实验二：数据规范化实践
上一节
下一节
实验名称：数据规范化实践
实验内容：1、实现三种数据标准化函数，min-max分别将最低、最高映射为0-1和
60-100（两个子函数）、Z-score标准化、sigmod标准化。
2、对给定的数据文件中的所有属性进行步骤1的标准化输出。推荐使用文件读写操作进行数据输入。
梁诗敏
目录
-
1 课程简介
-
1.1 教学大纲
-
1.2 授课计划
-
1.3 课内实训指导书
-
-
2 绪论
-
2.1 数据挖掘的概念和任务
-
2.2 十大经典数据挖掘算法
-
2.3 开放数据获取来源-数据挖掘常见误区
-
2.4 数据挖掘中的隐私保护
-
-
3 认识数据
-
3.1 数据对象和数据属性
-
3.2 数据的统计描述
-
3.3 数据可视化
-
3.4 数据相似性度量
-
3.5 数据可视化案例综合应用
-
-
4 数据预处理
-
4.1 数据清洗
-
4.2 数据集成与数据规约
-
4.3 数据离散化与概念分层
-
-
5 分类与预测
-
5.1 分类与预测：基本概念
-
5.2 决策树分类
-
5.3 朴素贝叶斯分类
-
5.4 决策树方法的分析比较
-
5.5 KNN分类算法
-
5.6 分类与预测算法的性能评价方法
-
5.7 高级分类算法
-
-
6 回归分析
-
6.1 基本概念
-
6.2 线性回归编程案例
-
6.3 逻辑回归
-
6.4 岭回归
-
6.5 CART分类回归树
-
6.6 从线性回归到神经网络
-
6.7 神经网络训练&神经网络设计原则
-
6.8 过拟合与正则化
-
-
7 关联规则挖掘
-
7.1 基本概念
-
7.2 闭项集和极大频繁项
-
7.3 Apriori算法及其应用
-
7.4 关联挖掘的常见误区
-
7.5 FP树及软件实践
-
7.6 课堂实录 Apriori基础与算法
-
7.7 课堂实录 Apriori算法分析与案例应用
-
-
8 聚类分析
-
8.1 聚类概述
-
8.2 聚类的划分方法
-
8.3 聚类的层次方法
-
8.4 聚类的密度方法
-
8.5 孤立点分析
-
8.6 Kmeans简单实战
-
8.7 Kmeans常见错误解析
-
8.8 Kmeans实现数据无监督分类
-
-
9 案例开发与综合应用
-
9.1 scikitlearn安装与配置
-
9.2 KNN预测男女
-
9.3 KNN测试自带数据评分对比以及绘图
-
9.4 KNN用于分类
-
9.5 KNN用于数据回归预测
-
9.6 KNN基于历史数据预测未来
-
-
10 课程实验
-
10.1 实验一：数据可视化实践
-
10.2 实验二：数据规范化实践
-
10.3 实验三：朴素贝叶斯分类与预测
-
10.4 实验四：决策树分类及可视化
-
10.5 实验五：关联规则挖掘
-
10.6 实验六：Kmeans聚类
-
10.7 实验七：密度聚类
-
10.8 实验八：案例综合应用
-
-
11 python数据挖掘编程讲解
-
11.1 函数练习
-
11.2 函数编程
-
11.3 可视化编程
-
11.4 机器学习库的基本编程
-
