数据挖掘

以下汇总了数据挖掘的知识内容，包含数据挖掘简介、数据预处理、贝叶斯理论、决策树分类器、神经网络、支持向量机。

数据挖掘

• CH1 数据挖掘简介
  • 数据挖掘、机器学习和人工智能
    • 机器学习框架
      • 算法模型设计选择
      • 训练集
      • 测试集
    • 机器学习场景
      • 监督学习
      • 半监督学习
      • 迁移学习
      • 无监督学习
      • 强化学习
    • 机器学习任务
      • 回归
      • 分类
      • 结构学习
    • 机器学习算法
      • 线性
      • 非线性
        • 深度学习
        • 支持向量机
        • 决策树
        • K近邻 KNN
  • 学习资料和数据挖掘简介
    • 数据
      • 数据属性
        • 定性属性与定量属性
        • 离散属性和连续属性
      • 数据的储存和问题
        • 存储
          • 物理型
          • 逻辑型
        • 数据预处理
          • 数据集成
          • 数据清洗
          • 数据规约
          • 数据转换
  • 数据挖掘中的常见问题和方法
    • 数据挖掘技术
      • 分类
        • 混淆矩阵
        • ROC曲线
          • ROC曲线绘制
          • ROC曲线应用
        • AUC值
      • 聚类
        • 距离度量
        • 算法
        • 应用
      • 关联规则
      • 回归
    • 数据预处理（预）
      • 数据清洗
      • 数据整合
      • 数据转换
      • 数据缩减
• CH2 数据预处理
  • 缺失、离群、重复
    • 处理缺失的数据
      • 离群点
      • 局部离群因子
    • 数据清洗
    • 数据转换
    • 数据描述
    • 特征选择
    • 特征提取
  • 数据转换与描述
    • 数据转换
      • 属性类别
      • 类型转换
    • 采样
      • 不平衡的数据集
      • 向上采样
      • 边缘采样
      • 标准化
    • 数据描述
      • 基本描述
      • 相关系数
      • 皮尔逊积矩相关系数
        • 皮尔逊卡方检验
  • 特征选择和特征提取
    • 熵
      • 信息量
      • 信息增益
    • 主成分分析PCA
    • 线性判别分析LDA
• CH3 贝叶斯理论&决策树分类器
  • 朴素贝叶斯
    • 贝叶斯理论
    • 实例：检查癌症
    • 朴素贝叶斯分类器
    • 条件独立
    • 拉普拉斯平滑
  • 决策树
    • ID3
      • 熵
      • 属性选择
      • ID3框架
      • 决策树剪枝分类
        • 熵值偏差
    • CART决策树
      • CART分类树
        • 基尼指数
      • CART回归树
        • 最优切分点
      • 剪枝
• CH4 神经网络
  • 感知机
    • 针对线性可分数据集
    • 与或门
    • 梯度下降法
    • 损失函数推导
    • 最小二乘损失函数
    • NAND与非门
  • 其他线性模型
    • 线性回归
      • 经验误差
      • 参数计算
      • 正则项
    • Logistic函数
      • Logistic曲线
      • Logistic分布
    • 逻辑回归
      • 似然函数
      • 极大似然估计
      • 交叉熵&KL散度
    • 多分类问题
      • Softmax回归
  • 多层感知机
  • CNN-RNN-Transformers
• CH5 支持向量机