数据挖掘实战教程

本节课是对本教程基本内容的简单介绍，同时也对数据挖掘职业的简单介绍，向大家宏观地展示本教程的主要内容与核心思想。

本节课讲解是的监督学习里的第1个算法----knn分类器；内容包括原理（欧氏距离、python基本运用）、算法主程序（算法、数值归一）、实例、总结（优缺点）

本节课讲解的是监督学习里的第2个分类器----决策树，主要介绍ID3，内容包括：原理、算法（信息增益、划分数据、递归）、示例（预测隐形照眼镜的类型）、总结（优缺点）。

本教程讲解的是朴素bayes分类器；主要内容包括：原理（贝叶斯定理）、算法、示例（垃圾邮件识别）、总结（优缺点）。

本节课讲解Logistic回归，主要内容有：原理（回归系数、跃阶函数）、算法（梯度上升优化）、示例（预测患疝气病的马是否会死亡）、总结优缺点。

本节课讲解SVM分类器，主要内容有：原理（分隔超平面）、算法（SMO优化算法）

本节课主要讲解运用核函数的SVM，主要内容有：原理（核函数）、算法（核函数转换下的SVM）、示例（手写识别）、总结优缺点。

本节课主要讲解一种元算法“AdaBoost”,主要的内容有：原理（元算法）、算法（单层决策树组成的元算法）、示例、总结优缺点。

本节课讲解分类的器的非均衡分类问题及分类的评价指标，主要内容有：非均衡分类（混淆矩阵）、分类器性能（正确率、召回率）、Roc曲线、决策控制（代价函数）、数据抽样（过抽样、欠抽样）。

本节课讲解线性回归，主要内容有：原理（回归方程、最小二乘法）、算法（拟合方程）、示例、总结优缺点。

本节课讲解局部加权线性回归，主要内容有：原理（有偏估计、权重、高斯核）、算法、示例（预测鲍鱼年龄）、总结优缺点。

本节课讲解岭回归，主要内容有：原理（多重共线性）、算法（岭回归）、示例、总结优缺点。

本节讲解Lasso回归，主要内容有：原理（缩减条件）、算法（前身逐步回归）、示例、总结优缺点。

本节课讲解树回归，主要内容有：原理（CART树）、算法（划分数据、结点与误差、递归）、示例（人的智力水平与自行车速度）、总结优缺点。

本节课是无监督学习里的 k-means聚类算法，主要内容包括：原理（相似度+聚类流程）、算法（k-means+二分k-means）、总结优缺点。

本节课讲解关联规则，主要内容有：原理（支持度、置信度、Apriori原理）、算法（发现频繁项集）、示例、总结优缺点。

本节课讲解FP-growth，主要内容有：原理、算法（构建FP树、发现频繁项集）、总结优缺点。

本节课主要讲解主成分分析PCA，主要内容有：原理（数据降维常用方法）、算法（PCA）、示例（半导体数据）、总结优缺点。

本节课讲解SVD矩阵分解，主要内容有：原理（矩阵分解）、算法（SVD）、总结优缺点。

本节课讲解协同过滤，主要内容有：原理（相似度计算）、算法（协同过滤、SVD数据转换）、总结优缺点。