慕课-首都师范大学科德学院

数据挖掘与python实践

课程类型：选修课

发布时间：2020-09-12 18:43:42

主讲教师：

课程来源：

建议学分：0.00分

课程编码：mk000377

课程介绍

课程目录

教师团队

第一单元导言

[1.1.1]--1.1数据挖据的产生、定义和流程（9分钟）

[1.2.1]--1.2数据挖掘的方法（9分钟）

[1.3.1]--1.3数据挖掘的应用（9分钟）

[1.4.1]--1.4python介绍（13分钟）

(1.1.1)--1.1数据挖据的产生、定义和流程

(1.2.1)--1.2数据挖掘的方法

(1.3.1)--1.3数据挖掘的应用

(1.4.1)--1.4python介绍

第二单元认识数据

[2.1.1]--2.1数据对象与属性类型（12分钟）

[2.2.1]--2.2.1数据的基本统计描述——集中趋势（10分钟）

[2.2.2]--2.2.2数据的基本统计描述——离散趋势（10分钟）

[2.2.3]--2.2.3数据的基本统计描述——基本统计图（6分钟）

[2.3.1]--2.3数据可视化（6分钟）

[2.4.1]--2.4.1度量数据的相似性和相异性（6分钟）

[2.4.2]--2.4.2标称属性的邻近性度量（8分钟）

[2.4.3]--2.4.3数值属性的相异性（9分钟）

[2.4.4]--2.4.4混合类型属性的相异性（6分钟）

[2.4.5]--2.4.5余弦相似性（5分钟）

[2.5.1]--2.5python操作：认识数据（一）（13分钟）

[2.6.1]--2.6python操作：认识数据（二）（14分钟）

(2.1.1)--2.1数据对象与属性类型

(2.2.1)--2.2数据的基本统计描述

(2.3.1)--2.3数据可视化

(2.4.1)--2.4数据的相似性与相异性度量

(2.5.1)--2.5python操作：认识数据

(2.5.2)--2019年政府工作报告

第三单元数据预处理

[3.1.1]--3.1.1数据预处理基本思想和数据规范化（6分钟）

[3.2.1]--3.2数据离散化（9分钟）

[3.3.1]--3.3数据清洗（4分钟）

[3.4.1]--3.4特征提取与特征选择（9分钟）

(3.1.1)--3.1数据预处理的基本思想和数据规范化

(3.2.1)--3.2数据离散化

(3.3.1)--3.3数据清洗

(3.4.1)--3.4特征提取与特征选择

(3.4.2)--python实现数据预处理

(3.4.3)--扩展资料1-反恐情报分析中的数据预处理研究_李勇男

第四单元关联规则挖掘

[4.1.1]--4.1引言（8分钟）

[4.2.1]--4.2频繁模式与关联规则（11分钟）

[4.3.1]--4.3.1逐层发现算法Apriori （8分钟）

[4.3.2]--4.3.2无候选集发现算法FP-growth （8分钟）

[4.4.1]--4.4关联规则的生成方法（4分钟）

[4.5.1]--4.5关联规则的其他类型（6分钟）

[4.6.1]--4.6关联规则的兴趣度的其他度量（5分钟）

[4.7.1]--4.7python操作：关联规则挖掘（5分钟）

(4.1.1)--4.1引言

(4.2.1)--4.2频繁模式与关联规则

(4.3.1)--4.3频繁项集的典型挖掘方法

(4.4.1)--4.4关联规则的生成方法

(4.5.1)--4.5关联规则的其他类型

(4.6.1)--4.6关联规则的兴趣度的其他度量

(4.7.1)--4.7python操作：关联规则挖掘

(4.7.2)--相关阅读1

(4.7.3)--相关阅读2

(4.7.4)--相关阅读3

第五单元分类

[5.1.1]--5.1分类的概念（7分钟）

[5.2.1]--5.2.1决策树的构建-ID3 （11分钟）

[5.3.1]--5.3朴素贝叶斯分类（9分钟）

[5.4.1]--5.4k近邻分类（6分钟）

[5.5.1]--5.5.1测试数据集的构造（6分钟）

[5.5.2]--5.5.2分类性能的度量（6分钟）

[5.5.3]--5.5.3不同分类模型的比较（6分钟）

[5.6.1]--5.6python操作：分类（一）（10分钟）

[5.7.1]--5.7python操作：分类（二）（9分钟）

(5.1.1)--5.1分类的概念

(5.2.1)--5.2决策树分类

(5.3.1)--5.3朴素贝叶斯分类

(5.4.1)--5.4k近邻分类

(5.5.1)--5.5分类性能的度量方法

(5.6.1)--5.6python操作：分类

(5.7.1)--5.7补充阅读（一）

(5.7.2)--5.7补充阅读（二）

第六单元数值预测

[6.1.1]--6.1数值预测概念（7分钟）

[6.2.1]--6.2.1回归概念及一元线性回归（8分钟）

[6.2.2]--6.2.2一元线性回归检验（10分钟）

[6.2.3]--6.2.3多元线性回归（9分钟）

[6.2.4]--6.2.4非线性回归（6分钟）

[6.3.1]--6.3回归树与模型树（11分钟）

[6.4.1]--6.4K近邻数值预测和预测误差的度量（5分钟）

[6.5.1]--6.5python操作：数值预测（10分钟）

(6.1.1)--6.1数值预测概念

(6.2.1)--6.2回归方法

(6.3.1)--6.3回归树与模型树

(6.4.1)--6.4K近邻数值预测和预测误差的度量

(6.5.1)--6.5python操作：数值预测

(6.5.2)--6.补充阅读（一）

(6.5.3)--6.补充阅读（二）

(6.5.4)--6.补充阅读（三）

第七单元聚类分析

[7.1.1]--7.1.1概述（9分钟）

[7.2.1]--7.2.1基于内容的相似度度量（14分钟）

[7.2.2]--7.2.2基于链接的相似度度量（6分钟）

[7.3.1]--7.3.1k均值聚类法（7分钟）

[7.4.1]--7.4.1层次聚类方法（3分钟）

[7.5.1]--7.5DBSCAN方法（6分钟）

[7.6.1]--7.6.1聚类效果衡量方法（3分钟）

[7.7.1]--7.7python操作：聚类分析（一）（10分钟）

[7.8.1]--7.8python操作：聚类分析（二）（10分钟）

(7.1.1)--7.1概述

(7.2.1)--7.2相似度度量方法

(7.3.1)--7.3k均值聚类法

(7.4.1)--7.4层次聚类方法

(7.5.1)--7.5DBSCAN方法

(7.6.1)--7.6聚类效果衡量方法

(7.7.1)--7.7python操作：聚类分析

(7.8.1)--7.8补充阅读1

(7.8.2)--7.8补充阅读2

(7.8.3)--7.8补充阅读3

第八单元复杂数据的挖掘

[8.1.1]--8.1挖掘复杂的数据类型-序列与网络（6分钟）

[8.2.1]--8.2挖掘复杂的数据类型-其他类型（9分钟）

(8.1.1)--8.1挖掘复杂的数据类型-序列与网络

(8.2.1)--8.2挖掘复杂的数据类型-其他类型

(8.2.2)--补充阅读1

(8.2.3)--补充阅读2

(8.2.4)--补充阅读3

(8.2.5)--补充阅读4