Motivation: Why data mining? What is data mining? A Multi-Dimensional View of Data Mining What Kinds of Data Can Be Mined? What Kinds of Patterns Can Be Mined? What Kinds of Technologies Are Used? What Kinds of Applications Are Targeted? Major Issues in Data Mining A Brief History of Data Mining and Data Mining Society Summary

3.1 分析化学中的误差 3.2 有效数字及其运算规则 3.3 分析化学中的数据处理 3.4 显著性检验 3.5 可疑值取舍 3.6 回归分析法 3.7 提高分析结果准确度的方法

教学目的: 1. 掌握系统误差与随机误差的区别和减免；准确度与精密度的区别、联系与表示方法。 2. 熟练掌握有效数字的位数确定及运算规则，会用置信区间和置信概率处理分析数据。 3. 了解随机误差的分布规律，了解ｔ检验和 F 检验在具体分析中的应用。 教学重点： 1. 有效数字及其运算，标准偏差和平均值置信区间的计算 2. t、F 检验法的方法与作用，可疑值的取舍， 3. 提高分析结果准确度的方法。 教学难点： 1. 正态分布的概率范围； 2. 平均值的置信区间(如从σ求µ的置信区间,从 S 求 X 的置信区间，t 分布)

多维事务数据库DB的结构为 (ID,AA2,, Anitems),A是DB中的结构化 属性(例如顾客的年龄,职业收入等),而 items是同事务连接的项的集合(例如购物篮 中频繁项集)。每一个 t=(id,aa 2..2 items-t)由两部分信息组成: 维信息(a1,a2man)项集信息。 挖掘过程分为两部分:挖掘维度信息的模 式和从投影的子DB中找出频繁项集

12.1 推荐系统概述 12.2 推荐算法 – 协同过滤 12.3 协同过滤实践 – 电影推荐系统

一、基本数据类型:数值型、字符型、日期型、布尔型、变体型。 二、常量与变量及其定义 三、不同数据类型的运算 四、表达式 五、内置函数

• 10.1 可视化概述 • 10.2 可视化工具 • 10.3 可视化典型案例

• 6.1 概述 • 6.2 HBase访问接口 • 6.3 HBase数据模型 • 6.4 HBase的实现原理 • 6.5 HBase运行机制 • 6.6 HBase编程实践

• 5.1 分布式文件系统 • 5.2 HDFS简介 • 5.3 HDFS相关概念 • 5.4 HDFS体系结构 • 5.5 HDFS存储原理 • 5.6 HDFS大数据读写过程 • 5.7 HDFS编程实践

一、分析观测环境中的归纳学习的一般模型。 二、解释学习机器如何从它所支持的函数集中选择一个近似函数。 三、介绍回归和分类问题的风险函数的概念