8.2基于质心的聚类：K-Means聚类 8.2.1K-Means聚类中的距离测度：体现全方位性 8.2.2K-Means聚类过程：多次自动分组 8.2.3K-Means聚类的实现和模拟分析 8.2.4K-Means聚类的应用：环境污染的区域划分 8.3K-means算法在思政教育方面的应用与比较 (三)思考与实践 1、不同聚类方法的区别在哪里？ (四)教学方法与手段 采用多媒体辅助教学 第10章发现数据中的关联特征：关联是推荐的依据 (一)目的与要求 1.掌握关联分析的原理 2.掌握实现关联分析的方法 (二)教学内容 10.1简单关联规则及其测度 10.1.1什么是简单关联规则 10.1.2如何评价简单关联规则的有效性？ 10.1.3如何评价简单关联规则的实用性？ l0.2 Apriori算法：发现简单关联规则的高效算法 10.2.1搜索频繁项集：Apriori算法的重中之重 10.2.2依频繁项集产生简单关联规则：水到渠成 10.2.3 Apriori算法的实现和应用示例 10.2.4简单关联的可视化实现和应用示例 10.3 Eclat算法：更快速地发现频繁项集 10.3.1 Eclat算法原理：对等类是核心 10.3.2 Eclat算法的实现和应用示例 10.4简单关联分析应用：商品推荐 10.4.1发现连带销售商品 10.4.2顾客选择性倾向对比 1O.5序列关联分析及SPADE算法：发现数据中的时序关联性 10.5.1序列关联中有哪些基本概念？ 10.5.2 SPADE算法：发现序列关联规则的高效算法 10.5.3序列关联分析的实现及应用示例 10.6序列关联分析应用：发现网民的浏览习惯 5 5 8.2 基于质心的聚类：K-Means 聚类 8.2.1 K-Means 聚类中的距离测度：体现全方位性 8.2.2 K-Means 聚类过程：多次自动分组 8.2.3 K-Means 聚类的实现和模拟分析 8.2.4 K-Means 聚类的应用：环境污染的区域划分 8.3 K-means 算法在思政教育方面的应用与比较 （三）思考与实践 1、不同聚类方法的区别在哪里？ （四）教学方法与手段 采用多媒体辅助教学 第 10 章 发现数据中的关联特征：关联是推荐的依据 （一）目的与要求 1．掌握关联分析的原理 2．掌握实现关联分析的方法 （二）教学内容 10.1 简单关联规则及其测度 10.1.1 什么是简单关联规则？ 10.1.2 如何评价简单关联规则的有效性？ 10.1.3 如何评价简单关联规则的实用性？ 10.2 Apriori 算法：发现简单关联规则的高效算法 10.2.1 搜索频繁项集：Apriori 算法的重中之重 10.2.2 依频繁项集产生简单关联规则：水到渠成 10.2.3 Apriori 算法的实现和应用示例 10.2.4 简单关联的可视化实现和应用示例 10.3 Eclat 算法：更快速地发现频繁项集 10.3.1 Eclat 算法原理：对等类是核心 10.3.2 Eclat 算法的实现和应用示例 10.4 简单关联分析应用：商品推荐 10.4.1 发现连带销售商品 10.4.2 顾客选择性倾向对比 10.5 序列关联分析及 SPADE 算法：发现数据中的时序关联性 10.5.1 序列关联中有哪些基本概念？ 10.5.2 SPADE 算法：发现序列关联规则的高效算法 10.5.3 序列关联分析的实现及应用示例 10.6 序列关联分析应用：发现网民的浏览习惯