韩曙亮_的博客_数据挖掘_51CTO博客
51CTO首页
AI.x社区
博客
学堂
精品班
软考社区
免费课
企业培训
鸿蒙开发者社区
WOT技术大会
IT证书
公众号矩阵
移动端
视频课 免费课 排行榜 短视频 直播课 软考学堂
全部课程 软考 华为认证 厂商认证 IT技术 PMP项目管理 免费题库
在线学习
文章 资源 问答 课堂 专栏 直播
51CTO
鸿蒙开发者社区
51CTO技术栈
51CTO官微
51CTO学堂
51CTO博客
CTO训练营
鸿蒙开发者社区订阅号
51CTO软考
51CTO学堂APP
51CTO学堂企业版APP
鸿蒙开发者社区视频号
51CTO软考题库
# 数据挖掘

【数据挖掘】数据挖掘简介 ( 数据挖掘引入 | KDD 流程 | 数据源要求 | 技术特点 )

I . 数据挖掘引入II . 数据挖掘简介III . 数据挖掘 与 KDD ( Knowledge Discovery From Data ) 从数据到知识IV . 数据挖掘中的数据源V . 数据挖掘中的特点

数据挖掘
data mining
KDD
数据
海量数据
原创 2022-03-09 10:17:00 735 阅读

【数据挖掘】数据挖掘简介 ( 6 个常用功能 | 数据挖掘结果判断 | 数据挖掘学习框架 | 数据挖掘分类 )

I . 数据挖掘 功能II . 数据挖掘 结果判断III . 数据挖掘 学习框架IV . 数据挖掘 分类

数据挖掘
数据挖掘框架
数据挖掘分类
数据挖掘结果判断
数据挖掘功能
原创 2022-03-09 10:17:00 455 阅读

【数据挖掘】数据挖掘算法 组件化思想 ( 模型或模式结构 | 数据挖掘任务 | 评分函数 | 搜索和优化算法 | 数据管理策略 )

数据挖掘算法组件化组件一 : 模型或模式结构组件二 : 数据挖掘任务组件三 : 评分函数组件四 : 搜索和优化算法组件五 : 数据管理策略数据挖掘算法 组件化思想应用

数据挖掘
数据挖掘算法组件化思想
模型或模式结构
评分函数
搜索和优化算法
原创 2022-03-09 10:14:52 469 阅读

【数据挖掘】贝叶斯公式应用 拼写纠正示例分析 ( 先验概率 | 似然概率 | 后验概率 )

I . 拼写纠正 简介II . 拼写纠正 案例需求III . 计算每个假设的概率IV . 引入 贝叶斯公式V . 使用贝叶斯公式计算每个假设的概率VI . 比较每个假设概率时 P(D)P(D) 分母可忽略VIII . 先验概率 , 似然概率 与 后验概率

数据挖掘
贝叶斯公式
先验概率
似然概率
后验概率
原创 2022-03-09 10:13:23 203 阅读

【数据挖掘】数据挖掘算法 组件化思想 示例分析 ( 组件化思想 | Apriori 算法 | K-means 算法 | ID3 算法 )

I . 数据挖掘算法组件化思想II . Apriori 算法 ( 关联分析算法 )III . K-means 算法 ( 聚类分析算法 )IV . ID3 算法 ( 决策树算法 )

数据挖掘
数据挖掘算法组件化
Apriori
K-means
ID3
原创 2022-03-09 10:13:11 150 阅读

【数据挖掘】分类任务简介 ( 分类概念 | 分类和预测 | 分类过程 | 训练集 | 测试集 | 数据预处理 | 有监督学习 )

I . 分类概念II . 分类 ( 离散值 ) 和 预测 ( 连续值 )III . 分类过程IV . 分类过程中使用的数据集 ( 训练集 | 测试集 | 新数据 )V . 数据预处理VI . 分类方法评价VII . 分类算法举例VIII . 有监督学习 和 无监督学习

分类
预测
训练集
测试集
有监督学习
原创 2022-03-09 10:13:11 897 阅读

【数据挖掘】神经网络 后向传播算法( 向后传播误差 | 输出层误差公式 | 隐藏层误差公式 | 单元连接权值更新公式 | 单元偏置更新公式 | 反向传播 | 损失函数 | 误差平方和 | 交叉熵 )

I . 向后传播误差 简介II . 输出层误差计算公式III . 隐藏层层误差计算公式IV . 使用误差更新 连接权值V . 使用误差更新 单元偏置VI . 反向传播 过程VII . 损失函数 简介VIII . 损失函数IX . 损失函数 举例X . 损失函数 优化过程

数据挖掘
神经网络
后向传播算法
损失函数
反向传播
原创 2022-03-09 10:13:10 774 阅读

【数据挖掘】决策树算法简介 ( 决策树模型 | 模型示例 | 决策树算法性能要求 | 递归创建决策树 | 树根属性选择 )

I . 决策树模型II . 决策树模型 示例III . 决策树算法列举IV . 决策树算法 示例V . 决策树算法性能要求VI . 决策树模型创建 ( 递归创建决策树 )VII . 决策树 树根属性 选择

数据挖掘
决策树
决策树创建
信息增益
信息和熵
原创 2022-03-09 10:13:10 629 阅读

【数据挖掘】聚类算法 简介 ( 基于划分的聚类方法 | 基于层次的聚类方法 | 基于密度的聚类方法 | 基于方格的聚类方法 | 基于模型的聚类方法 )

I . 聚类主要算法II . 基于划分的聚类方法III . 基于层次的聚类方法IV . 聚合层次聚类 图示V . 划分层次聚类 图示VI . 基于层次的聚类方法 切割点选取VII . 基于密度的方法VIII . 基于方格的方法IX . 基于模型的方法

基于划分的聚类
基于层次的聚类
基于密度的聚类
基于方格的聚类
基于模型的聚类
原创 2022-03-09 10:13:09 359 阅读

【数据挖掘】拉普拉斯修正 ( 判别模型 | 概率模型 | 贝叶斯分类 | 拉普拉斯修正 | 朴素贝叶斯分类应用场景 | 朴素贝叶斯优缺点 )

I . 判别模型 与 概率模型II . 贝叶斯分类III . 拉普拉斯修正IV . 使用 朴素贝叶斯分类器 + 拉普拉斯修正 为样本分类 ( 完整分类流程 )V . 朴素贝叶斯分类器使用VI . 朴素贝叶斯分类的优缺点

数据挖掘
贝叶斯分类
朴素贝叶斯分类
拉普拉斯修正
概率模型
原创 2022-03-09 10:13:08 2092 阅读 1收藏

【数据挖掘】数据挖掘建模 ( 预测建模 | 描述建模 | 预测模型 | 描述模型 | 判别模型 | 概率模型 | 基于回归的预测模型 )

I . 预测建模 与 描述建模II . 预测模型 与 函数映射III . 预测模型的分类 ( 分类 | 回归 )IV . 预测建模 测试集V . 预测建模 拟合过程VI . 预测模型结构确定VII . 基于分类的判别模型VIII . 基于分类的概率模型IX . 预测模型的评分函数X . 基于回归的预测模型

数据挖掘
预测建模
判别模型
概率模型
描述模型
原创 2022-03-09 10:13:07 439 阅读

【数据挖掘】聚类 Cluster 简介 ( 概念 | 应用场景 | 质量 | 相似度 | 算法要求 | 数据矩阵 | 相似度矩阵 | 二模矩阵 | 单模矩阵 )

I . 聚类 ( Cluster ) 概念II . 聚类 ( Cluster ) 应用场景III . 聚类 ( Cluster ) 质量IV . 聚类 ( Cluster ) 质量 测量V . 聚类 ( Cluster ) 算法要求VI . 聚类 ( Cluster ) 数据矩阵VII . 聚类 ( Cluster ) 相似度矩阵VIII . 聚类 ( Cluster ) 二模矩阵 与 单模矩阵

数据挖掘
聚类
相似度
数据矩阵
相似度矩阵
原创 2022-03-09 10:13:07 1992 阅读

【数据挖掘】决策树中根据 信息增益 确定划分属性 ( 信息与熵 | 总熵计算公式 | 每个属性的熵计算公式 | 信息增益计算公式 | 划分属性确定 )

I . 决策树 树根属性 选择II . 信息增益 示例说明III . 信息增益 计算步骤IV . 信息增益 计算使用的数据集 SV . 信息增益 计算公式 已知条件VI . 信息增益 总熵 计算公式VII . 信息增益 每个属性的熵 计算公式VIII . 信息增益 计算公式IX . 信息增益计算 案例X . 信息增益计算 递归确定 树根属性

决策树
数据挖掘
熵
信息
信息增益
原创 2022-03-09 10:13:06 239 阅读

【数据挖掘】贝叶斯分类 ( 贝叶斯分类器 | 贝叶斯推断 | 逆向概率 | 贝叶斯公式 | 贝叶斯公式推导 | 使用贝叶斯公式求逆向概率 )

I . 贝叶斯分类器II . 贝叶斯推断 ( 逆向概率 )III . 贝叶斯推断 应用场景 ( 垃圾邮件过滤 )IV . 贝叶斯方法 由来V . 贝叶斯方法VI . 贝叶斯公式VII . 贝叶斯公式 ③ 推导过程VIII . 使用贝叶斯公式求逆向概率

数据挖掘
贝叶斯
贝叶斯公式
逆向概率
贝叶斯分类器
原创 2022-03-09 10:13:06 226 阅读 1点赞

【数据挖掘】决策树 分类 ( 抽取分类规则 | 过拟合 | 剪枝 | 先剪 | 后剪 | 连续数值离散化 | 最优化分点 | 增益率选择划分属性 )

I . 决策树 分类规则抽取II . 决策树 过拟合 与 剪枝III . 决策树 剪枝 先剪 与 后剪 对比IV . 连续属性 离散化处理 ( 二分法 | 最优划分点 )V . 根据 增益率 选择划分属性VI . 根据 增益率 选择划分属性 计算案例VII . 决策树 作用 及 优势

数据挖掘
决策树
剪枝
增益率
连续数据离散化
原创 2022-03-09 10:13:05 325 阅读

【数据挖掘】朴素贝叶斯分类器 ( 多属性概率计算 | 朴素贝叶斯分类案例分析 )

I . 朴素贝叶斯分类器 简介II . 后验概率 及 对比内容III . 先验概率 及 未知处理方案IV . 处理多属性数据集方案V . 朴素贝叶斯分类 案例

数据挖掘
贝叶斯公式
朴素贝叶斯算法
朴素贝叶斯分类
朴素贝叶斯分类器
原创 2022-03-09 10:12:41 470 阅读

【数据挖掘】贝叶斯公式在垃圾邮件过滤中的应用 ( 先验概率 | 似然概率 | 后验概率 )

I . 垃圾邮件过滤 需求 及 表示方法II . 贝叶斯方法 步骤 1 : 提出假设III . 贝叶斯方法 步骤 2 : 计算垃圾邮件假设概率IV . 贝叶斯方法 步骤 2 : 计算正常邮件假设概率V . 贝叶斯方法 步骤 3 : 比较假设的概率VI . 先验概率VII . 似然概率

贝叶斯公式
邮件过滤
数据挖掘
先验概率
似然概率
原创 2022-03-09 10:12:35 525 阅读

【数据挖掘】神经网络 后向传播算法 ( 神经网络分类 | 适用场景 | 优缺点 | 多路前馈神经网络 | 后向传播算法步骤 | 初始化权 | 向前传播输入 )

I . 基于 神经网络 进行分类II . 神经网络分类适用场景III . 神经网络分类的弊端IV . 神经网络分类的优点V . 后向传播算法V

后向传播算法
数据挖掘
神经网络
向前传播输入
向后传播误差
原创 2022-03-09 10:12:29 471 阅读

【数据挖掘】神经网络简介 ( 有向图本质 | 拓扑结构 | 连接方式 | 学习规则 | 分类 | 深度学习 | 机器学习 )

I . 神经网络 ( Neural Networks ) 简介II . 神经网络三要素III . 神经网络拓扑结构IV . 神经网络连接方式V . 神经网络学习规则VI . 浅层神经网络 与 深度神经网络VII . 深度学习 简介VIII . 机器学习 简介IX . 深度学习 与 机器学习 建模对比X . 深度学习 与 机器学习 性能对比

神经网络
数据挖掘
神经元
深度学习
机器学习
原创 2022-03-09 10:12:20 536 阅读

【数据挖掘】贝叶斯信念网络 ( 马尔科夫假设 | 结构 | 有向无环图 | 参数 | 条件概率表 | 案例分析 )

I . 贝叶斯信念网络II . 马尔科夫假设III . 贝叶斯信念网络 示例 1IV . 贝叶斯信念网络 示例 2V . 贝叶斯信念网络 联合概率分布计算VI . 贝叶斯信念网络 联合概率分布计算 2VII . 贝叶斯信念网络 训练过程

数据挖掘
贝叶斯信念网络
马尔科夫假设
有向无环图
条件概率表
原创 2022-03-09 10:12:14 583 阅读

【数据挖掘】神经网络 后向传播算法 ( 线性回归与逻辑回归 | 单个神经元本质及逻辑 | 神经网络每一层分析 | 神经网络矩阵形式 | 线性变换与非线性变换 )

I . 线性回归 与 逻辑回归II . sigmod 非线性激活函数III . 神经元单元 逻辑IV . 单个 神经元单元 总结V . 神经网络 每一层分析VI . 神经网络 矩阵形式

数据挖掘
神经网络
线性回归
逻辑回归
sigmod
原创 2022-03-09 10:11:47 181 阅读

【数据挖掘】神经网络 后向传播算法 向前传播输入 案例计算分析 ( 网络拓扑 | 输入层计算 | 隐藏层计算 | 输出层计算 )

I . 神经网络 后向传播算法 计算 隐藏层 与 输出层 的输入输出实例分析II . 神经网络 后向传播算法 输入层公式III. 神经网络 后向传播算法 输入层计算IV . 神经网络 后向传播算法 隐藏层 / 输出层 输入公式V . 神经网络 后向传播算法 隐藏层 / 输出层 输出公式VI . 神经网络 后向传播算法 计算单元 4 输入值 ( 隐藏层 )VII . 神经网络 后向传播算法 计算单元 5 输入值 ( 隐藏层 )VIII . 神经网络 后向传播算法 计算单元 4 输出值 ( 隐藏层

数据挖掘
神经网络
后向传播算法
向前传播输入
sigmod
原创 2022-03-09 10:11:47 590 阅读

【数据挖掘】卷积神经网络 ( 池化 | 丢弃 | 批量规范化 | 卷积神经网络完整流程示例 | 卷积 | 池化 | 全连接 | 输出 | 卷积神经网络总结 )

I . 池化II . 丢弃操作III . 批量规范化IV . 卷积神经网络 完整流程示例 ( 1 ) : 原始输入图V . 卷积神经网络 完整流程示例 ( 2 ) : 卷积层 C_1C VI . 卷积神经网络 完整流程示例 ( 3 ) : 池化层 S_2S VII . 卷积神经网络 完整流程示例 ( 4 ) : 卷积层 C_3C VIII . 卷积神经网络 完整流程示例 ( 5 ) : 卷积层 C_3C 特征组合示例IX . 卷积神经网络 完整流程示例 ( 6 ) : 池化层 S_4S

卷积神经网络
数据挖掘
池化
卷积
卷积层
原创 2022-03-09 10:11:46 216 阅读

【数据挖掘】卷积神经网络 ( 视觉原理 | CNN 模仿视觉 | 卷积神经网络简介 | 卷积神经网络组成 | 整体工作流程 | 卷积计算图示 | 卷积计算简介 | 卷积计算示例 | 卷积计算参数 )

I . 人类的视觉原理II . 卷积神经网络 模仿 视觉原理III . 卷积神经网络简介IV . 卷积神经网络 组成V . 卷积神经网络 工作流程VI . 降低样本参数数量级VII . 卷积计算 图示分析VIII . 卷积计算 简介IX . 卷积计算 示例X . 卷积本质XI . 卷积 计算 参数

数据挖掘
卷积神经网络
卷积运算
卷积核
CNN
原创 2022-03-09 10:11:45 441 阅读 1点赞

【数据挖掘】神经网络 后向传播算法 ( 梯度下降过程 | 梯度方向说明 | 梯度下降原理 | 损失函数 | 损失函数求导 | 批量梯度下降法 | 随机梯度下降法 | 小批量梯度下降法 )

I . 梯度下降 Gradient Descent 简介 ( 梯度下降过程 | 梯度下降方向 )II . 梯度下降 示例说明 ( 单个参数 )III . 梯度下降 示例说明 ( 多个参数 )IV . 梯度下降 总结 ( 定义损失函数 | 损失函数求导 )V . 梯度下降 方法VI . 批量梯度下降法VII . 随机梯度下降法VIII . 小批量梯度下降法

数据挖掘
后向传播算法
梯度下降
批量梯度下降法
损失函数
原创 2022-03-09 10:11:45 703 阅读

【数据挖掘】K-NN 分类 ( 简介 | 分类概念 | K-NN 分类实例 | K-NN 分类准确度评估 | K-NN 分类结果评价指标 | 准确率 | 召回率 )

I . K-NN 简介II . K-NN 分类III . K-NN 分类实例IV . K-NN 分类 准确性评估方法V . 保持法VI . kk-交叉确认法VII . K-NN 分类结果评价指标VIII . 分类 判定 二维表IX . 准确率X . 召回率XI . 准确率与召回率关联XII . 准确率 与 召回率 综合考虑

数据挖掘
K-NN
准确率
召回率
K最近邻
原创 2022-03-09 10:11:44 555 阅读

【数据挖掘】K-Means 一维数据聚类分析示例

K-Means 一维数据计算示例 数据样本 及 初始值K-Means 一维数据 距离计算方式K-Means 算法 步骤第一次迭代 : 步骤 ( 1 ) 计算距离第一次迭代 : 步骤 ( 2 ) 聚类分组第一次迭代 : 步骤 ( 3 ) 计算中心值第二次迭代 : 步骤 ( 1 ) 计算距离第二次迭代 : 步骤 ( 2 ) 聚类分组第二次迭代 : 步骤 ( 3 ) 计算中心值第三次迭代 : 步骤 ( 1 ) 计算距离第三次迭代 : 步骤 ( 2 ) 聚类分组第三次迭代 : 步骤 ( 3 )

数据挖掘
聚类分析
K-Means
曼哈顿距离
迭代
原创 2022-03-09 10:11:43 767 阅读

【数据挖掘】聚类 Cluster 矩阵转换 数据矩阵 -> 相似度矩阵 ( 聚类数据类型 | 区间标度型变量及标准化 | 相似度计算 | 明科斯基距离 | 曼哈顿距离 | 欧几里得距离 )

I . 聚类数据类型II . 区间标度型变量III . 区间标度型变量 标准化IV . 区间标度型变量 标准化 ( 1 ) 计算所有数据的平均值V . 区间标度型变量 标准化 ( 2 ) 计算平均绝对偏差VI . 区间标度型变量 标准化 ( 3 ) 计算标准化度量值VII . 区间标度型变量 标准化 ( 4 ) 属性标准化示例VIII . 相似度计算 ( 1 ) 明科斯基距离IX . 相似度计算 ( 2 ) 曼哈顿距离X . 相似度计算 ( 3 ) 欧几里得距离

相似度计算
明科斯基距离
曼哈顿距离
欧几里得距离
聚类分析
原创 2022-03-09 10:11:38 452 阅读

【数据挖掘】基于划分的聚类方法 ( K-Means 算法简介 | K-Means 算法步骤 | K-Means 图示 )

I . 基于划分的聚类方法II . K-Means 算法 简介III . K-Means 算法 步骤IV . K-Means 方法的评分函数V . K-Means 算法 图示

聚类
K-Means
基于划分的聚类方法
中心点
数据集
原创 2022-03-09 10:11:37 439 阅读

【数据挖掘】高斯混合模型 ( 与 K-Means 每个步骤对比 | 初始参数设置 | 计算概率 | 计算平均值参数 | 计算方差参数 | 计算高斯分布概率参数 | 算法终止条件 )

I . 高斯混合模型 ( 样本 -> 模型 )II . 高斯混合模型 ( 模型 -> 样本 )III . 高斯混合模型 与 K-Means 迭代过程对比IV . 高斯混合模型 聚类分析 步骤 ( 1 ) 设置参数值V . 高斯混合模型 聚类分析 步骤 ( 2 ) 计算概率VI . 高斯混合模型 参数分析 : 11 个样本概率 与 kk 个聚类分组VII . 高斯混合模型 参数分析 : nn 个样本概率 与 11 个聚类分组VIII . 高斯混合模型 聚类分析 步骤 ( 3 ) 更新参数 平均值

高斯混合模型
K-Means
聚类
数据挖掘
方差
原创 2022-03-09 10:11:36 825 阅读
  • 1
  • 2

Copyright © 2005-2025 51CTO.COM 版权所有 京ICP证060544号

关于我们
官方博客 全部文章 热门标签 班级博客
了解我们 网站地图 意见反馈
友情链接
鸿蒙开发者社区 51CTO学堂
51CTO 软考资讯