Treinando objetivos:
teoria curricular e experiência da indução de projetos de mineração de dados primários muitas vezes encontram problemas, análise e síntese, dadas soluções específicas, reproduzirá o caso clássico é claro que essas perguntas, explicar por exemplo, e corresponde ao estudante os problemas de trabalho real, de modo que os alunos serão capazes de combinar a experiência e ensinar-lhes seus próprios problemas, idéias efetivamente inspiradas, estimular o interesse, novos métodos e novas ideias para resolver as necessidades de problema de fornecer.
Os alunos colheita resumiu os três pontos:
1: Entendendo o caso real em conjunto com as referidas várias variantes do algoritmo básico, idéias abertas
2: a formação para aprofundar a profundidade do canal compreensão de um campo colapso depois pode receber treinamento ponto de conhecimentos correspondentes atualização mais recente da indústria.
3: Adicionar "mineração de dados" círculo profissional, os alunos podem ter a chance de participar de círculos sociais profissionais, eo intercâmbio comercial, aprender uns com os outros.
Princípios e aplicações de classificação generalizado linear de
conteúdo: regressão logística e publicidade computacional
. Exemplos de princípios de classificação binários n2 regressão lógica matemática de
publicidade tradicional, anúncio, publicidade, plataforma de negociação em tempo real para
dados e pré-dimensão extração
aplicações em computação anúncios LR
avaliação do efeito da LR modelo sintonia
teoria de modelos compromisso LR e engenharia de
LR e seus amiguinhos: modelo linear generalizado n9 nova situação, com base no final de publicidade plataforma de negociação em tempo real móvel, LR várias variantes de
árvore de decisão, agrupamento e detecção de anomalias
conteúdo: árvores de decisão e detecção outlier
princípio decisão árvore
vários algoritmo de árvore de decisão gera
árvores de decisão na detecção de anomalias da
árvore de poda
dicas de aplicação de detecção de outras anormalidades
clusterização algoritmo o princípio de
problemas comuns de agrupamento algoritmo: selecção de ponto inicial,
clusterização algoritmos e árvores de decisão na anomalia combinação detecção de publicidade de computação, conversa sobre dois pequenos exemplos outliers
gigante da mineração gráfico
descrição complexa rede
dos atuais cenários mapa gigante
aleatórios FIG, FIG natural,
comumente estrutura computacional FIG (Google é bagel, graphlab o Graphx)
algoritmo FIG gigante. Agora, o princípio da
algoritmo comum baseada em gráfico para alcançar
um passeio aleatório, PageRank mapa implementação baseada
SVD SVD na introdução e implementação da FIG vista sistema de mineração e recomendação do quadro (wide-ponto sistema de Qzone publicidade, o conteúdo do twitter recomendado)
aconselhamento por telefone: 010-62883247,62884854 br /> Mail Consultivo: [email protected]
Zhongkexin macio Formação Serviço Técnico Senior Endereço: Yangfangdian Road, Haidian District, Pequim Oriental Plaza, No. 18, Bloco N 520/521 brilho.