高等教育课程平台
首页
课程
教材
虚仿实验
教师教研
研究生教育
创课平台
课外成长
专题
慕课西部行
资讯
工学
计算机类
数据挖掘
数据挖掘
少于1000 人选课
更新日期：2025/05/31
开课平台智慧树
开课高校青岛大学
开课教师宾晟、孙更新、张培俭
学科专业工学计算机类
开课时间2025/01/21 - 2025/07/20
课程周期26 周
开课状态开课中
每周学时-
课程简介
随着大数据时代的到来，面对日益庞大的数据资源，人们迫切需要强有力的工具来“挖掘”其中的有用信息。作为大数据分析技术主要组成部分----数据挖掘技术受到越来越多的重视。 数据挖掘是20世纪末兴起的数据智能分析技术，是一门汇集统计学、机器学习、数据库、人工智能等学科内容的交叉学科。数据挖掘其实是一种深层次的数据分析方法，可以描述为：按企业既定业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化的先进有效的方法，即数据挖掘就是从数据集中识别出有效的、新颖的、潜在有用的，以及最终可理解的模式的非平凡过程。 本课程的特色在于由浅入深、层层推进式地介绍数据挖掘原理。通过课程的教学，使学生理解数据挖掘的重要概念和任务，掌握数据挖掘中的常用算法，为培养计算机专业高年级本科学生具备初步的科研能力和创造能力，以及进入更深入的智能数据分析研究打好基础。
课程大纲

在线教程

章节简介教学计划
大数据与数据挖掘
登录后可预览视频
●
大数据的产生
孙更新
●
什么是大数据
孙更新
●
大数据的特征
孙更新
●
大数据的应用场景
孙更新
●
大数据相关技术
孙更新
●
大数据与数据挖掘的关系
孙更新
数据预处理
●
数据预处理的目的
张培俭
●
数据清理
张培俭
●
数据集成和数据转换
张培俭
●
数据归约
●
数据立方体聚集
张培俭
●
维归约
张培俭
●
数据压缩
张培俭
●
数值归约
张培俭
●
数据离散化
●
数值数据的离散化和概念分层
张培俭
●
分类数据的离散化和概念分层
张培俭
●
特征选择与提取
张培俭
聚类分析
●
基本概念
宾晟
●
K-means算法
宾晟
●
K-means算法的改进
宾晟
●
K-中心点算法--PAM算法
宾晟
●
层次聚类算法
宾晟
●
BIRCH算法
宾晟
●
密度聚类算法
宾晟
分类分析
●
基本概念
宾晟
●
KNN算法
宾晟
●
决策树分类方法
宾晟
●
ID3及其改进算法
宾晟
●
C4.5算法
宾晟
●
朴素贝叶斯分类器
宾晟
●
规则归纳算法
宾晟
●
规则归纳算法实例
宾晟
关联规则挖掘
●
基本概念
宾晟
●
Apriori算法
宾晟
●
强关联规则的生成及综合实例
宾晟
●
Apriori算法的改进
宾晟
●
Close算法
宾晟
●
FP-Growth算法—建树过程
宾晟
●
FP-Growth算法—生成频繁项集
宾晟
序列模式挖掘
●
基本概念
宾晟
●
AprioriAll算法
宾晟
●
AprioriSome算法
宾晟
●
GSP算法
宾晟
●
PrefixSpan算法
宾晟
数据挖掘应用及展望
●
数据挖掘的应用
孙更新
●
数据挖掘技术展望
孙更新

  • 第一章大数据与数据挖掘

    简要介绍大数据与数据挖掘的基本概念，技术及应用

  • ●1.1大数据的产生

    大数据是如何产生的

  • ●1.2什么是大数据

    大数据的定义

  • ●1.3大数据的特征

    大数据的特征

  • ●1.4大数据的应用场景

    大数据的应用场景

  • ●1.5大数据相关技术

    大数据分析中使用的技术

  • ●1.6大数据与数据挖掘的关系

    大数据与数据挖掘的关系

  • 第二章数据预处理

    数据预处理包括哪些内容

  • ●2.1数据预处理的目的

    数据预处理的目的是什么

  • ●2.2数据清理

    数据清理相关内容

  • ●2.3数据集成和数据转换

    数据集成与数据转换相关内容

  • ●2.4数据归约

    数据归约相关内容

  • ●2.5数据离散化

    数据离散化相关内容

  • ●2.6特征选择与提取

    特征选择与提取相关内容

  • 第三章聚类分析

    聚类分析相关内容

  • ●3.1基本概念

    聚类分析基本概念介绍

  • ●3.2K-means算法

    K-means算法

  • ●3.3K-means算法的改进

    K-means算法的改进

  • ●3.4K-中心点算法--PAM算法

    PAM算法

  • ●3.5层次聚类算法

    层次聚类算法

  • ●3.6BIRCH算法

    BIRCH算法

  • ●3.7密度聚类算法

    密度聚类算法

  • 第四章分类分析

    分类分析相关内容

  • ●4.1基本概念

    分类分析基本概念

  • ●4.2KNN算法

    KNN算法

  • ●4.3决策树分类方法

    决策树分类算法

  • ●4.4ID3及其改进算法

    ID3算法

  • ●4.5C4.5算法

    C4.5算法

  • ●4.6朴素贝叶斯分类器

    朴素贝叶斯分类器

  • ●4.7规则归纳算法

    规则归纳算法

  • ●4.8规则归纳算法实例

    规则归纳算法实例讲解

  • 第五章关联规则挖掘

    关联规则挖掘相关内容

  • ●5.1基本概念

    关联规则挖掘基本概念

  • ●5.2Apriori算法

    Apriori算法

  • ●5.3强关联规则的生成及综合实例

    强关联规则的生成及综合实例讲解

  • ●5.4Apriori算法的改进

    Apriori算法的改进

  • ●5.5Close算法

    Close算法

  • ●5.6FP-Growth算法—建树过程

    FP-Growth算法—建树过程讲解

  • ●5.7FP-Growth算法—生成频繁项集

    FP-Growth算法—生成频繁项集过程讲解

  • 第六章序列模式挖掘

    序列模式挖掘相关内容

  • ●6.1基本概念

    序列模式挖掘基本概念

  • ●6.2AprioriAll算法

    AprioriAll算法

  • ●6.3AprioriSome算法

    AprioriSome算法

  • ●6.4GSP算法

    GSP算法

  • ●6.5PrefixSpan算法

    PrefixSpan算法

  • 第七章数据挖掘应用及展望

    数据挖掘应用及展望

  • ●7.1数据挖掘的应用

    数据挖掘的应用

  • ●7.2数据挖掘技术展望

    数据挖掘技术展望

  • 开始学习
  • 第一章  作业测试
    第一章 大数据与数据挖掘

    1.1 大数据的产生

    1.2 什么是大数据

    1.3 大数据的特征

    1.4 大数据的应用场景

    1.5 大数据相关技术

    1.6 大数据与数据挖掘的关系

    视频数6
  • 第二章  作业测试
    第二章 数据预处理

    2.1 数据预处理的目的

    2.2 数据清理

    2.3 数据集成和数据转换

    2.4 数据归约

    2.5 数据离散化

    2.6 特征选择与提取

    视频数10
  • 第三章  作业测试
    第三章 聚类分析

    3.1 基本概念

    3.2 K-means算法

    3.3 K-means算法的改进

    3.4 K-中心点算法--PAM算法

    3.5 层次聚类算法

    3.6 BIRCH算法

    3.7 密度聚类算法

    视频数7
  • 第四章  作业测试
    第四章 分类分析

    4.1 基本概念

    4.2 KNN算法

    4.3 决策树分类方法

    4.4 ID3及其改进算法

    4.5 C4.5算法

    4.6 朴素贝叶斯分类器

    4.7 规则归纳算法

    4.8 规则归纳算法实例

    视频数8
  • 第五章  作业测试
    第五章 关联规则挖掘

    5.1 基本概念

    5.2 Apriori算法

    5.3 强关联规则的生成及综合实例

    5.4 Apriori算法的改进

    5.5 Close算法

    5.6 FP-Growth算法—建树过程

    5.7 FP-Growth算法—生成频繁项集

    视频数7
  • 第六章  作业测试
    第六章 序列模式挖掘

    6.1 基本概念

    6.2 AprioriAll算法

    6.3 AprioriSome算法

    6.4 GSP算法

    6.5 PrefixSpan算法

    视频数5
  • 第七章  作业测试
    第七章 数据挖掘应用及展望

    7.1 数据挖掘的应用

    7.2 数据挖掘技术展望

    视频数2
  • 期末考试