集】11.4 随机森林的基本思想 译
【第57集】11.5 CART构建决策树算法 译
【第58集】11.6 随机森林的投票机制 译
【第59集】12.1 最近邻分类 译
【第60集】12.2 线性支持向量机 译
【第61集】12.3 线性支持向量机求解 译
【第62集】12.4 线性不可分的支持向量机和非线性支持向量机 译
【第63集】13.1 朴素贝叶斯分类算法 译
【第64集】13.2 贝叶斯信念网络的基本结构 译
【第65集】13.3 联合概率计算方法 译
【第66集】13.4 事件独立的几种情况 译
【第67集】13.5 贝叶斯信念网络推理1 译
【第68集】13.6 贝叶斯信念网络推理2 译
【第69集】14.1 什么是聚类分析 译
【第70集】14.2 距离与相似性度量 译
【第71集】14.3 划分聚类Kmeans算法 译
【第72集】14.4 K中心点算法思想 译
【第73集】14.5 K中心点PAM算法示例 译
【第74集】15.1 层次聚类的基本思想 译
【第75集】15.2 距离测算方法1 译
【第76集】15.3 距离测算方法2 译
【第77集】15.4 Birch层次聚类算法基本原理 译
【第78集】15.5 Birch层次聚类中簇直径D的计算方式 译
【第79集】15.6 Birch层次聚类树的构建 译
【第80集】16.1 密度聚类的基本思路 译
【第81集】16.2 DBSCAN算法的基本概念 译
【第82集】16.3 DBSCAN算法的实现流程 译
【第83集】16.4 DBSCAN算法性能分析 译
【第84集】16.5 OPTICS密度聚类基本思想 译
【第85集】16.6 OPTICS密度聚类算法的实现过程 译
【第86集】16.7 密度聚类OPTICS算法描述 译
【第87集】17.1 为什么需要高斯混合模型 译
【第88集】17.2 高斯混合模型推导 译
【第89集】17.3 高斯混合模型求解——EM算法 译
【第90集】18.1 序列模式挖掘的基本原理 译
【第91集】18.2 序列模式挖掘AprioriAll算法的实现过程 译
【第92集】18.3 序列模式挖掘AprioriSome算法 译
【第93集】18.4 序列模式挖掘DynamicSome算法 译
【第94集】18.5 有时间约束的序列模式挖掘GSP算法原理 译
【第95集】18.6 有时间约束的序列模式挖掘GSP算法示例 译
【第96集】19.1 Pycharm环境安装与数据读取 译
【第97集】19.1 Pycharm环境安装与数据读取 译
【第98集】19.2 Pandas数据预处理 译
【第99集】19.2 Pandas数据预处理 译
【第100集】19.3 Apriori算法的Python实践 译
【第101集】19.4 决策树算法的Python实践 译
【第102集】19.5 随机森林的Python实践 译
【第103集】19.5 随机森林的Python实践 译
【第104集】19.5 随机森林的Python实践 译
【第105集】19.6 朴素贝叶斯算法的Python实践 译
【第106集】19.6 朴素贝叶斯算法的Python实践 译
【第107集】19.7 Kmeans算法的Python实践 译
【第108集】19.7 Kmeans算法的Python实践 译
【第109集】19.8 BIRCH算法的Python实践 译
【第110集】19.9 DBSCAN与OPTICS算法的Python实践 译
【第111集】19.9 DBSCAN与OPTICS算法的Python实践 译
【第112集】19.9 DBSCAN与OPTICS算法的Python实践 译
查看全部课程
相关推荐