前言
第一章 绪论
1.1:为什么要数据挖掘
1.2: 什么是数据挖掘
1.3:数据挖掘主要任务
第二章 数据探索
2.1:数据与属性
2.2:数据的基本统计指标
2.3:数据可视化
2.4:相似性度量
第三章 数据预处理
3.1:为什么要数据预处理
3.2:标准化
3.3:非线性变换
3.4:归一化
3.5:离散值编码
3.6:生成多项式特征
3.7:估算缺失值
第四章 k-近邻
4.1:k-近邻算法思想
4.2:k-近邻算法原理
4.3:k-近邻算法流程
4.4:动手实现k-近邻
4.5:实战案例
第五章 线性回归
5.1:线性回归算法思想
5.2:线性回归算法原理
5.3:线性回归算法流程
5.4:动手实现线性回归
5.5:实战案例
第六章 决策树
6.1:决策树算法思想
6.2:决策树算法原理
6.3:决策树算法流程
6.4:动手实现决策树
6.5:实战案例
第七章 k-均值
7.1:k-均值算法思想
7.2:k-均值算法原理
7.3:k-均值算法流程
7.4:动手实现k-均值
7.5:实战案例
第八章 Apriori
8.1:Apriori算法思想
8.2:Apriori算法原理
8.3:Apriori算法流程
8.4:动手实现Apriori
8.5:实战案例
第九章 PageRank
9.1:PageRank算法思想
9.2:PageRank算法原理
9.3:PageRank算法流程
9.4:动手实现PageRank
9.5:实战案例
第十章 推荐系统
10.1:推荐系统概述
10.2:基于矩阵分解的协同过滤算法思想
10.3:基于矩阵分解的协同过滤算法原理
10.4:基于矩阵分解的协同过滤算法流程
10.5:动手实现基于矩阵分解的协同过滤
10.6:实战案例
Published with GitBook
第十章 推荐系统
第十章 推荐系统
results matching "
"
No results matching "
"