时间序列内容课程文件

主要内容  数据挖掘综述  数据仓库和数据挖掘的OLAP技术  数据预处理  数据挖掘原语、语言和系统结构  概念描述：特征化与比较  挖掘大型数据库中的关联规则  分类和预测  聚类分析  复杂类型数据的挖掘 数据挖掘的应用和发展趋势

数据挖掘Apriori和FP-Tree算法工程+测试用例 VC++6.0工程，图形化界面

k-means聚类算法及matlab代码 项目名称：数据挖掘课作业 项目组成 1. exp1 实验一 《多源数据集成、清洗和统计》 题目 广州大学某班有同学100人，现要从两个数据源汇总学生数据。第一个数据源在数据库中，第二个数据源在txt文件中，两个数据源课程存在缺失、冗余和不一致性，请用C/C++/Java程序实现对两个数据源的一致性合并以及每个学生样本的数值量化。 两个数据源合并后读入内存，并统计： 学生中家乡在Beijing的所有课程的平均成绩。 学生中家乡在广州，课程1在80分以上，且课程9在9分以上的男同学的数量。(备注：该处做了修正，课程10数据为空，更改为课程9) 比较广州和上海两地女生的平均体能测试成绩，哪个地区的更强些？ 学习成绩和体能测试成绩，两者的相关性是多少？（九门课的成绩分别与体能成绩计算相关性） 实验一__目录结构 --data1.xlsx 插入数据库的原始数据 --data2.txt 从文件读入的原始数据 --data3.csv 清洗完毕的数据 --data4.csv 清洗完毕的经过特意处理数据 --insertData.py 插入数据库的完整代码 --

数据挖掘：概念与技术书中的材料从数据库角度提供，特别强调发现隐藏在大型数据集中有趣数据模式的数据挖掘基本概念和技术。所讨论的实现方法主要面向可规模化的、有效的数据挖掘工具开发。

Sqlserver2005数据挖掘与商业智能完全解决方案（带Word文档及代码）

主分量分析,用于高维数据降维或提取目标特征。程序精简，效率高.

基于情感词典的方法主要依赖于情感词典的构建，是指利用情感词典获取文档中情感词的情感值，再通过加权计算确定文档的整体情感倾向。使用此方法时不考虑词语之间的联系，词语的情感值不会随着应用领域和上下文的变化而变化，因此需要针对特定领域建立相关的情感词典提高分类的准确率。情感词典是情感分析系统的基础知识库，是数字、文本与符号集合。在缺乏大量训练数据集的情况下，基于词典与规则的方法相对能取得较好的分类结果且易于理解，但是网络用语不断涌现，情感词典需要不断更新扩展以提高分类的准确率。情感词典也存在一定的局限性，首先，情感词的判别与选择取决于先验知识与实验设计；其次，针对不同领域还需要构造相应的领域情感词典，跨领域情感分析的分类效果不佳。

Candock | 英文|| 时间序列信号分析和分类框架。 它包含多个网络，并提供数据预处理，数据扩充，培训，评估，测试和其他功能。 一些输出示例： 特征 数据预处理 规范：5_95 | maxmin | 没有任何 过滤器：fft | 冷杉| ir | 小波| 没有任何 资料扩充 各种数据扩充方法。 基数：比例，经线，app，aaft，iaaft，filp，作物 噪音：尖峰，阶跃，斜率，白色，粉红色，蓝色，棕色，紫色 甘：dcgan 网络 各种评估网络。 1天 lstm，cnn_1d，resnet18_1d，resnet34_1d，multi_scale_resnet_1d，micro_multi_scale_resnet_1d，自动编码器，mlp 2d（频谱图） mobilenet，resnet18，resnet50，resnet101，densenet121，densene

图灵原版数学统计学系列02 时间序列分析 预测与控制 Time Series Analysis -- Forecasting and Control, 3rd Edition