最近更新:
分类: 数据挖掘入门
AI 教程网络
专题导读
文章分组
基础、实践、扩展三个阶段,按文章顺序排列。
图文教程
数据挖掘不是只跑算法,而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「数据挖掘的定义 -> 关键特性 -> 相关技术 -> 案例」建立结构,再回到正文里的代码、案例或指标做验证。
数据挖掘不是只跑算法,而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「数据挖掘的广泛应用 -> 市场营销 -> 金融服务 -> 医疗健康」建立结构,再回到正文里的代码、案例或指标做验证。
数据挖掘不是只跑算法,而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「数据挖掘的概念 -> 数据挖掘的流程 -> 定义目标 -> 数据收集」建立结构,再回到正文里的代码、案例或指标做验证。
数据挖掘不是只跑算法,而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「什么是数据清洗? -> 数据清洗的步骤 -> 识别和处理缺失值 -> 去除重复数据」建立结构,再回到正文里的代码、案例或指标做验证。
数据挖掘不是只跑算法,而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「缺失值的识别 -> 示例代码 -> 缺失值处理的方法 -> 删除缺失值」建立结构,再回到正文里的代码、案例或指标做验证。
数据挖掘不是只跑算法,而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「数据转换 -> 归一化 -> 数据清洗 -> 特征探索」建立结构,再回到正文里的代码、案例或指标做验证。
数据挖掘不是只跑算法,而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「描述性分析的概念 -> 描述性分析步骤 -> 数据导入 -> 基本统计量计算」建立结构,再回到正文里的代码、案例或指标做验证。
数据挖掘不是只跑算法,而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「可视化的目的 -> 常见可视化技术 -> 直方图 -> 箱线图」建立结构,再回到正文里的代码、案例或指标做验证。
数据挖掘不是只跑算法,而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「统计分析方法概述 -> 描述性统计 -> 推断性统计 -> 相关性分析」建立结构,再回到正文里的代码、案例或指标做验证。
数据挖掘不是只跑算法,而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「什么是分类? -> 分类的基本步骤 -> 常用的分类算法 -> 分类模型评估」建立结构,再回到正文里的代码、案例或指标做验证。
数据挖掘不是只跑算法,而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「聚类的定义 -> 聚类的应用场景 -> 常见的聚类算法 -> K-Means算法」建立结构,再回到正文里的代码、案例或指标做验证。
数据挖掘不是只跑算法,而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「关联规则的基本概念 -> 关联规则算法 -> Apriori 算法 -> FP-Growth 算法」建立结构,再回到正文里的代码、案例或指标做验证。
数据挖掘不是只跑算法,而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「为什么需要评估指标? -> 主要评估指标 -> 数据清洗 -> 特征探索」建立结构,再回到正文里的代码、案例或指标做验证。
数据挖掘不是只跑算法,而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「什么是过拟合和欠拟合? -> 过拟合 -> 欠拟合 -> 如何识别过拟合与欠拟合」建立结构,再回到正文里的代码、案例或指标做验证。
数据挖掘不是只跑算法,而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「模型选择的重要性 -> 常见模型选择方法 -> 交叉验证 -> 网格搜索」建立结构,再回到正文里的代码、案例或指标做验证。
数据挖掘不是只跑算法,而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「案例背景 -> 数据集介绍 -> 数据集示例 -> 数据分析方法」建立结构,再回到正文里的代码、案例或指标做验证。
数据挖掘不是只跑算法,而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「项目概述 -> 数据预处理 -> 数据探索性分析 -> 特征工程」建立结构,再回到正文里的代码、案例或指标做验证。
数据挖掘不是只跑算法,而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「一、项目回顾 -> 二、经验总结 -> 数据理解的重要性 -> 数据预处理的关键步骤」建立结构,再回到正文里的代码、案例或指标做验证。