从数据分析的角度看,数据挖掘可以分为描述 性挖掘和预测性挖掘 描述性挖掘:以简洁概要的方式描述数据,并提供 数据的有趣的一般性质。 预测性数据挖掘:通过分析数据建立一个或一组模 型,并试图预测新数据集的行为

1 降维算法简介 2 四大降维算法 3 主成分分析

一、理解对大型的、复杂的和信息丰富的数据集进行分析的必要性。 二、明确数据挖掘过程的目标和首要任务。 三、描述数据挖掘技术的起源。 四、了解数据挖掘过程所具有的迭代过程和基本步骤。 五、解释数据的质量对数据挖掘过程的影响。 六、建立数据仓库和数据挖掘之间的联系

• 业务理解 • 数据理解 • 数据质量问题与预处理 • 数据分析常见陷阱 • 数据分析方法的选择 • 数据分析结果的评价 • 数据分析团队的组建 • 数据分析人才培养的难题

 机器学习是数据分析与挖掘的一种手段  机器学习是什么？  利用经验改善系统自身的性能  关于T和P，程序对E进行学习  Looking for a function  机器学习发展史  人工智能三阶段：推理期、知识期、学习期  深度学习∈机器学习∈人工智能  机器学习基本术语  回归、分类；模型、学习器；样本、样例……  模型选择：奥卡姆剃刀？NFL？

• 数据挖掘算法没有好坏，根据数据与数据分析需求的特点确定算法 • 数据挖掘建模标准（CRISP-DM） – 定义商业问题，理解业务背景，了解业务需求 – 数据探索、预处理与分析 – 确定可能的模型，并验证评估 – 选择分析较优算法，并进一步调优 – 应用部署模型

电子科技大学：《数据分析与数据挖掘 Data Analysis and Data Mining》课程教学资源（课件讲稿）模型评估与选择

电子科技大学：《数据分析与数据挖掘 Data Analysis and Data Mining》课程教学资源（课件讲稿）量子神经网络（Neural Network，NN）

 Data Integration  Data Reduction  Data Transformation Open Section

电子科技大学：《数据分析与数据挖掘 Data Analysis and Data Mining》课程教学资源（课件讲稿）Lecture 04 Association Rules of Data Reasoning（Apriori Algorithm、Improve of Apriori Algorithm）