数据挖掘的主要内容培训资料.pptVIP

“数据挖掘综述” 　Overview for Data Mining;Contents; ;数据挖掘的发展动力 ---需要是发明之母; ;数据挖掘的步骤 ;数据挖掘的应用领域 ;数据库、机器学习、统计 面临的挑战： 海量数据的挖掘的效率和可扩展性 在数据库中挖掘不同类型的知识 在不同抽象层上的交互式知识挖掘 数据挖掘结果的表示和可视化 处理噪声和不完全数据 ;第1章 数据挖掘概论;第2章 数据预处理;为什么进行数据预处理？;数据为什么会变“脏”？;数据预处理为什么是重要的？;数据质量的多维度量;数据预处理的主要任务;;第2章 数据预处理;描述性数据汇总;度量的分类;度量中心趋势 (1);度量中心趋势 (2);对称 VS. 倾斜的数据;度量数据的离散度 （1）;度量数据的离散度 （2）;盒图——示例;使用盒图的数据离散的可视化描述;基本统计类描述的图形显示——直方图;分位数图;分位数－分位数图（Q-Q 图）;散布图;loess曲线;第2章 数据预处理;数据清理;空缺值;如何处理空缺值;噪声数据;如何处理噪声数据 ;数据平滑的分箱方法;聚类;回归;数据清理做为一个过程 (1);数据清理做为一个过程 (2);第2章 数据预处理;数据集成;处理数据集成中的冗余数据;分类（离散）数据的相关性分析;数据变换 ;数据变换——规范化;第2章 数据预处理;数据归约 (1);数据归约 (2);数据立方体聚集;维归约;数据压缩;有损压缩 VS. 无损压缩;数值归约;回归分析与对数线性模型;直方图;聚类;选样;选样——SRS;选样——聚类/分层选样;第2章 数据预处理;离散化;离散化和概念分层;数据数值的离散化和概念分层生成;通过自然划分分段;自然划分的3-4-5规则;3-4-5规则——例子;分类数据的概念分层生成;属性集的规格;第3章 数据仓库与OLAP技术; 1.多维数据模型 2.数据仓库的体系结构 3.数据仓库实现 4.从数据仓库到数据挖掘;多维数据模型 (1);多维数据模型 (2) ——示例;多维数据模型 (3);多维数据模型 (4);数据立方体——一个方体的格;数据仓库的概念模型;星型模式实例;雪花模式实例;事实星座模式实例;一种数据挖掘查询语言: DMQL;实例：使用DMQL定义星型模式;实例：使用DMQL定义雪花模式;实例：使用DMQL定义事实星座模式;度量的分类;概念分层 (1) ;概念分层 (2): location维的一个概念分层;概念分层 (3) ——使用;多维数据模型上的OLAP操作 (1);多维数据模型上的OLAP操作 (2);第三章 数据仓库与OLAP技术概述;数据仓库的体系结构;数据仓库设计：一个商务分析框架 (1);数据仓库设计：一个商务分析框架 (2);数据仓库设计：一个商务分析框架 (3);数据仓库的设计过程 (1);数据仓库的设计过程 (2);三层数据仓库架构 (1);三层数据仓库架构 (2);三种数据仓库模型;数据仓库开发：困难与方法;数据仓库后端工具和程序;元数据存储;元数据的使用;OLAP服务器类型 (1);OLAP服务器类型 (2);第3章 数据仓库与OLAP技术概述;数据仓库的实现;数据立方体的有效计算 (1);数据立方体的有效计算 (2);数据立方体的物化;第3章 数据仓库与OLAP技术概述;数据仓库的应用;从联机分析处理到联机分析挖掘;联机分析挖掘的体系结构;第4章 数据立方体计算与数据泛化;数据泛化;两种不同类别的数据挖掘;数据立方体的物化;数据立方体---基本概念(1);数据立方体---基本概念(2);冰山立方体 (1);冰山立方体 (2);闭立方体 (1);闭立方体 (2);立方体外壳;立方体计算的一般策略 (1);立方体计算的一般策略 (2);完全立方体计算的多路数组聚集方法(1);完全立方体计算的多路数组聚集方法(2);完全立方体计算的多路数组聚集方法(3);完全立方体计算的多路数组聚集方法(4);完全立方体计算的多路数组聚集方法(5);完全立方体计算的多路数组聚集方法(6);第5章 频繁模式挖掘、关联规则分析;什么是频繁模式分析？;频繁模式挖掘的重要性;购物篮分析;关联规则：基本概念;规则度量：支持度和置信度;基本概念——示例;频繁项集;关联规则挖掘 的两步过程;闭频繁项集和极大频繁项集;关联规则挖掘分类 (1);关联规则挖掘分类 (2);关联规则挖掘分类 (3);关联规则挖掘分类 (4);由事务数据库挖掘单维布尔关联规则;Apriori算法 (1);Apriori算法 (2);Apriori算法步骤;Apriori算法——示例;使用Apiori性质由L2产生C3;由频繁项集产生关联规则;提高Apriori算法的有效性(1);提高Apriori算法的