数据挖掘与分析课程笔记（目录）

前言

由于之前的文章《数据挖掘与分析课程笔记》篇幅过大，导致打开的时候加载缓慢，也不利于阅读，同时由于CSDN的限制原文已经不可更改，原文特将其分拆以满足不同读者的阅读需要。各个章节的链接见本文第二部分，每个章节的大纲见本文第三部分。（注：本笔记章节编号对应书中章节编号）

• 参考教材：Data Mining and Analysis : MOHAMMED J.ZAKI, WAGNER MEIRA JR.

文章目录

0. 数据挖掘与分析课程笔记（目录）
1. 数据挖掘与分析课程笔记（Chapter 1）
2. 数据挖掘与分析课程笔记（Chapter 2）
3. 数据挖掘与分析课程笔记（Chapter 5）
4. 数据挖掘与分析课程笔记（Chapter 7）
5. 数据挖掘与分析课程笔记（Chapter 14）
6. 数据挖掘与分析课程笔记（Chapter 15）
7. 数据挖掘与分析课程笔记（Chapter 20）
8. 数据挖掘与分析课程笔记（Chapter 21）

笔记大纲

• Chapter 1 ：准备
  • 1.1 数据矩阵
  • 1.2 属性
  • 1.3 代数与几何的角度
    • 1.3.1 距离与角度
    • 1.3.2 算术平均与总方差
    • 1.3.3 正交投影
    • 1.3.4 线性相关性与维数
  • 1.4 概率观点
    • 1.4.1 二元随机变量
    • 1.4.2 多元随机变量
    • 1.4.3 随机样本与统计量
• Chapter 2：数值属性
  • 2.1 一元分析
    • 2.1.1 集中趋势量数
    • 2.2.2 离差量数
  • 2.2 二元分析
  • 2.3 多元分析
• Chapter 5 Kernel Method：核方法
  • 5.1 核矩阵
    • 5.1.1 核映射的重构
    • 5.1.2 特定数据的海塞核映射
  • 5.2 向量核函数
  • 5.3 特征空间中基本核运算
  • 5.4 复杂对象的核
    • 5.4.1 字串的谱核
    • 5.4.2 图顶点的扩散核
      • - 幂核函数
      • - 指数扩散核函数
      • - 纽因曼扩散核函数
• Chapter 7：降维
  • 7.1 背景
  • 7.2 主元分析：
    • 7.2.1 最佳直线近似
    • 7.2.2 最佳2-维近似
    • 7.2.3 推广
  • 7.3 Kernel PCA：核主元分析
• Chapter 14：Hierarchical Clustering 分层聚类
  • 14.1 预备
  • 14.2 团聚分层聚类
• Chapter 15：基于密度的聚类
  • 15.1 DBSCAN 算法
  • 15.2 密度估计函数（DEF）
  • 15.3 DENCLUE
• Chapter 20: Linear Discriminant Analysis
  • 20.1 Normal LDA
  • 20.2 Kernel LDA：
• Chapter 21: Support Vector Machines (SVM)
  • 21.1 支撑向量与余量
  • 21.2 SVM: 线性可分情形