本课程系统讲解数据挖掘的核心技术与应用。内容涵盖数据预处理、分类算法（如朴素贝叶斯、决策树、支持向量机、神经网络）、聚类分析、关联规则挖掘等关键方法，并结合Python工具及真实案例进行实践，旨在培养学员从数据中提取知识、构建预测模型并解决实际问题的能力。

视频课程目录：
1. 数据挖掘概述与工具
2. 数据预处理
3. 朴素贝叶斯分类
4. 决策树
5. 集成学习
6. k-近邻
7. 支持向量机
8. 人工神经网络
9. 聚类分析
10. 关联分析
11. 综合案例




├─{01}--数据挖掘概述
│ │ (1.1)--数据挖掘绪论(1).ppt
│ │ [1.1]--1.1数据挖掘概述.mp4
│ │ [1.2]--1.2数据挖掘工具介绍_batch.mp4
│ │
│ └─{02}--数据挖掘常用工具
│ #1.2.2#--图文.pdf
│ #1.2.3#--图文.pdf
│ (1.2.1)--正片2数据挖掘工具介绍(1).pdf
│ (1.2.2)--Python编程环境安装说明.pdf
│ (1.2.3.1)--正片5skllearn概述.ppt
│ (1.2.3.2)--Boston.csv
│ (1.2.3.3)--利用线性回归构建波士顿房价预测模型.ipynb
│ [1.2.1]--1.2数据挖掘工具介绍_batch(1).mp4
│ [1.2.2]--安装并运行Anaconda_Tri.mp4
│ [1.2.3]--1.3sklearn概述.mp4
│
├─{02}--数据预处理
│ #2.2#--图文.pdf
│ #2.3#--图文.pdf
│ #2.4#--图文.pdf
│ #2.5#--图文.pdf
│ #2.6#--图文.pdf
│ (2.2.1)--正片1缺失值填补.pdf
│ (2.2.2)--缺失值处理.ipynb
│ (2.2.3)--Data.csv
│ (2.2.4)--train.csv
│ (2.2.5)--缺失值处理泰坦尼克号数据.ipynb
│ (2.3.1)--正片5离群值检测.pdf
│ (2.3.2)--accord_sedan_testing.csv
│ (2.3.3)--accord_sedan_training.csv
│ (2.3.4)--二手车数据的离群值检测.ipynb
│ (2.3.5)--汽车价格离群值检测进阶版.ipynb
│ (2.4.1)--正片2数据标准化.pdf
│ (2.4.2)--数据标准化作业答案.doc
│ (2.5.1)--正片3特征编码.pdf
│ (2.5.2)--Data1.csv
│ (2.5.3)--特征编码.ipynb
│ (2.6.1)--正片4特征离散化.pdf
│ (2.6.2)--特征离散化.ipynb
│ [2.1]--2.1高艳辉-数据预处理概述_batch(1).mp4
│ [2.2]--2.2缺失值处理_batch(1).mp4
│ [2.3]--2.3高艳辉-离群值检测_batch.mp4
│ [2.4]--2.4数据标准化与正则化_batch(1).mp4
│ [2.5]--2.5高艳辉-特征编码_batch(1).mp4
│ [2.6]--2.6特征离散化_batch(1).mp4
│
├─{03}--朴素贝叶斯分类
│ #3.2#--图文.pdf
│ #3.4#--图文.pdf
│ #3.5#--图文.pdf
│ (3.1)--4.1分类模型概述.pdf
│ (3.2)--朴素贝叶斯.pdf
│ (3.3)--贝叶斯估计.pdf
│ (3.5.1)--贝叶斯iris.rar
│ (3.5.2)--car.csv
│ (3.5.3)--汽车满意度分类.ipynb
│ (3.5.4)--汽车满意度分类作业答案.ipynb
│ [3.1]--3.1分类模型概述.mp4
│ [3.2]--3.2.朴素贝叶斯(2).mp4
│ [3.3]--3.3.贝叶斯估计(1).mp4
│ [3.4]--3.4数据挖掘—朴素贝叶斯案例.mp4
│ [3.5.1]--3.朴素贝叶斯分类器应用于iris数据集2.mp4
│ [3.5.2]--多项式朴素贝叶斯算法和伯努利朴素贝叶斯算法.mp4
│
├─{04}--决策树
│ #4.1#--图文.pdf
│ #4.5#--图文.pdf
│ #4.6#--图文.pdf
│ (4.1)--4.2决策树分类概述.pdf
│ (4.2)--4.3决策树分类ID3算法.pdf
│ (4.3)--4.4决策树分类C4.5.pdf
│ (4.4)--4.5决策树剪枝(2).pdf
│ (4.5.1)--正片1模型评价.pdf
│ (4.5.2)--分类模型评价指标(1).html
│ (4.6.1)--决策树案例.ipynb
│ (4.6.2)--cardata.csv
│ (4.6.3)--决策树预测汽车客户满意度.ipynb
│ (4.6.4)--credit.csv
│ (4.6.5)--数据集详细描述链接.txt
│ (4.6.6)--个人信用风险评估.html
│ [4.1]--5.1_决策树分类概述(1).mp4
│ [4.2]--5.2_ID3算法(1).mp4
│ [4.3]--5.3_C4.5与CART算法(1).mp4
│ [4.4]--5.4_决策树剪枝(1).mp4
│ [4.5]--9.1模型评价.mp4
│ [4.6]--5.5_案例：决策树算法python实现.mp4
│
├─{05}--集成学习
│ #5.4#--图文.pdf
│ (5.1)--第五章集成学习(1).pdf
│ (5.4)--集成学习案例.rar
│ [5.1]--5.1集成学习概述.mp4
│ [5.2]--5.2Bagging和随机森林.mp4
│ [5.3]--5.3Boosting和AdaBoost.mp4
│ [5.4]--王文祥5.4集成学习应用案例.mp4
│
├─{06}--k-近邻
│ #6.2#--图文.pdf
│ #6.3#--图文.pdf
│ (6.1)--k-近邻.pdf
│ (6.2)--案例：sklearn中KNN分类算法的实现(1).ipynb
│ [6.1]--4.1k近邻.mp4
│ [6.2]--4.2k-近邻案例.mp4
│ [6.3]--kd树的构建以及利用kd树找近邻点(1).mp4
│
├─{07}--支持向量机
│ #7.1#--图文.pdf
│ #7.2#--图文.pdf
│ #7.3#--图文.pdf
│ #7.5#--图文.pdf
│ (7.1.1)--1.拉格朗日对偶问题与KKT条件.pdf
│ (7.1.2)--拉格朗日对偶问题以及KKT条件习题答案.doc
│ (7.2)--2.线性可分支持向量机.pdf
│ (7.3)--3.线性支持向量机与软间隔最大化.pdf
│ (7.4)--4.非线性支持向量机.pdf
│ (7.5)--案例5支持向量机iris.ipynb
│ [7.1]--6.1拉格朗日对偶问题与KKT条件_batch.mp4
│ [7.2]--6.2.线性可分支持向量机.mp4
│ [7.3]--6.3.线性支持向量机与软间隔最大化.mp4
│ [7.4]--6.4.非线性支持向量机_batch.mp4
│ [7.5]--6.5案例：支持向量机算法pyton实现_batch.mp4
│
├─{08}--人工神经网络
│ #8.2#--图文.pdf
│ #8.3#--图文.pdf
│ (8.1.1)--正片1单层神经网络感知机.pdf
│ (8.1.2)--正片2单层感知机的训练.pdf
│ (8.2.1)--正片3BP算法(2).pdf
│ (8.2.2)--正片4BP算法(3).pdf
│ (8.3.1)--案例kerasmnist手写数字识别.rar
│ (8.3.2)--tensorflow安装中的问题.doc
│ [8.1.1]--7.1单层神经网络感知机_x264(1).mp4
│ [8.1.2]--7.2感知机的训练(1).mp4
│ [8.2.1]--7.3BP算法(5).mp4
│ [8.2.2]--7.3BP算法(6).mp4
│ [8.3]--7.4利用keras搭建神经网络高艳辉.mp4
│
├─{09}--聚类分析
│ #9.2#--图文.pdf
│ #9.5#--图文.pdf
│ (9.1)--聚类分析概述(1).pdf
│ (9.2)--K-means聚类(1).pdf
│ (9.3)--层次聚类(1).pdf
│ (9.4)--DBSCAN聚类(1).pdf
│ (9.5)--cluster.py
│ [9.1]--11.1聚类分析概述.mp4
│ [9.2]--11.2kmeans聚类_.mp4
│ [9.3]--11.3层次聚类.mp4
│ [9.4]--11.4DBSCAN聚类.mp4
│ [9.5]--11.5聚类分析案例-_batch.mp4
│
├─{10}--关联分析
│ #10.1#--图文.pdf
│ #10.3#--图文.pdf
│ (10.1)--正片关联规则挖掘.ppt
│ (10.2)--FP-Growth算法.pdf
│ (10.3)--关联分析.rar
│ [10.1.1]--杨文光-关联规则概述_batch.mp4
│ [10.1.2]--Apriori算法.mp4
│ [10.2]--FP-Growth算法.mp4
│ [10.3]--杨文光-关联规则-案例_batch.mp4
│
└─{11}--综合上机案例
#11.1#--图文.pdf
#11.2#--图文.pdf
#11.3#--图文.pdf
#11.4#--图文.pdf
(11.1.1)--test.csv
(11.1.2)--train(1).csv
(11.1.3)--泰坦尼克号上机案例一学生版.ipynb
(11.1.4)--泰坦尼克号上机案例一.ipynb
(11.2)--sklearn神经网络案例.rar
(11.3.1)--购物篮数据关联规则分析.rar
(11.3.2)--example.csv
(11.4.1)--分类模型评价指标.html
(11.4.2)--heart.csv
(11.4.3)--数据挖掘综合实验报告模板.doc
(11.4.4)--数据挖掘综合实验报告张安姝.pdf