当前课程知识点：大数据管理与挖掘 > 第4章大数据分析 > 4.4 大数据的智能分析 > 4.4 大数据的智能分析

返回《大数据管理与挖掘》慕课在线视频课程列表

4.4 大数据的智能分析在线视频

下一节:4.5 小结

返回《大数据管理与挖掘》慕课在线视频列表

4.4 大数据的智能分析课程教案、知识点、字幕

欢迎回来

我们接着讲我们第四节内容

大数据的智能分析

在这里面

我们大数据智能分析主要它都是

我们整个海量的小数据的分析

在这里面

智能方析的主要方向或方法

更主要依赖于我们的数据

不需要建立问题本身的模型

也不依赖于我们的知识表示

而是在观测数据的直接基础上

对我们的输入和输出细节

进行处理也就是一个训练过程

在这里面直接获得一个模型

来拟合输入输出的各种映射关系

可以从右图所示

整个的计算智能的这个应用潜力

我们可以通过我们技术分析体现出来

大数据因为具有复杂多样和多变特点

传统的模型制作方法

无法适应这种海量的复杂特点

无法根据先验知识以获得精确的模型

而计算智能方法往往可以

不依赖于先验知识

无需对问题进行精确的计算和建模

对于大数据的动态性

也具有很好的适应性

精度作为大数据的一个重要指标

由于我们的数据收集

系统状态的变化和自然环境的随机性

会给我们数据分析带来不确定性

而计算智能恰恰能对

不确定性能完成客观的分析

并增加分析结果的可解释性

而大数据的海量性和多样性

也必然要求在分析时

需要消耗大量的时间和空间

而计算智能恰恰具有很好的启发式特点

具有高度的自适应性

抽象能力和泛化能力

可以快速求解很多NP问题

模糊系统

也有很好的智能分析过程

在这里面

它适用于对不确定性的描述

可以针对事物之间的差异性

划分出不明确的物体进行过渡性的描述

弥补了二值逻辑中的精确性

与现实世界中的不确定性的鸿沟

而我们的群体智能

这种方法中的代表是

利用粒子群优化算法和蚁群算法

这种也可以是我们的大数据智能分析的

一些特点和方法

它的特点主要在于可以快速运算出

一些复杂问题的近似解特别是NP难问题

对这种问题的规模进行简约

或者说约简

可以解决那些由于数据过程当中

产生的一些难问题或者NP问题

人工智能也是一个很好的智能分析方法

而人工智能网络是一种

模拟神经网络系统中

特点的一种数据模型

据有很好的非线性映射能力

容错性自适应能力和分析存储能力

这些优良的性能

为大数据的分析处理发挥了重要作用

也提供了很好的理论基础

这就是我们的大数据分析的一些知识特点

大数据管理与挖掘课程列表：

第1章课程概述

-第1章教学目标

--第1章教学目标

-1.1 大数据的基本概念

--1.1 大数据的基本概念

-1.2 大数据的演变过程

--1.2 大数据的演变过程

-1.3 大数据应用

--1.3 大数据应用

-1.4 大数据的处理模式

--1.4 大数据的处理模式

-1.5 大数据管理的关键技术

--1.5 大数据管理的关键技术

-第1章作业

--第1章作业

-第1章讨论

--第1章讨论

第2章大数据融合

-第2章教学目标

--第2章教学目标

-2.1 大数据融合的概念

--2.1 大数据融合的概念

-2.2 大数据融合的方法论

--2.2 大数据融合的方法论

-2.3 数据融合技术

--2.3 数据融合技术

-2.4 知识融合技术

--2.4 知识融合技术

-2.5 大数据融合的驱动枢纽

--2.5 大数据融合的驱动枢纽

-2.6 小结

-第2章作业

--第2章作业

-第2章讨论

--第2章讨论

第3章大数据存储

-第3章教学目标

--第3章教学目标

-3.1 大数据存储与管理方法

--3.1 大数据存储与管理方法

-3.2 基于新型存储的大数据管理

--3.2 基于新型存储的大数据管理

-3.3 大数据处理与存储一体化技术

--3.3 大数据处理与存储一体化技术

-3.4 小结

-第3章作业

--第3章作业

-第3章讨论

--第3章讨论

第4章大数据分析

-第4章教学目标

--第4章教学目标

-4.1 大数据的实时分析

--4.1 大数据的实时分析

-4.2 大数据的交互式分析

--4.2 大数据的交互式分析

-4.3 云在线聚集

--4.3 云在线聚集

-4.4 大数据的智能分析

--4.4 大数据的智能分析

-4.5 小结

-第4章作业

--第4章作业

-第4章讨论

--第4章讨论

第5章大数据隐私

-第5章教学目标

--第5章教学目标

-5.1 隐私保护技术

--5.1 隐私保护技术

-5.2 隐私保护技术的应用

--5.2 隐私保护技术的应用

-5.3 大数据隐私管理

--5.3 大数据隐私管理

-5.4 小结

-第5章作业

--第5章作业

-第5章讨论

--第5章讨论

第6章大数据管理系统

-第6章教学目标

--第6章教学目标

-6.1 云计算大数据基础平台与支撑技术

--6.1 云计算大数据基础平台与支撑技术

-6.2 批数据与流数据管理系统

--6.2 批数据与流数据管理系统

-6.3 SQL NOSQL与NEWSQL系统

--6.3 SQL NOSQL与NEWSQL系统

-6.4 小结

-第6章作业

--第6章作业

-第6章讨论

--第6章讨论

第7章数据回归方法

-第7章教学目标

--第7章教学目标

-7.1 一元回归

--7.1 一元回归

-7.2 多元回归

--7.2 多元回归

-7.3 逐步回归

--7.3 逐步回归

-7.4 Logistic回归

--7.4 Logistic回归

-7.5 应用实例-多因子选股模型的实现

--7.5 应用实例-多因子选股模型的实现

-7.6 小结

-第7章作业

--第7章作业

-第7章讨论

--第7章讨论

第8章分类方法

-第8章教学目标

--第8章教学目标

-8.1 分类方法概要

--8.1 分类方法概要

-8.2 K-近邻（KNN）

--8.2 K-近邻（KNN）

-8.3 贝叶斯分类

--8.3 贝叶斯分类

-8.4 神经网络

--8.4 神经网络

-8.5 LOGISTIC分类

--8.5 LOGISTIC分类

-8.6 判别分析

--8.6 判别分析

-8.7 支持向量机（SVM）

--8.7 支持向量机（SVM）

-8.8 决策树

--8.8 决策树

-8.9 分类的评判

--8.9 分类的评判

-8.10 小结

-第8章作业

--第8章作业

-第8章讨论

--第8章讨论

第9章聚类方法

-第9章教学目标

--第9章教学目标

-9.1 聚类方法概要

--9.1 聚类方法概要

-9.2 K-means方法

--9.2 K-means方法

-9.3 层次聚类

--9.3 层次聚类

-9.4 神经网络聚类

--9.4 神经网络聚类

-9.5 模糊C-均值（FCM）方法

--9.5 模糊C-均值（FCM）方法

-9.6 高斯混合聚类方法

--9.6 高斯混合聚类方法

-9.7 类别数的确定方法

--9.7 类别数的确定方法

-9.8 应用实例-股票聚类分池

--9.8 应用实例-股票聚类分池

-9.9 小结

-第9章作业

--第9章作业

-第9章讨论

--第9章讨论

第10章预测方法

-第10章教学目标

--第10章教学目标

-10.1 预测方法概要

--10.1 预测方法概要

-10.2 灰色预测

--10.2 灰色预测

-10.3 马尔科夫预测

--10.3 马尔科夫预测

-10.4 实用实例-纺纱质量预测

--10.4 实用实例-纺纱质量预测

-10.5 小结

-第10章作业

--第10章作业

-第10章讨论

--第10章讨论

第11章诊断方法

-第11章教学目标

--第十一章教学目标

-11.1 离群点诊断概要

--11.1 离群点诊断概要

-11.2 基于统计的离群点诊断

--11.2 基于统计的离群点诊断

-11.3 基于距离的离群点诊断

--11.3 基于距离的离群点诊断

-11.4 基于密度的离群点挖掘

--11.4 基于密度的离群点挖掘

-11.5 基于聚类的离群点挖掘

--11.5 基于聚类的离群点挖掘

-11.6 应用实例-纱线断点诊断

--11.6 应用实例-纱线断点诊断

-11.7 小结

-第11章作业

--第11章作业

第12章大数据技术应用

-第12章教学目标

--第12章教学目标

-12.1 数字挖掘技术的应用

--12.1 数字挖掘技术的应用

-12.2 纺纱质量控制

--12.2 纺纱质量控制

-第12章作业

--第12章作业

-第12章讨论

--第12章讨论

4.4 大数据的智能分析笔记与讨论

也许你还感兴趣的课程:

© 柠檬大学-慕课导航课程版权归原始院校所有，
本网站仅通过互联网进行慕课课程索引，不提供在线课程学习和视频，请同学们点击报名到课程提供网站进行学习。