分布滞后模型与自回归模型
介绍分布滞后模型、估计的困难以及解决方法
【数据挖掘】4、关联分析：Apriori、FP-Growth 算法、买面包是否也爱买啤酒
Apriori 算法其实就是查找频繁项集 (frequent itemset) 的过程，所以首先我们需要定义什么是频繁项集。频繁项集就是支持度大于等于最小支持度 (Min Support) 阈值的项集，所以小于最小值支持度的项目就是非频繁项集，而大于等于最小支持度的项集就是频繁项集。
【数据挖掘大作业】基于决策树的评教指标筛选（weka+数据+报告+操作步骤）
数据挖掘大作业一、考核内容现有某高校评教数据(pjsj.xls)，共计842门课程，属性包括：课程名称、评价人数、总平均分以及10个评价指标Index1-Index10。指标内容详见表1。表1 学生评教指标体系及权重序 号指 标权重（10%）Index1老师在第一节课能向我们介绍本课程的基
天池教学赛：银行客户认购产品预测
本次赛事由于样本不均衡的问题，简单训练可以到0.95左右，但要往上提分则需要不断的调参测试，让模型逼近数据的上限，最终通过多模型的中和，提高分数上限
数据挖掘--（实验四）聚类方法
数据挖掘 聚类方法
Python利用逻辑回归分类器对乳腺肿瘤进行良性/恶性预测实战（超详细 附源码）
Python利用逻辑回归分类器对乳腺肿瘤进行良性/恶性预测实战（超详细 附源码）
深度学习中的学习率设置技巧与实现详解
深度学习中的学习率是一个非常重要的超参数，对模型的训练和结果影响极大。在深度学习模型中，学习率决定了参数更新的步长，因此合理设置学习率对于优化算法的收敛速度、模型的训练效果以及泛化性能都有很大的影响。本文将介绍深度学习中的学习率设置技巧，包括常用的学习率衰减方法、自适应学习率方法以及学习率预热等。
数据挖掘实战1：泰坦尼克号数据
对泰坦尼克号数据进行挖掘建模分析
关联规则挖掘算法--Apriori算法
关联规则分析是数据挖掘中最活跃的研究方法之一，目的是在一个数据集中找到各项之间的关联关系，而这种关系并没有在数据中直接体现出来。Apriori算法关联规则学习的经典算法之一，是R.Agrawal和R.Srikartt于1944年提出的一种具有影响力的挖掘布尔关联规则挖掘频繁项集的算法。
城市POI数据爬取-百度地图版
目前百度地图的最新版为地图检索V2.0服务。详细介绍可以通过开发文档-web服务Api-地点检索V2.0获取。在使用API前需要提前注册账号获取ak。对于免费账号：目前的每日访问次数是100次，最多可以获取2000条数据。
【文末送书】AI时代数据的重要性
新华社北京10月26日电 《中国证券报》26日刊发文章《国家数据局揭牌 数据要素产业进入加速发展期》。文章称，10月25日，国家数据局正式揭牌。业内人士认为，这标志着我国数字经济发展新阶段的开始，预计数据要素配套政策将加快出台，数据要素产业进入加速发展期。国家数据局的主要职责是负责协调推进数据基础制
【咕咕送书 | 第四期】需求分析 | AI协助 | 数据挖掘 ? 试试ChatGPT为软件开发大幅提高研发效率和质量
随以OpenAI的ChatGPT为代表的人工智能技术飞速发展我们是不是可以思考一下如何运用人工智能的新技术创新工作方式和优化产业格局
[因果推断] 增益模型（Uplift Model）介绍（三）
1 基础介绍增益模型（uplift model）：估算干预增量（uplift），即干预动作（treatment）对用户响应行为（outcome）产生的效果。这是一个因果推断（Causal Inference) 课题下估算ITE（Individual Treatment Effect）的问题——估算同
【人工智能】大模型与数据、信息、知识、智慧的关系和本质
综上所述，大模型与数据、信息、知识、智慧之间存在着密切的关系和相互作用。只有充分利用这些资源，才能设计和应用出更加优秀和高效的大模型，从而推动人工智能技术的发展和应用。
2023知识追踪最新综述来自顶刊！！！——《Knowledge Tracing:A Survey》
2023知识追踪最新综述——《Knowledge Tracing：A Survey》，文章发表在ACM Computing Survey上
使用高斯混合模型拆分多模态分布
本文介绍如何使用高斯混合模型将一维多模态分布拆分为多个分布。
不同数据类型的相关性分析总结
在进行数据建模之前，我们一般会进行数据探索和描述性分析，发现数据规律及数据之间的相关性，本文主要从检验方法和可视化图形两个方面对不同数据类型的相关性分析方法进行总结，以加强对数据的了解和认识，为建模打下基础。
《数据挖掘》学堂在线【第一章：概述】习题答案参考与解析
《数据挖掘》慕课MOOC学堂在线【第一章：概述】课后作业习题答案参考与解析
数据分析及治理工程师
企业的信息化建设需要数据，那么数据是很重要的，数据分析的目的在于为业务服务，而为了更好的达成这一目的。对于元数据的采集和主数据的分析，以及数据标准的制定，和数据质量的保证是非常重要的。
Python中进行特征重要性分析的9个常用方法
特征重要性分析用于了解每个特征(变量或输入)对于做出预测的有用性或价值。目标是确定对模型输出影响最大的最重要的特征，它是机器学习中经常使用的一种方法。
