数据分析与挖掘教程指南.docVIP

数据分析与挖掘教程指南

TOC\o1-2\h\u1965第一章数据分析基础 3

129701.1数据分析概述 3

83271.2数据类型与数据结构 3

231421.2.1数据类型 3

293331.2.2数据结构 4

102581.3数据预处理方法 4

243701.3.1数据清洗 4

322551.3.2数据集成 4

133731.3.3数据变换 5

317461.3.4数据降维 5

15848第二章数据可视化 5

252242.1可视化工具介绍 5

214742.2常见图表绘制方法 6

183222.3交互式数据可视化 6

9458第三章数据摸索性分析 6

298133.1描述性统计分析 7

236073.1.1数据的基本统计量 7

149743.1.2数据的分布特征 7

219363.1.3数据的箱线图 7

158653.2相关性分析 7

9493.2.1皮尔逊相关系数 7

292233.2.2斯皮尔曼等级相关系数 7

300903.2.3卡方检验 7

56713.3异常值检测 7

120833.3.1简单统计方法 8

168593.3.2基于聚类的方法 8

177063.3.3基于孤立森林的方法 8

19287第四章数据挖掘算法 8

6944.1分类算法 8

205664.1.1决策树 8

225044.1.2支持向量机（SVM） 8

196594.1.3朴素贝叶斯 8

298344.1.4K最近邻（KNN） 8

119134.1.5随机森林 9

244544.2聚类算法 9

60344.2.1K均值聚类 9

57784.2.2层次聚类 9

193544.2.3密度聚类 9

246064.2.4谱聚类 9

273094.3关联规则挖掘 9

25244.3.1支持度置信度框架 9

271794.3.2Apriori算法 9

246644.3.3FPgrowth算法 10

16494.3.4关联规则的应用 10

20600第五章机器学习基础 10

314555.1机器学习概述 10

271045.1.1定义及发展历程 10

315325.1.2主要任务 10

290675.1.3应用领域 10

265.2监督学习与无监督学习 10

281845.2.1监督学习 10

192115.2.2无监督学习 10

91195.2.3监督学习与无监督学习的区别与联系 11

243295.3评估模型功能 11

253545.3.1评估指标 11

254035.3.2交叉验证法 11

289895.3.3调参 11

168675.3.4实例匹配 11

114245.3.5clusteringbasedapproach 11

12367第六章特征工程 11

30066.1特征选择方法 12

285266.1.1引言 12

97516.1.2单变量特征选择 12

209626.1.3多变量特征选择 12

164786.1.4基于模型的特征选择 12

153006.2特征提取技术 12

244976.2.1引言 13

126696.2.2主成分分析（PCA） 13

172986.2.3非线性降维方法 13

302956.2.4文本特征提取 13

257706.3特征降维 13

1876.3.1引言 13

180766.3.2特征选择降维 14

310276.3.3特征提取降维 14

75346.3.4应用场景 14

25258第七章数据仓库与数据集成 14

29087.1数据仓库概述 14

157477.2数据集成技术 15

87137.3数据清洗与转换 15

17525第八章大数据分析技术 16

272418.1大数据概述 16

64878.1.1定义与特征 16

43198.1.2大数据的发展历程 16

105608.1.3大数据的应用领域 16

326088.2分布式计算框架 16

27248.2.1分布式计算概述 16

157738.2.2Ma