数据仓库与数据挖掘
本课程共168集 翻译完 欢迎学习
立即播放
用手机看
课程免费缓存，随时观看～
扫码下载网易公开课APP
收藏
课程列表
【第1集】1.1 数据挖掘的社会需求（上） 译
【第2集】1.1 数据挖掘的社会需求（下） 译
【第3集】1.2 数据挖掘的经典实际应用（上） 译
【第4集】1.2 数据挖掘的经典实际应用（下） 译
【第5集】1.3 数据挖掘的定义（上） 译
【第6集】1.3 数据挖掘的定义（下） 译
【第7集】1.4 数据挖掘的发展历程与数据来源（上） 译
【第8集】1.4 数据挖掘的发展历程与数据来源（下） 译
【第9集】1.5 分类分析技术简介（上） 译
【第10集】1.5 分类分析技术简介（下） 译
【第11集】1.6 聚类关联孤立点分析技术简介（上） 译
【第12集】1.6 聚类关联孤立点分析技术简介（下） 译
【第13集】1.7 数据挖掘的体系结构与其他技术的异同（上） 译
【第14集】1.7 数据挖掘的体系结构与其他技术的异同（下） 译
【第15集】2.1 数据仓库与数据库的区别（上） 译
【第16集】2.1 数据仓库与数据库的区别（下） 译
【第17集】2.2 什么是数据仓库（上） 译
【第18集】2.2 什么是数据仓库（下） 译
【第19集】2.3 数据仓库的系统结构（上） 译
【第20集】2.3 数据仓库的系统结构（下） 译
【第21集】2.4 数据仓库的数据组织形式（上） 译
【第22集】2.4 数据仓库的数据组织形式（下） 译
【第23集】2.5 数据仓库的数据模型 译
【第24集】2.6 什么是联机分析处理（上） 译
【第25集】2.6 什么是联机分析处理（下） 译
【第26集】2.7 OLAP的多维数据存储（上） 译
【第27集】2.7 OLAP的多维数据存储（下） 译
【第28集】2.8 OLAP的分类（上） 译
【第29集】2.8 OLAP的分类（下） 译
【第30集】3.1 为什么要数据预处理（上） 译
【第31集】3.1 为什么要数据预处理（下） 译
【第32集】3.2 数据清理（上） 译
【第33集】3.2 数据清理（下） 译
【第34集】3.3 数据集成与数据变换（上） 译
【第35集】3.3 数据集成与数据变换（下） 译
【第36集】3.4 数据归约（上） 译
【第37集】3.4 数据归约（下） 译
【第38集】3.5 数据压缩与数值归约（上） 译
【第39集】3.5 数据压缩与数值归约（下） 译
【第40集】3.6 数据离散化（上） 译
【第41集】3.6 数据离散化（下） 译
【第42集】4.1 什么是PCA（上） 译
【第43集】4.1 什么是PCA（下） 译
【第44集】4.2 PCA原理推导（1）（上） 译
【第45集】4.2 PCA原理推导（1）（下） 译
【第46集】4.3 PCA原理推导（2）（上） 译
【第47集】4.3 PCA原理推导（2）（下） 译
【第48集】5.1 什么是关联规则挖掘 译
【第49集】5.2 关联规则挖掘示例（上） 译
【第50集】5.2 关联规则挖掘示例（下） 译
【第51集】5.3 Apriori算法（上） 译
【第52集】5.3 Apriori算法（下） 译
【第53集】5.4 频繁项集生成规则 译
【第54集】5.5 Apriori算法分析与改进（上） 译
【第55集】5.5 Apriori算法分析与改进（下） 译
【第56集】5.6 FP-Growth算法（上） 译
【第57集】5.6 FP-Growth算法（下） 译
【第58集】6.1 什么是多值关联规则（上） 译
【第59集】6.1 什么是多值关联规则（下） 译
【第60集】6.2 多值关联规则挖掘中的连续属性划分（上） 译
【第61集】6.2 多值关联规则挖掘中的连续属性划分（下） 译
【第62集】6.3 多值关联规则合并 译
【第63集】6.4 从下向上的频繁项集搜索方式（上） 译
【第64集】6.4 从下向上的频繁项集搜索方式（下） 译
【第65集】6.5 自上向下的频繁项集搜索方式（上） 译
【第66集】6.5 自上向下的频繁项集搜索方式（下） 译
【第67集】6.6 多层关联规则的社会需求（上） 译
【第68集】6.6 多层关联规则的社会需求（下） 译
【第69集】6.7 同层关联规则挖掘算法（上） 译
【第70集】6.7 同层关联规则挖掘算法（下） 译
【第71集】7.1 什么是项约束性关联规则挖掘（上） 译
【第72集】7.1 什么是项约束性关联规则挖掘（下） 译
【第73集】7.2 项约束性关联规则挖掘算法Direct（上） 译
【第74集】7.2 项约束性关联规则挖掘算法Direct（下） 译
【第75集】7.3 项约束性关联规则挖掘Direct+（上） 译
【第76集】7.3 项约束性关联规则挖掘Direct+（下） 译
【第77集】8.1 分类分析的基本思路（上） 译
【第78集】8.1 分类分析的基本思路（下） 译
【第79集】8.2 决策树分类模型 译
【第80集】8.3 ID3决策树算法（上） 译
【第81集】8.3 ID3决策树算法（下） 译
【第82集】8.4 ID3决策树算法分析 译
【第83集】9.1 C4.5算法的改进之处（上） 译
【第84集】9.1 C4.5算法的改进之处（下） 译
【第85集】9.2 信息增益比的计算方式（上） 译
【第86集】9.2 信息增益比的计算方式（下） 译
【第87集】9.3 C4.5算法处理连续属性 译
【第88集】9.4 C4.5算法处理缺失值策略（上） 译
【第89集】9.4 C4.5算法处理缺失值策略（下） 译
【第90集】9.5 C4.5算法中的交叉验证 译
【第91集】9.6 C4.5算法构建决策树示例（上） 译
【第92集】9.6 C4.5算法构建决策树示例（下） 译
【第93集】10.1 梯度提升决策树的例子 译
【第94集】10.2 梯度提升决策树算法（上） 译
【第95集】10.2 梯度提升决策树算法（下） 译
【第96集】11.1 SLIQ算法思路 译
【第97集】11.2 SLIQ如何处理连续属性（上） 译
【第98集】11.2 SLIQ如何处理连续属性（下） 译
【第99集】11.3 SLIQ算法构建判定树 译
【第100集】11.4 随机森林的基本思想 译
【第101集】11.5 CART构建决策树算法（上） 译
【第102集】11.5 CART构建决策树算法（下） 译
【第103集】11.6 随机森林的投票机制 译
【第104集】12.1 最近邻分类（上） 译
【第105集】12.1 最近邻分类（下） 译
【第106集】12.2 线性支持向量机（上） 译
【第107集】12.2 线性支持向量机（下） 译
【第108集】12.3 线性支持向量机求解（上） 译
【第109集】12.3 线性支持向量机求解（下） 译
【第110集】12.4 线性不可分的支持向量机和非线性支持向量机（上） 译
【第111集】12.4 线性不可分的支持向量机和非线性支持向量机（下） 译
【第112集】13.1 朴素贝叶斯分类算法（上） 译
【第113集】13.1 朴素贝叶斯分类算法（下） 译
【第114集】13.2 贝叶斯信念网络的基本结构 译
【第115集】13.3 联合概率计算方法（上） 译
【第116集】13.3 联合概率计算方法（下） 译
【第117集】13.4 事件独立的几种情况 译
【第118集】13.5 贝叶斯信念网络推理1（上） 译
【第119集】13.5 贝叶斯信念网络推理1（下） 译
【第120集】13.6 贝叶斯信念网络推理2（上） 译
【第121集】13.6 贝叶斯信念网络推理2（下） 译
【第122集】14.1 什么是聚类分析（上） 译
【第123集】14.1 什么是聚类分析（下） 译
【第124集】14.2 距离与相似性度量（上） 译
【第125集】14.2 距离与相似性度量（下） 译
【第126集】14.3 划分聚类Kmeans算法（上） 译
【第127集】14.3 划分聚类Kmeans算法（下） 译
【第128集】14.4 K中心点算法思想（上） 译
【第129集】14.4 K中心点算法思想（下） 译
【第130集】14.5 K中心点PAM算法示例 译
【第131集】15.1 层次聚类的基本思想 译
【第132集】15.2 距离测算方法1（上） 译
【第133集】15.2 距离测算方法1（下） 译
【第134集】15.3 距离测算方法2（上） 译
【第135集】15.3 距离测算方法2（下） 译
【第136集】15.4 Birch层次聚类算法基本原理（上） 译
【第137集】15.4 Birch层次聚类算法基本原理（下） 译
【第138集】15.5 Birch层次聚类中簇直径D的计算方式（上） 译
【第139集】15.5 Birch层次聚类中簇直径D的计算方式（下） 译
【第140集】15.6 Birch层次聚类树的构建（上） 译
【第141集】15.6 Birch层次聚类树的构建（下） 译
【第142集】16.1 密度聚类的基本思路（上） 译
【第143集】16.1 密度聚类的基本思路（下） 译
【第144集】16.2 DBSCAN算法的基本概念 译
【第145集】16.3 DBSCAN算法的实现流程（上） 译
【第146集】16.3 DBSCAN算法的实现流程（下） 译
【第147集】16.4 DBSCAN算法性能分析 译
【第148集】16.5 OPTICS密度聚类基本思想（上） 译
【第149集】16.5 OPTICS密度聚类基本思想（下） 译
【第150集】16.6 OPTICS密度聚类算法的实现过程（上） 译
【第151集】16.6 OPTICS密度聚类算法的实现过程（下） 译
【第152集】16.7 密度聚类OPTICS算法描述 译
【第153集】17.1 为什么需要高斯混合模型（上） 译
【第154集】17.1 为什么需要高斯混合模型（下） 译
【第155集】17.2 高斯混合模型推导（上） 译
【第156集】17.2 高斯混合模型推导（下） 译
【第157集】17.3 高斯混合模型求解——EM算法（上） 译
【第158集】17.3 高斯混合模型求解——EM算法（下） 译
【第159集】18.1 序列模式挖掘的基本原理（上） 译
【第160集】18.1 序列模式挖掘的基本原理（下） 译
【第161集】18.2 序列模式挖掘AprioriAll算法的实现过程（上） 译
【第162集】18.2 序列模式挖掘AprioriAll算法的实现过程（下） 译
【第163集】18.3 序列模式挖掘AprioriSome算法 译
【第164集】18.4 序列模式挖掘DynamicSome算法 译
【第165集】18.5 有时间约束的序列模式挖掘GSP算法原理（上） 译
【第166集】18.5 有时间约束的序列模式挖掘GSP算法原理（下） 译
【第167集】18.6 有时间约束的序列模式挖掘GSP算法示例（上） 译
【第168集】18.6 有时间约束的序列模式挖掘GSP算法示例（下） 译
【第169集】19.1 Pycharm环境安装与数据读取 译
【第170集】19.1 Pycharm环境安装与数据读取 译
【第171集】19.2 Pandas数据预处理（上） 译
【第172集】19.2 Pandas数据预处理（下） 译
【第173集】19.2 Pandas数据预处理（上） 译
【第174集】19.2 Pandas数据预处理（下） 译
【第175集】19.3 Apriori算法的Python实践（上） 译
【第176集】19.3 Apriori算法的Python实践（下） 译
【第177集】19.4 决策树算法的Python实践（上） 译
【第178集】19.4 决策树算法的Python实践（下） 译
【第179集】19.5 随机森林的Python实践（上） 译
【第180集】19.5 随机森林的Python实践（下） 译
【第181集】19.5 随机森林的Python实践（上） 译
【第182集】19.5 随机森林的Python实践（下） 译
【第183集】19.5 随机森林的Python实践（上） 译
【第184集】19.5 随机森林的Python实践（下） 译
【第185集】19.6 朴素贝叶斯算法的Python实践 译
【第186集】19.6 朴素贝叶斯算法的Python实践 译
【第187集】19.7 Kmeans算法的Python实践（上） 译
【第188集】19.7 Kmeans算法的Python实践（下） 译
【第189集】19.7 Kmeans算法的Python实践 译
【第190集】19.8 BIRCH算法的Python实践（上） 译
【第191集】19.8 BIRCH算法的Python实践（下） 译
【第192集】19.9 DBSCAN与OPTICS算法的Python实践（上） 译
【第193集】19.9 DBSCAN与OPTICS算法的Python实践（下） 译
【第194集】19.9 DBSCAN与OPTICS算法的Python实践（上） 译
【第195集】19.9 DBSCAN与OPTICS算法的Python实践（下） 译
【第196集】19.9 DBSCAN与OPTICS算法的Python实践（上） 译
【第197集】19.9 DBSCAN与OPTICS算法的Python实践（下） 译
查看全部课程
相关推荐
