數(shù)據(jù)挖掘?qū)д摻滩呐涮捉虒W(xué)入課市公開(kāi)課金獎(jiǎng)市賽課一等獎(jiǎng)?wù)n件

數(shù)據(jù)挖掘?qū)д撝胝n第1頁(yè)數(shù)據(jù)挖掘是什么數(shù)據(jù)挖掘——DataMining（DM）數(shù)據(jù)挖掘是發(fā)覺(jué)數(shù)據(jù)中潛在有用模式（信息、知識(shí)、規(guī)律、模型）過(guò)程獵人在動(dòng)物遷徙行為中尋找模式農(nóng)夫在莊稼生長(zhǎng)中尋找模式政客在選民意見(jiàn)中尋找模式戀人在對(duì)方反應(yīng)中尋找模式10十月第2頁(yè)，共10頁(yè)“人類正被數(shù)據(jù)淹沒(méi)，卻饑渴于信息”——JohnNaisbitt（未來(lái)學(xué)家）第2頁(yè)數(shù)據(jù)挖掘能做什么分類（Classification）應(yīng)用：評(píng)定信用卡申請(qǐng)者風(fēng)險(xiǎn)等級(jí)——低、中、高方法：使用已知分類實(shí)例建立分類模型，對(duì)未知分類實(shí)例進(jìn)行分類10十月第3頁(yè)，共10頁(yè)第3頁(yè)數(shù)據(jù)挖掘能做什么估值（Estimation）應(yīng)用：依據(jù)購(gòu)置模式，預(yù)計(jì)一個(gè)家庭孩子個(gè)數(shù)、收入或財(cái)產(chǎn)估值類似于分類，不一樣之處于于分類輸出是離散量，估值輸出為連續(xù)值分類類別數(shù)確定，估值量是不確定10十月第4頁(yè)，共10頁(yè)第4頁(yè)數(shù)據(jù)挖掘能做什么預(yù)測(cè)（Prediction）應(yīng)用：預(yù)測(cè)明天上證指數(shù)收盤價(jià)方法：經(jīng)過(guò)分類或估值得出預(yù)測(cè)模型，用該模型對(duì)未知變量預(yù)測(cè)10十月第5頁(yè)，共10頁(yè)第5頁(yè)數(shù)據(jù)挖掘能做什么相關(guān)分析（associationanalysis）應(yīng)用：購(gòu)物籃分析（MarketBasketAnalysis）——超市中，客戶在購(gòu)置A同時(shí)，是否經(jīng)常會(huì)購(gòu)置B或隔一段時(shí)間后，會(huì)購(gòu)置B。目標(biāo)是找到零售產(chǎn)品之間有趣關(guān)系方法：生成關(guān)聯(lián)規(guī)則，表示客戶購(gòu)置行為關(guān)聯(lián)關(guān)系10十月第6頁(yè)，共10頁(yè)第6頁(yè)數(shù)據(jù)挖掘能做什么聚類（Clustering）應(yīng)用：在信用卡企業(yè)，發(fā)覺(jué)輸入屬性一個(gè)集合，來(lái)區(qū)分接收壽險(xiǎn)促銷和未接收促銷持卡人。方法：對(duì)實(shí)例分組，把相同實(shí)例放在一個(gè)聚類中，發(fā)覺(jué)最能區(qū)分各聚類經(jīng)典屬性，使用這些屬性開(kāi)發(fā)預(yù)測(cè)未來(lái)結(jié)果模型10十月第7頁(yè)，共10頁(yè)第7頁(yè)主要內(nèi)容10十月第8頁(yè)，共10頁(yè)第8頁(yè)課時(shí)分配教學(xué)內(nèi)容課時(shí)分配小計(jì)講課上機(jī)實(shí)踐討論/習(xí)題第0講入課112第1講認(rèn)識(shí)數(shù)據(jù)挖掘527第2講基本數(shù)據(jù)挖掘技術(shù)639第3講數(shù)據(jù)庫(kù)中知識(shí)發(fā)覺(jué)336第4講數(shù)據(jù)倉(cāng)庫(kù)3339第5講評(píng)定技術(shù)336第6講神經(jīng)網(wǎng)絡(luò)技術(shù)336第7講統(tǒng)計(jì)技術(shù)3339第8講時(shí)間序列和基于Web挖掘336合計(jì)3015156010十月第9頁(yè)，共10頁(yè)表0-1課時(shí)安排第9頁(yè)推薦資源全球最大數(shù)據(jù)挖掘信息網(wǎng)站-——數(shù)據(jù)挖掘和分析軟件，求職，咨詢，課程等數(shù)據(jù)挖掘小區(qū)資源機(jī)器學(xué)習(xí)領(lǐng)域UCI數(shù)據(jù)集——UniversityofCaliforniaIrvine提出用于機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)，當(dāng)前擁有2