39个slides带你回顾那些传统数据挖掘算法- 专知

39个slides带你回顾那些传统数据挖掘算法

导读：数据挖掘是指从数据库中发现和提取隐含在其中的人们事先未知的，有用的信息和知识的过程。数据挖掘随着计算机技术的发展也逐渐得到广泛的应用，提高了数据利用率，拓展了知识发现的深度和广度。同时较为成熟的数据挖掘算法也越来越多。今天为大家带来Andrew W. Moore的传统数据挖掘算法教程。

Andrew W. Moore给我们带来了一组关于数据挖掘的教程，涉及很多方面，包括概率基础，统计数据分析基础，还有经典的机器学习和数据挖掘算法。

教程具体可以分为分类算法，例如决策树，神经网络，贝叶斯分类器，支持向量机等等；回归算法，如多元多项式回归，MARS，局部加权回归，GMDH和神经网络；其他数据挖掘操作，如聚类（混合模型，k均值和分层），贝叶斯网络和强化学习。

统计数挖掘教程列表：

决策树（Decision Trees）
信息增益（Information Gain）
数据挖掘基础概率知识（Probability for Data Miners）
概率密度函数（概率密度函数）
高斯分布（Gaussians）
最大似然估计（Maximum Likelihood Estimation）
高斯贝叶斯分类器（Gaussian Bayes Classifiers）
交叉验证（Cross-Validation）
神经网络（Neural Networks）
基于实例的学习（也称为基于案例或基于内存或非参数）（Instance-based learning (aka Case-based or Memory-based or non-parametric)）