数据挖掘笔记-01

数据挖掘步骤：  数据准备  数据探索  模型建立  模型评估  模型部署

数据挖掘方法分类：  关联  回归  分类  聚类  预测  诊断

数据准备：  数据收集  数据质量分析  数据预处理

数据探索：  数据可视化  数据降维  数据统计  衍生变量

关联方法：  Apriori  FP-Growth

回归方法：  一元回归  多元回归  逐步回归  Logistic回归

分类方法：  朴素贝叶斯  SVM支持向量机  神经网络  决策树  KNN近邻  逻辑斯梯模型  分类分析  判别分析

聚类方法：  K-Means聚类  层次聚类  神经网络  模糊C均值  高斯混合聚类

预测方法：  灰色预测  马尔科夫预测

诊断方法：  

　　离群点监测：   基于统计   基于距离   基于密度   基于聚类

时间序列方法：  平稳时间序列方法  季节指数  时间序列模型  

智能优化方法：  遗传算法  模拟退火算法  蚁群算法

机器学习：

 数据挖掘 = 机器学习 + 数据仓库  

模式识别 = 机器学习  

统计学习 ≈ 机器学习   

计算机视觉 = 图像处理 + 机器学习  

语音识别 = 语音处理 + 机器学习  

自然语言处理 = 文本处理 + 机器学习

机器学习方法：监督学习、无监督学习：  

监督学习：   

回归算法   神经网络 ANN   支持向量机 SVM  

无监督学习：   聚类算法   降维算法  

其他学习：   推荐算法

大数据分析方法：  

大数据，小分析：OLAP，多维分析思想  

大数据，大分析：数据挖掘与机器学习  

流式分析：事件驱动架构  

查询分析：NoSql分析

机器学习的子类---》深度学习

机器学习的父类---》人工智能