数据挖掘：理论与算法 清华大学(袁博)

本课程完整覆盖数据挖掘领域的各项核心技术，包括数据预处理、分类、聚类、回归、关联、推荐、集成学习、进化计算等。强调在知识的广度、深度和趣味性之间寻找最佳平衡点，在生动幽默中讲述数据挖掘的核心思想、关键技术以及一些在其它相关课程和教科书中少有涉及的重要知识点。本课程适合对大数据和数据科学感兴趣的各专业学生以及工程技术人员学习，不追求纯粹的理论推导，而是把理论与实践有机结合，让学生学到活的知识、有用的知识和真正属于自己的知识，特别是数据分析领域的研究方法和思维方式。

• 课时1：整装待发 (8分23秒)

• 课时2：学而不思则罔 (11分4秒)

• 课时3：知行合一 (22分36秒)

• 课时4：从数据到知识 (14分49秒)

• 课时5：分类问题 (18分23秒)

• 课时6：聚类及其它数据挖掘问题 (12分37秒)

• 课时7：隐私保护与并行计算 (19分49秒)

• 课时8：迷雾重重 (24分5秒)

• 课时9：相关学习资源 (3分5秒)

• 课时10：数据清洗 (13分10秒)

• 课时11：异常值与重复数据检测 (13分23秒)

• 课时12：类型转换与采样 (17分20秒)

• 课时13：数据描述与可视化 (15分35秒)

• 课时14：特征选择 (12分37秒)

• 课时15：主成分分析 (24分7秒)

• 课时16：线性判别分析_01 (12分58秒)

• 课时17：线性判别分析_02 (16分28秒)

• 课时18：相关学习资源 (3分22秒)

• 课时19：贝叶斯奇幻之旅 (15分56秒)

• 课时20：朴素是一种美德 (26分53秒)

• 课时21：数据、规则与树 (11分48秒)

• 课时22：植树造林学问大 (22分57秒)

• 课时23：相关学习资源 (2分18秒)

• 课时24：智慧之源神经元 (11分46秒)

• 课时25：会学习的神经元 (12分13秒)

• 课时26：从一个到一群 (10分26秒)

• 课时27：层次分明，责任到人 (19分6秒)

• 课时28：管中窥豹，抛砖引玉 (9分55秒)

• 课时29：相关学习资源 (3分51秒)

• 课时30：最大间隔 (13分20秒)

• 课时31：线性SVM (15分57秒)

• 课时32：数学家的把戏 (17分59秒)

• 课时33：致敬真神 (16分50秒)

• 课时34：相关学习资源 (5分24秒)

• 课时35：无监督学习 (12分39秒)

• 课时36：K-Means (20分25秒)

• 课时37：期望最大法 (19分26秒)

• 课时38：密度与层次 (20分26秒)

• 课时39：项集与规则 (7分25秒)

• 课时40：支持度与置信度 (8分47秒)

• 课时41：误区 (5分26秒)

• 课时42：Apriori 算法 (11分13秒)

• 课时43：实例分析 (14分44秒)

• 课时44：序列模式 (10分24秒)

• 课时45：相关学习资源 (11分12秒)

• 课时46：无所不在的推荐 (10分27秒)

• 课时47：隐含语义分析 (17分46秒)

• 课时48：PageRank传奇 (10分40秒)

• 课时49：协同过滤 (18分13秒)

• 课时50：告诉你一个真实的推荐 (15分38秒)

• 课时51：民主协商：Ensemble (9分7秒)

• 课时52：群策群议：Bagging (17分59秒)

• 课时53：环环相扣：Boosting (19分5秒)

• 课时54：集成之美：AdaBoost (16分34秒)

• 课时55：继往开来：RegionBoost (8分27秒)

• 课时56：人与自然 (14分53秒)

• 课时57：尽善尽美 (13分52秒)

• 课时58：走向进化 (11分25秒)

• 课时59：遗传算法初探 (15分32秒)

• 课时60：遗传算法进阶 (15分47秒)

• 课时61：遗传程序设计 (11分1秒)

• 课时62：万物皆进化 (13分16秒)

• 课时63：相关学习资源 (6分13秒)

• 课时64：数据之美 (18分48秒)

• 课时65：南国紫荆亦芬芳 (8分32秒)