186. 朴素贝叶斯算法的Python实践
2023年2月6日 737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 - 107:13- 2数据挖掘的社会需求 - 307:14
- 3数据挖掘的经典实际应用 - 106:31
- 4数据挖掘的经典实际应用 - 306:29
- 5数据挖掘的定义 - 108:31
- 6数据挖掘的定义 - 308:28
- 7数据挖掘的发展历程与数据来源 - 106:01
- 8数据挖掘的发展历程与数据来源 - 305:59
- 9分类分析技术简介 - 106:39
- 10分类分析技术简介 - 306:40
- 11聚类关联孤立点分析技术简介 - 108:48
- 12聚类关联孤立点分析技术简介 - 308:46
- 13数据挖掘的体系结构与其他技术的异同 - 110:24
- 14数据挖掘的体系结构与其他技术的异同 - 310:24
- 15数据仓库与数据库的区别 - 111:28
- 16数据仓库与数据库的区别 - 311:29
- 17什么是数据仓库 - 105:47
- 18什么是数据仓库 - 305:46
- 19数据仓库的系统结构 - 106:56
- 20数据仓库的系统结构 - 306:59
- 21数据仓库的数据组织形式 - 107:36
- 22数据仓库的数据组织形式 - 307:36
- 23数据仓库的数据模型08:13
- 24什么是联机分析处理 - 106:05
- 25什么是联机分析处理 - 306:11
- 26OLAP的多维数据存储 - 110:31
- 27OLAP的多维数据存储 - 310:32
- 28OLAP的分类 - 108:20
- 29OLAP的分类 - 308:25
- 30为什么要数据预处理 - 105:54
- 31为什么要数据预处理 - 306:00
- 32数据清理 - 111:01
- 33数据清理 - 311:05
- 34数据集成与数据变换 - 105:56
- 35数据集成与数据变换 - 305:56
- 36数据归约 - 105:21
- 37数据归约 - 305:24
- 38数据压缩与数值归约 - 105:10
- 39数据压缩与数值归约 - 305:14
- 40数据离散化 - 109:02
- 41数据离散化 - 309:06
- 42什么是PCA - 108:56
- 43什么是PCA - 308:54
- 44PCA原理推导（1） - 113:15
- 45PCA原理推导（1） - 313:17
- 46PCA原理推导（2） - 106:13
- 47PCA原理推导（2） - 306:15
- 48什么是关联规则挖掘08:30
- 49关联规则挖掘示例 - 109:11
- 50关联规则挖掘示例 - 309:14
- 51Apriori算法 - 111:41
- 52Apriori算法 - 311:48
- 53频繁项集生成规则05:02
- 54Apriori算法分析与改进 - 108:47
- 55Apriori算法分析与改进 - 308:48
- 56FP-Growth算法 - 105:49
- 57FP-Growth算法 - 305:47
- 58什么是多值关联规则 - 108:25
- 59什么是多值关联规则 - 308:29
- 60多值关联规则挖掘中的连续属性划分 - 106:44
- 61多值关联规则挖掘中的连续属性划分 - 306:41
- 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 - 105:39
- 64从下向上的频繁项集搜索方式 - 305:41
- 65自上向下的频繁项集搜索方式 - 108:57
- 66自上向下的频繁项集搜索方式 - 309:00
- 67多层关联规则的社会需求 - 107:34
- 68多层关联规则的社会需求 - 307:32
- 69同层关联规则挖掘算法 - 110:50
- 70同层关联规则挖掘算法 - 310:49
- 71什么是项约束性关联规则挖掘 - 105:27
- 72什么是项约束性关联规则挖掘 - 305:26
- 73项约束性关联规则挖掘算法Direct - 110:56
- 74项约束性关联规则挖掘算法Direct - 311:01
- 75项约束性关联规则挖掘Direct+ - 108:56
- 76项约束性关联规则挖掘Direct+ - 308:53
- 77分类分析的基本思路 - 109:03
- 78分类分析的基本思路 - 309:03
- 79决策树分类模型09:55
- 80ID3决策树算法 - 111:15
- 81ID3决策树算法 - 311:16
- 82ID3决策树算法分析09:41
- 83C4.5算法的改进之处 - 105:37
- 84C4.5算法的改进之处 - 305:40
- 85信息增益比的计算方式 - 109:27
- 86信息增益比的计算方式 - 309:23
- 87C4.5算法处理连续属性09:43
- 88C4.5算法处理缺失值策略 - 105:20
- 89C4.5算法处理缺失值策略 - 305:22
- 90C4.5算法中的交叉验证04:27
- 91C4.5算法构建决策树示例 - 107:06
- 92C4.5算法构建决策树示例 - 307:04
- 93梯度提升决策树的例子08:47
- 94梯度提升决策树算法 - 105:12
- 95梯度提升决策树算法 - 305:11
- 96SLIQ算法思路09:27
- 97SLIQ如何处理连续属性 - 109:57
- 98SLIQ如何处理连续属性 - 309:55
- 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 - 107:09
- 102CART构建决策树算法 - 307:11
- 103随机森林的投票机制06:56
- 104最近邻分类 - 111:56
- 105最近邻分类 - 311:58
- 106线性支持向量机 - 106:42
- 107线性支持向量机 - 306:45
- 108线性支持向量机求解 - 108:17
- 109线性支持向量机求解 - 308:22
- 110线性不可分的支持向量机和非线性支持向量机 - 108:40
- 111线性不可分的支持向量机和非线性支持向量机 - 308:41
- 112朴素贝叶斯分类算法 - 109:35
- 113朴素贝叶斯分类算法 - 309:38
- 114贝叶斯信念网络的基本结构07:12
- 115联合概率计算方法 - 107:07
- 116联合概率计算方法 - 307:11
- 117事件独立的几种情况08:34
- 118贝叶斯信念网络推理1 - 105:50
- 119贝叶斯信念网络推理1 - 305:52
- 120贝叶斯信念网络推理2 - 107:54
- 121贝叶斯信念网络推理2 - 307:52
- 122什么是聚类分析 - 107:17
- 123什么是聚类分析 - 307:15
- 124距离与相似性度量 - 107:39
- 125距离与相似性度量 - 307:36
- 126划分聚类Kmeans算法 - 108:49
- 127划分聚类Kmeans算法 - 308:48
- 128K中心点算法思想 - 107:49
- 129K中心点算法思想 - 307:51
- 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 - 108:01
- 133距离测算方法1 - 308:02
- 134距离测算方法2 - 108:11
- 135距离测算方法2 - 308:08
- 136Birch层次聚类算法基本原理 - 105:03
- 137Birch层次聚类算法基本原理 - 305:03
- 138Birch层次聚类中簇直径D的计算方式 - 110:07
- 139Birch层次聚类中簇直径D的计算方式 - 310:10
- 140Birch层次聚类树的构建 - 108:08
- 141Birch层次聚类树的构建 - 308:07
- 142密度聚类的基本思路 - 106:33
- 143密度聚类的基本思路 - 306:31
- 144DBSCAN算法的基本概念09:28
- 145DBSCAN算法的实现流程 - 110:11
- 146DBSCAN算法的实现流程 - 310:13
- 147DBSCAN算法性能分析06:33
- 148OPTICS密度聚类基本思想 - 109:25
- 149OPTICS密度聚类基本思想 - 309:30
- 150OPTICS密度聚类算法的实现过程 - 112:30
- 151OPTICS密度聚类算法的实现过程 - 312:37
- 152密度聚类OPTICS算法描述05:58
- 153为什么需要高斯混合模型 - 105:26
- 154为什么需要高斯混合模型 - 305:24
- 155高斯混合模型推导 - 107:31
- 156高斯混合模型推导 - 307:28
- 157高斯混合模型求解——EM算法 - 107:12
- 158高斯混合模型求解——EM算法 - 307:10
- 159序列模式挖掘的基本原理 - 107:03
- 160序列模式挖掘的基本原理 - 307:10
- 161序列模式挖掘AprioriAll算法的实现过程 - 106:19
- 162序列模式挖掘AprioriAll算法的实现过程 - 306:24
- 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 - 109:08
- 166有时间约束的序列模式挖掘GSP算法原理 - 309:08
- 167有时间约束的序列模式挖掘GSP算法示例 - 106:13
- 168有时间约束的序列模式挖掘GSP算法示例 - 306:09
- 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 - 108:35
- 172Pandas数据预处理 - 308:34
- 173Pandas数据预处理 - 109:55
- 174Pandas数据预处理 - 309:58
- 175Apriori算法的Python实践 - 108:29
- 176Apriori算法的Python实践 - 308:25
- 177决策树算法的Python实践 - 111:19
- 178决策树算法的Python实践 - 311:19
- 179随机森林的Python实践 - 108:35
- 180随机森林的Python实践 - 308:41
- 181随机森林的Python实践 - 106:08
- 182随机森林的Python实践 - 306:05
- 183随机森林的Python实践 - 108:15
- 184随机森林的Python实践 - 308:15
- 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 - 106:13
- 188Kmeans算法的Python实践 - 306:12
- 189Kmeans算法的Python实践05:28
- 190BIRCH算法的Python实践 - 110:19
- 191BIRCH算法的Python实践 - 310:17
- 192DBSCAN与OPTICS算法的Python实践 - 105:29
- 193DBSCAN与OPTICS算法的Python实践 - 305:32
- 194DBSCAN与OPTICS算法的Python实践 - 107:03
- 195DBSCAN与OPTICS算法的Python实践 - 307:03
- 196DBSCAN与OPTICS算法的Python实践 - 109:02
- 197DBSCAN与OPTICS算法的Python实践 - 309:03
相关视频
04:38第2集 道教的创始人老子2年前5084观看
01:22探秘崂山太清宫，感受千年道家文化1年前1295观看
07:00从真武汤学习西游记中道家内修养生的核心秘密（3）2023年2月28日1511观看
00:30为什么道家不主张吃苦？5月前664观看
03:53道家走中间道路，以出世的心态过入世的生活2天前544观看
02:17傅佩荣：名与利大到一定程度，你就要开始学道家7月前1920观看
10:10道家和儒家的德有一个差异2023年9月22日8944观看
02:05王德峰：日本为何学不了道家，只能学儒家 佛家？2023年8月8日6434观看
01:55学道家怎能不知道道在哪里？你问庄子，他的回答真是绝了8月前1195观看
00:18这幅道家公认的“修真蓝图”，揭露“天人合一”修行秘法！1年前1637观看
17:04对话朔道长：从《破·地狱》看道教文化，祖师爷说过女性污秽吗？10月前1614观看
03:05道教几千年的传承，为什么发展不如外来宗教？1年前2084观看
08:20卜名 借名 寄名 偷名 撞名，古人起名都有哪些玄学思路？6月前1169观看
00:55陈抟老祖的书法，一看就不是凡人所写，康有为钻研一生也没学明白1年前2558观看
02:33佛教和中国民族性不太吻合，禅宗是佛教本土化最成功的12月前2237观看
03:22佛教和儒家之间的两次化合作用11月前2020观看