8. 数据挖掘的发展历程与数据来源 - 3

2023年2月6日 956观看

数据仓库与数据挖掘

大学课程 / 计算机 / 计算机基础

共197集 22.7万人观看

1数据挖掘的社会需求 - 1
07:13
2数据挖掘的社会需求 - 3
07:14
3数据挖掘的经典实际应用 - 1
06:31
4数据挖掘的经典实际应用 - 3
06:29
5数据挖掘的定义 - 1
08:31
6数据挖掘的定义 - 3
08:28
7数据挖掘的发展历程与数据来源 - 1
06:01
8数据挖掘的发展历程与数据来源 - 3
05:59
9分类分析技术简介 - 1
06:39
10分类分析技术简介 - 3
06:40
11聚类关联孤立点分析技术简介 - 1
08:48
12聚类关联孤立点分析技术简介 - 3
08:46
13数据挖掘的体系结构与其他技术的异同 - 1
10:24
14数据挖掘的体系结构与其他技术的异同 - 3
10:24
15数据仓库与数据库的区别 - 1
11:28
16数据仓库与数据库的区别 - 3
11:29
17什么是数据仓库 - 1
05:47
18什么是数据仓库 - 3
05:46
19数据仓库的系统结构 - 1
06:56
20数据仓库的系统结构 - 3
06:59
21数据仓库的数据组织形式 - 1
07:36
22数据仓库的数据组织形式 - 3
07:36
23数据仓库的数据模型
08:13
24什么是联机分析处理 - 1
06:05
25什么是联机分析处理 - 3
06:11
26OLAP的多维数据存储 - 1
10:31
27OLAP的多维数据存储 - 3
10:32
28OLAP的分类 - 1
08:20
29OLAP的分类 - 3
08:25
30为什么要数据预处理 - 1
05:54
31为什么要数据预处理 - 3
06:00
32数据清理 - 1
11:01
33数据清理 - 3
11:05
34数据集成与数据变换 - 1
05:56
35数据集成与数据变换 - 3
05:56
36数据归约 - 1
05:21
37数据归约 - 3
05:24
38数据压缩与数值归约 - 1
05:10
39数据压缩与数值归约 - 3
05:14
40数据离散化 - 1
09:02
41数据离散化 - 3
09:06
42什么是PCA - 1
08:56
43什么是PCA - 3
08:54
44PCA原理推导（1） - 1
13:15
45PCA原理推导（1） - 3
13:17
46PCA原理推导（2） - 1
06:13
47PCA原理推导（2） - 3
06:15
48什么是关联规则挖掘
08:30
49关联规则挖掘示例 - 1
09:11
50关联规则挖掘示例 - 3
09:14
51Apriori算法 - 1
11:41
52Apriori算法 - 3
11:48
53频繁项集生成规则
05:02
54Apriori算法分析与改进 - 1
08:47
55Apriori算法分析与改进 - 3
08:48
56FP-Growth算法 - 1
05:49
57FP-Growth算法 - 3
05:47
58什么是多值关联规则 - 1
08:25
59什么是多值关联规则 - 3
08:29
60多值关联规则挖掘中的连续属性划分 - 1
06:44
61多值关联规则挖掘中的连续属性划分 - 3
06:41
62多值关联规则合并
05:55
63从下向上的频繁项集搜索方式 - 1
05:39
64从下向上的频繁项集搜索方式 - 3
05:41
65自上向下的频繁项集搜索方式 - 1
08:57
66自上向下的频繁项集搜索方式 - 3
09:00
67多层关联规则的社会需求 - 1
07:34
68多层关联规则的社会需求 - 3
07:32
69同层关联规则挖掘算法 - 1
10:50
70同层关联规则挖掘算法 - 3
10:49
71什么是项约束性关联规则挖掘 - 1
05:27
72什么是项约束性关联规则挖掘 - 3
05:26
73项约束性关联规则挖掘算法Direct - 1
10:56
74项约束性关联规则挖掘算法Direct - 3
11:01
75项约束性关联规则挖掘Direct+ - 1
08:56
76项约束性关联规则挖掘Direct+ - 3
08:53
77分类分析的基本思路 - 1
09:03
78分类分析的基本思路 - 3
09:03
79决策树分类模型
09:55
80ID3决策树算法 - 1
11:15
81ID3决策树算法 - 3
11:16
82ID3决策树算法分析
09:41
83C4.5算法的改进之处 - 1
05:37
84C4.5算法的改进之处 - 3
05:40
85信息增益比的计算方式 - 1
09:27
86信息增益比的计算方式 - 3
09:23
87C4.5算法处理连续属性
09:43
88C4.5算法处理缺失值策略 - 1
05:20
89C4.5算法处理缺失值策略 - 3
05:22
90C4.5算法中的交叉验证
04:27
91C4.5算法构建决策树示例 - 1
07:06
92C4.5算法构建决策树示例 - 3
07:04
93梯度提升决策树的例子
08:47
94梯度提升决策树算法 - 1
05:12
95梯度提升决策树算法 - 3
05:11
96SLIQ算法思路
09:27
97SLIQ如何处理连续属性 - 1
09:57
98SLIQ如何处理连续属性 - 3
09:55
99SLIQ算法构建判定树
09:09
100随机森林的基本思想
09:29
101CART构建决策树算法 - 1
07:09
102CART构建决策树算法 - 3
07:11
103随机森林的投票机制
06:56
104最近邻分类 - 1
11:56
105最近邻分类 - 3
11:58
106线性支持向量机 - 1
06:42
107线性支持向量机 - 3
06:45
108线性支持向量机求解 - 1
08:17
109线性支持向量机求解 - 3
08:22
110线性不可分的支持向量机和非线性支持向量机 - 1
08:40
111线性不可分的支持向量机和非线性支持向量机 - 3
08:41
112朴素贝叶斯分类算法 - 1
09:35
113朴素贝叶斯分类算法 - 3
09:38
114贝叶斯信念网络的基本结构
07:12
115联合概率计算方法 - 1
07:07
116联合概率计算方法 - 3
07:11
117事件独立的几种情况
08:34
118贝叶斯信念网络推理1 - 1
05:50
119贝叶斯信念网络推理1 - 3
05:52
120贝叶斯信念网络推理2 - 1
07:54
121贝叶斯信念网络推理2 - 3
07:52
122什么是聚类分析 - 1
07:17
123什么是聚类分析 - 3
07:15
124距离与相似性度量 - 1
07:39
125距离与相似性度量 - 3
07:36
126划分聚类Kmeans算法 - 1
08:49
127划分聚类Kmeans算法 - 3
08:48
128K中心点算法思想 - 1
07:49
129K中心点算法思想 - 3
07:51
130K中心点PAM算法示例
09:10
131层次聚类的基本思想
07:15
132距离测算方法1 - 1
08:01
133距离测算方法1 - 3
08:02
134距离测算方法2 - 1
08:11
135距离测算方法2 - 3
08:08
136Birch层次聚类算法基本原理 - 1
05:03
137Birch层次聚类算法基本原理 - 3
05:03
138Birch层次聚类中簇直径D的计算方式 - 1
10:07
139Birch层次聚类中簇直径D的计算方式 - 3
10:10
140Birch层次聚类树的构建 - 1
08:08
141Birch层次聚类树的构建 - 3
08:07
142密度聚类的基本思路 - 1
06:33
143密度聚类的基本思路 - 3
06:31
144DBSCAN算法的基本概念
09:28
145DBSCAN算法的实现流程 - 1
10:11
146DBSCAN算法的实现流程 - 3
10:13
147DBSCAN算法性能分析
06:33
148OPTICS密度聚类基本思想 - 1
09:25
149OPTICS密度聚类基本思想 - 3
09:30
150OPTICS密度聚类算法的实现过程 - 1
12:30
151OPTICS密度聚类算法的实现过程 - 3
12:37
152密度聚类OPTICS算法描述
05:58
153为什么需要高斯混合模型 - 1
05:26
154为什么需要高斯混合模型 - 3
05:24
155高斯混合模型推导 - 1
07:31
156高斯混合模型推导 - 3
07:28
157高斯混合模型求解——EM算法 - 1
07:12
158高斯混合模型求解——EM算法 - 3
07:10
159序列模式挖掘的基本原理 - 1
07:03
160序列模式挖掘的基本原理 - 3
07:10
161序列模式挖掘AprioriAll算法的实现过程 - 1
06:19
162序列模式挖掘AprioriAll算法的实现过程 - 3
06:24
163序列模式挖掘AprioriSome算法
09:46
164序列模式挖掘DynamicSome算法
07:37
165有时间约束的序列模式挖掘GSP算法原理 - 1
09:08
166有时间约束的序列模式挖掘GSP算法原理 - 3
09:08
167有时间约束的序列模式挖掘GSP算法示例 - 1
06:13
168有时间约束的序列模式挖掘GSP算法示例 - 3
06:09
169Pycharm环境安装与数据读取
06:27
170Pycharm环境安装与数据读取
08:08
171Pandas数据预处理 - 1
08:35
172Pandas数据预处理 - 3
08:34
173Pandas数据预处理 - 1
09:55
174Pandas数据预处理 - 3
09:58
175Apriori算法的Python实践 - 1
08:29
176Apriori算法的Python实践 - 3
08:25
177决策树算法的Python实践 - 1
11:19
178决策树算法的Python实践 - 3
11:19
179随机森林的Python实践 - 1
08:35
180随机森林的Python实践 - 3
08:41
181随机森林的Python实践 - 1
06:08
182随机森林的Python实践 - 3
06:05
183随机森林的Python实践 - 1
08:15
184随机森林的Python实践 - 3
08:15
185朴素贝叶斯算法的Python实践
08:39
186朴素贝叶斯算法的Python实践
06:51
187Kmeans算法的Python实践 - 1
06:13
188Kmeans算法的Python实践 - 3
06:12
189Kmeans算法的Python实践
05:28
190BIRCH算法的Python实践 - 1
10:19
191BIRCH算法的Python实践 - 3
10:17
192DBSCAN与OPTICS算法的Python实践 - 1
05:29
193DBSCAN与OPTICS算法的Python实践 - 3
05:32
194DBSCAN与OPTICS算法的Python实践 - 1
07:03
195DBSCAN与OPTICS算法的Python实践 - 3
07:03
196DBSCAN与OPTICS算法的Python实践 - 1
09:02
197DBSCAN与OPTICS算法的Python实践 - 3
09:03

相关视频

03:36
不准骗老人的钱!
轻知识
12月前
1099观看
02:29
老人言“坟头有刀，儿孙难消”，指的是什么刀？是好是坏？
轻知识
6月前
940观看
00:36
年轻人别作，年老人别拖！
轻知识
1年前
1514观看
01:01
分享几个老人言，一把米养什么，一斗米养的又是什么？
轻知识
1年前
1312观看
03:32
老人带娃有什么好处，你都知道吗？
轻知识
1年前
950观看
03:49
“老而不死是为贼”，老人长寿，对子孙来说是福吗？
轻知识
1年前
637观看
00:20
多岁老人厉害
轻知识
11月前
1011观看
04:15
老人带娃，有哪些坑不能踩呢？
轻知识
2年前
1126观看
00:43
有多少的老人还在这样做？
轻知识
2023年10月7日
1090观看
15:47
老人与鸟
轻知识
9月前
1135观看
05:39
老人带娃，要注意的四个问题！
轻知识
1年前
1225观看
01:30
岁老人家的日常生活
轻知识
2023年10月1日
771观看
03:15
“人老两个坎，熬过就高寿”，两坎是指哪两年？老年人不妨多看看
轻知识
1年前
953观看
01:33
家里有老人和孩子的注意了！
轻知识
8月前
843观看
00:46
这三件事千万不能让老人、亲戚们对孩子做
轻知识
7月前
942观看
01:12
“孝”照顾老人的孩子
轻知识
1月前
960观看

© 1997-2025 网易公司版权所有About NetEase | 公司简介 | 联系方法 | 招聘信息 | 客户服务 | 隐私政策 | 广告服务 | 不良信息举报 Complaint Center | 廉正举报