跳到主要内容
输入搜索条件
您正在用访客帐号访问 (
登录
)
当前访问位置:
首页
课程
数据挖掘与数据仓库(共享)
学习内容
单元七:数据分类
习题
单元七习题
数据挖掘与数据仓库(共享)
共享课程
单元七习题
1. 什么是贝叶斯概率?描述一下计算过程
2. 画出一个贝叶斯网络拓扑图
3. 描述贝叶斯网络的预测、诊断和训练算法
最后修改: 2023年04月20日 星期四 10:28
◄ 7.3贝叶斯网络的预测、诊断和训练算法
跳至...
跳至...
学时安排
1.1数据仓库概念与特点(ppt)
1.2数据仓库的体系结构(ppt)
1.3数据仓库的产品及发展(ppt)
1.1数据仓库的概念与特点
1.2数据仓库的体系结构
1.3数据仓库的产品及发展
1.1数据仓库的定义
1.2数据仓库的特点
1.3数据仓库与数据库的区别与联系
1.4数据仓库的体系结构
1.5数据的仓库的产生和发展
1.6国内外数据仓库的发展现状和趋势
1.7数据仓库的应用案例
单元一习题
2.1数据仓库的设计原则与模式 (ppt)
2.2数据仓库的设计过程(ppt)
2.3数据仓库的建模(一)(ppt)
2.4数据仓库的建模(二)(ppt)
2.1数据仓库的设计原则与模式
2.2数据仓库的设计过程
2.3数据仓库的建模(一)
2.4数据仓库的建模(二)
2.1三层数据结构
2.2数据特征
2.3数据ETL过程
2.4多维数据模型
单元二习题
3.1 OLAP技术 (ppt)
3.2 数据处理技术(ppt)
3.3 数据分析的内涵(ppt)
3.1 OLAP技术概述
3.2 数据处理技术
3.3数据分析的内涵
3.1数据仓库系统的设计与开发
3.2设计流程步骤
3.3操作步骤
单元三习题
4.1数据挖掘概述(ppt)
4.2数据挖掘方法与技术(ppt)
4.1 数据挖掘概述
4.2 数据挖掘方法与技术
4.1数据挖掘的概念
4.2数据挖掘的常用算法
4.3数据挖掘技术流程
4.4数据挖掘常用方法
4.5关联规则挖掘
4.6Apriori算法 & FP-growth算法
4.7相关研究与应用
单元四习题
5.1聚类算法(ppt)
5.2 k-均值算法(ppt)
5.1 聚类概述及相似度测量
5.2 k-均值算法
5.1数据分类
5.2鸢尾花的分类
5.3数据分类
5.4鸢尾花的分类
5.5数据分类的过程与评价
5.6决策树
5.7支持向量机
5.8近邻分类方法
单元五习题
6.1-关联分析的概念(ppt)
6.2-Apriori算法(ppt)
6.3-提高Apriori算法的有效性(ppt)
6.1关联分析的概念
6.2Aprior算法
6.3提高Apriori算法的有效性
6.1聚类分析
6.2相似度的计算方法
6.3K-means聚类算法
6.4层次聚类方法
单元六习题
7.1-分类过程(ppt)
7.2-k-最邻近分类算法(ppt)
7.3-决策树(ppt)
7.4-贝叶斯分类算法(ppt)
7.1分类过程
7.2k-最邻近分类算法
7.3决策树
7.4贝叶斯分类算法
7.1贝叶斯概率
7.2贝叶斯网络
7.3贝叶斯网络的预测、诊断和训练算法
8.1-线性回归分析(ppt)
8.2-逻辑回归分析(ppt)
8.1线性和非线性回归分析
8.2逻辑回归分析
8.1神经网络
8.2神经元模型
8.3BP算法
8.4遗传算法的机理
8.5遗传算法设计
单元八习题
9.1-文本挖掘技术(ppt)
9.2-Web挖掘(ppt)
9.3-空间数据挖掘(ppt)
9.1文本挖掘技术
9.2Web挖掘
9.3空间数据挖掘
9.1线性回归
9.2线性回归模型参数估计和判定系数
9.3线性回归方程的检验
9.4线性回归
9.5线性回归模型参数估计和判定系数
9.6线性回归方程的检验
9.7Logistic模型
9.8时间序列模型
单元九习题
期末复习指引
期末模拟题
单元一测试
单元二测验
单元三测验
单元四测验
单元五测验
单元六测验
单元七测验
单元八测验
单元九测验
数据分析常见陷阱
数据挖掘初识
数据仓库原理与实战
数据分析与数据挖掘(清华大学)
数据巧收集——红牛的大数据营销案例
数据可视化——数据新闻促使英军撤军
人工智能技术在今日头条上的应用案例
大数据公司的挖掘价值的典型案例(一)
8.1-线性回归分析(ppt) ►