6月数据挖掘课程7月在线


6月数据挖掘课程7月在线


6月数据挖掘课程7月在线
2016年
数据挖掘班大纲讨论稿(由浅入深、从基础入门到海量数据挖掘/处理,稳步推进)
1、数据挖掘基础入门:数据科学与数学基础知识
内容:数据挖掘基础,微积分、概率论、线性代数基础
实践:用numpy进行矩阵运算
2、数据处理/分析与可视化
内容:数据获取、数据格式、数据内容处理与分析、数据的可视化
实践:用python解析和清洗数据,pandas统计与分析数据,matplotlib和seaborn等做可视化
3、海量数据的分布式处理
内容:hadoop,Spark介绍,Map Reduce数据处理,hive与常见数据统计分析
实践:map reduce计数,文件关联与特征mapping,hiveql统计示例
4、数据上的关联规则
内容:数据关联分析,海量数据的关联分析方案,A-Priori与PCY算法
实践:小型商业服务中的在线认证企业资料挖掘,人群背景与身份关联挖掘
5、数据与聚类
内容:聚类与社区发现算法,深度剖析Kmeans等算法xa0
实践:Spark MLlib下的K-Means算法与GraphX下的Label-Propagation算法实践
6、海量数据索引与近似最近邻
内容:海量数据检索问题,近似最近邻(ANN)常用算法:LSH、KD-Tree、Kmeans-Tree
实践:海量图像数据与最近图片检索
7、数据分类与排序
内容:有监督学习与分类,LR、SVM、深度神经网络与分类排序问题,样本高效训练
实践:kaggle分类问题、海量数据下电商的CTR预估问题
8、海量数据与推荐系统
内容:基于内容的推荐算法,协同过滤,隐因子模型
实践:基于用户/商品的协同过滤推荐,隐因子模型电影推荐
9、海量高维数据与维度约减
内容:数据降维与SVD,CUR分解
实践:SVD与PCA在推荐系统与数据压缩应用
10、海量网页搜索与PageRank
内容:海量数据构成的图关联分析,PageRank与网页搜索
实践:PageRank在图关联数据上的应用与排序

相关资源

发表评论

点 击 提 交