【python】在【机器学习】与【数据挖掘】中的应用：从基础到【AI大模型】
Python在数据挖掘和机器学习中的应用，涵盖了数据预处理、特征工程、监督学习、非监督学习和深度学习。
如何应对缺失值带来的分布变化？探索填充缺失值的最佳插补算法
本文将探讨了缺失值插补的不同方法，并比较了它们在复原数据真实分布方面的效果，处理插补是一个不确定性的问题，尤其是在样本量较小或数据复杂性高时的挑战，应选择能够适应数据分布变化并准确插补缺失值的方法。
大数据—数据分析概论
数据分析是指使用统计、数学、计算机科学和其他技术手段对数据进行清洗、转换、建模和解释的过程，以提取有用的信息、发现规律、支持决策和解决问题。数据分析可以应用于各种领域，包括商业、医学、工程、社会科学等。确定问题：明确要解决的问题或要回答的业务问题。设定目标：定义分析的具体目标和期望的结果，如提高销售
人工智能课程设计毕业设计——基于机器学习的贷款违约预测
另外LightGBM通过使用基于直方图的决策树算法，只保存特征离散化之后的值，代替XGBoost使用exact算法中使用的预排序算法（预排序算法既要保存原始特征的值，也要保存这个值所处的顺序索引），减少了内存的使用，并加速的模型的训练速度。Adaboost是一种迭代算法，其核心思想是针对同一个训练集
工具系列：PandasAI介绍_快速入门
所做的类似（10分钟入门pandas -> https://pandas.pydata.org/docs/user_guide/10min.html），我们希望创建最简单的方式来学习如何掌握PandasAI。由于PandasAI由LLM提供支持，您应该导入您想要用于您的用例的LLM。有时候，您可能希
hadoop学习---基于Hive的教育平台数据仓库分析案例（一）
基于hive的数据仓库搭建项目，主题是关于在线教育平台数据仓库搭建。
PySpark数据分析基础：PySpark基础功能及DataFrame操作基础语法详解_pyspark rdd(2)
这里的批处理引擎是Spark Core，也就是把Spark Streaming的输入数据按照batch size（如1秒）分成一段一段的数据（Discretized Stream），每一段数据都转换成Spark中的RDD（Resilient Distributed Dataset），然后将Spark
数据仓库和数据挖掘基础
主要介绍数据仓库和数据挖掘的基本知识。
人工智能|机器学习——Canopy聚类算法（密度聚类）
Canopy聚类算法是一个将对象分组到类的简单、快速、精确地方法。每个对象用多维特征空间里的一个点来表示。这个算法使用一个快速近似距离度量和两个距离阈值T1 > T2 处理。Canopy聚类很少单独使用， 一般是作为k-means前不知道要指定k为何值的时候，用Canopy聚类来判断k的取值。
基于大数据的全国热门景点数据可视化分析系统
本文将介绍如何使用Python中的Pandas库进行数据挖掘，并结合Flask Web框架实现一个旅游景点数据分析系统。该系统将包括以下功能模块：热门景点概况、景点星级与评分分析、景点价格分析、景点客流量销量分析以及景点地理空间分析。通过对数据的深入挖掘和可视化展示（包括柱状图、散点图、箱型图和地图
数据仓库作业六：第9章 分类规则挖掘
数据仓库与数据挖掘第九章作业。
第八章 MobileNetv3网络详解
本文介绍了基于互补的搜索技术和新颖的架构设计的MobileNets的下一代。MobileNetV3通过硬件感知网络架构搜索(NAS)和NetAdapt算法相结合，针对移动电话CPU进行优化，随后通过新颖的架构改进技术进行了进一步提高。本文开始探索自动化搜索算法和网络设计如何相互协作，以利用互补的方法
数据仓库实验三：分类规则挖掘实验
数据仓库与数据挖掘实验三：分类规则挖掘实验。
数据仓库实验四：聚类分析实验
数据仓库与数据挖掘实验四：聚类分析实验。
AI 内容分享(十三)：商品分类：AI落地实践
基于真实需求，让AI落地，使用embedding模型做大数据量分类。为数十万商品分类通常想到的办法是用NLP+特定分类算法（如是SVM)来实现，涉及数据清洗，特征提取，模型训练，调试和集成等工作。看起来是项大工程。借助现有AI的能力，可以加速实现。本文是基于真实需求场景的探索和回顾。
kaggle最全基础入门（大数据）
Kaggle是一个数据科学竞赛平台，旨在连接数据科学家和机器学习工程师，提供一个共同解决实际问题的平台。Kaggle的任务通常由公司、学术机构、政府机构等提交，这些任务涵盖了各种问题领域，例如自然语言处理、计算机视觉、数据挖掘等。竞赛参与者可以下载数据集、提交代码和模型，并与其他参赛者交流和竞争。K
淘宝电商用户行为数据分析及可视化-基于MySQL/Tableau
关注活动前后指标数据，优化推荐策略和搜索功能新增用户的数据不够理想，应观察各渠道的用户获取情况，以及竞争平台近期是否在举行促销活动。用户的活跃度应该结合平台的活动时段分析，考察是否符合预设目标值，同比环比等。本篇分析发现周末晚间20点-22点是用户活跃高峰期，应针对高峰期进行有效的营销活动，从而更容
大数据分析设计-基于Hadoop运动项目推荐系统
2.2功能需求分析运动项目推荐系统的主要目的分为三个。首先：可以通过该系统可以很好的整合和发布体育项目的相关信息。以前通过传统的项目查询以及体验反馈的方式有个最大的问题就是信息查询、反馈方式繁琐，而且各种信息容易丢失，有了这样一个运动项目推荐系统，那么则可以很容易的把所有的运动项目信息都放到数据库中
数据仓库实验二：关联规则挖掘实验
数据仓库与数据挖掘实验二：关联规则挖掘实验。
深入OceanBase分布式数据库：MySQL 模式下的 SQL 基本操作
OceanBase与MySQL模式下兼容性序在当今的大数据时代，数据库技术的选择对于企业的信息化发展至关重要。OceanBase作为一种高性能、高可用的分布式关系数据库，在与MySQL模式的兼容性方面展现出了显著的优势，为企业数据迁移、整合与升级提供了极大的便利。OceanBase与MySQL的兼容
