数据挖掘学习路线规划
1. 数据挖掘与数据分析的区别
2. 数据挖掘案例
3. 数据挖掘问题
数据挖掘问题大致可以分为以下4类：分类问题、聚类问题、关联问题、预测问题。
3.1 分类问题
用户流失预测、促销活动响应，评估用户度都属于数据挖掘的分类问题。
常见的分类算法：决策树、贝叶斯、KNN、支持向量机、神经网络、逻辑回归。
3.2 聚类问题
细分市场，细分客户群体都属于数据挖掘的聚类问题。
常见的聚类算法：划分聚类、层次聚类、密度聚类、网格聚类、基于模型聚类等。
3.3 关联问题
交叉销售问题等属于关联问题。
常见的关联分析算法：Aprior算法、Carma算法，序列算法等。
3.4 预测问题
常见的预测分析算法：简单线性回归分析、多重线性回归分析、时间序列等。
4. 学习路线
- 统计学
- 数据库
- SPSS
- Python：
- 数据挖掘入门算法：
- 最小二乘法
- 梯度下降
- 向量化
- 极大似然估计
- Logistic Regression 逻辑回归
- Decision Tree 决策树
- Random Forest 随机森林
- XGBoost
文章参考：https://blog.csdn.net/zhinengxuexi/article/details/87882734
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
