TAILIEUCHUNG - Bài giảng Nhập môn Học máy và Khai phá dữ liệu: Chương 11 - Nguyễn Nhật Quang

Bài giảng Nhập môn Học máy và Khai phá dữ liệu: Chương 11, chương này cung cấp cho học viên những nội dung về: phát hiện luật kết hợp; bài toán phát hiện luật kết hợp; lattice biểu diễn các tập mục cần xét; các chiến lược sinh tập mục thường xuyên; giải thuật Apriori; các yếu tố ảnh hưởng độ phức tạp Apriori; . Mời các bạn cùng tham khảo chi tiết nội dung bài giảng! | Nhập môn Học máy và Khai phá dữ liệu IT3190 Nguyễn Nhật Quang Trường Đại học Bách Khoa Hà Nội Viện Công nghệ thông tin và truyền thông Năm học 2020-2021 Nội dung môn học Giới thiệu về Học máy và Khai phá dữ liệu Tiền xử lý dữ liệu Đánh giá hiệu năng của hệ thống Hồi quy Phân lớp Phân cụm Phát hiện luật kết hợp Bài toán phát hiện luật kết hợp Giải thuật Apriori Nhập môn Học máy và Khai phá dữ liệu Introduction to Machine learning and Data mining 2 Phát hiện các luật kết hợp Giới thiệu Bài toán phát hiện luật kết hợp Association rule mining Với một tập các giao dịch transactions cho trước cần tìm các luật dự đoán khả năng xuất hiện trong một giao dịch của các mục items này dựa trên việc xuất hiện của các mục khác TID Items Các ví dụ của luật kết hợp 1 Bread Milk Diaper Beer 2 Bread Diaper Beer Eggs Milk Bread Eggs Coke 3 Milk Diaper Beer Coke Beer Bread Milk 4 Bread Milk Diaper Beer 5 Bread Milk Diaper Coke Nhập môn Học máy và Khai phá dữ liệu Introduction to Machine learning and Data mining 3 Các định nghĩa cơ bản 1 Tập mục Itemset Một tập hợp gồm một hoặc nhiều mục Ví dụ Milk Bread Diaper TID Items Tập mục mức k k-itemset 1 Bread Milk Một tập mục gồm k mục 2 Bread Diaper Beer Eggs Tổng số hỗ trợ Support count 3 Milk Diaper Beer Coke Số lần xuất hiện của một tập mục 4 Bread Milk Diaper Beer Ví dụ Milk Bread Diaper 2 5 Bread Milk Diaper Coke Độ hỗ trợ Support s Tỷ lệ các giao dịch chứa một tập mục Ví dụ s Milk Bread Diaper 2 5 Tập mục thường xuyên Frequent large itemset Một tập mục mà độ hỗ trợ lớn hơn hoặc bằng một giá trị ngưỡng minsup Nhập môn Học máy và Khai phá dữ liệu Introduction to Machine learning and Data mining 4 Các định nghĩa cơ bản 2 Luật kết hợp Association TID Items rule 1 Bread Milk Một biểu thức kéo theo có 2 Bread Diaper Beer Eggs dạng X Y trong đó X và Y 3 Milk Diaper Beer Coke là các tập mục 4 Bread Milk Diaper Beer Ví dụ Milk Diaper Beer 5 Bread Milk Diaper Coke Các độ đo đánh giá luật Độ hỗ trợ Support s Milk .

• Cơ sở dữ liệu
• Bài giảng Nhập môn Học máy và Khai phá dữ liệu
• Nhập môn Học máy và Khai phá dữ liệu
• Bài toán phát hiện luật kết hợp
• Giải thuật Apriori
• Chiến lược sinh tập mục thường xuyên
• Tập mục thường xuyên
• Học máy và khai phá dữ liệu
• Khai phá dữ liệu
• Kiểu dữ liệu có cấu trúc
• Kiểu dữ liệu phi cấu trúc
• Machine learning
• Data mining
• Khai phá tập mục thường xuyên
• Mô hình luật kết hợp
• Khai phá luật kết hợp
• Phương pháp học máy
• Thư viện Scikit learn
• Học dựa trên xác suất
• Thu thập dữ liệu
• Tiền xử lý dữ liệu
• Lựa chọn dữ liệu
• Chuyển đổi dữ liệu
• Tập dữ liệu
• Dữ liệu chuỗi di truyền
• Biểu đồ histogram
• Đánh giá hiệu năng hệ thống học máy
• Học có giám sát
• Multi class classification
• Multi label classification
• Quá trình học máy
• Phương pháp học hồi quy
• Phương pháp học quy nạp luật
• Phương pháp học cây quyết định
• Máy vector hỗ trợ (SVM)
• Phân tách tuyến tính
• Tập điều kiện Karush Kuhn Tucker
• Biểu thức đối ngẫu
• Đánh giá hiệu năng hệ thống
• Tiêu chí đánh giá hiệu năng hệ thống
• Nguyên lý Occam’s razor
• Máy vectơ hỗ trợ
• Support vector machine
• Mặt siêu phẳng phân tách
• Lý thuyết tối ưu có ràng buộc
• Bài toán phân lớp
• Học dựa trên các láng giềng gần nhất
• Nearest neighbors learning
• Giải thuật phân lớp k NN
• Bài toán phân cụm
• Phân cụm dựa trên phân tách k Means
• Phân cụm phân cấp HAC
• Cây quyết định
• Rừng ngẫu nhiên
• Học cây quyết định bằng ID3
• Biểu diễn cây quyết định
• Bài toán hồi quy
• Hồi quy tuyến tính
• Hàm đánh giá lỗi
• Giải thuật hồi quy tuyến tính
• Mạng nơron nhân tạo
• Artificial neural network
• Mạng nơ ron học sâu
• Quy tắc học trọng số tổng quát
• Học dựa trên láng giềng gần nhất
• K nearest neighbors (k NN)
• Hàm tính khoảng cách
• Hàm khoảng cách Euclid
• Mô hình hóa xác suất
• Lý thuyết xác suất cơ bản
• Biến ngẫu nhiên nhị phân
• Naïve gradient decent
• Huấn luyện K means
• Thuật toán EM
• Phương pháp học dựa trên xác suất
• Probabilistic learning
• Biến ngẫu nhiên đa trị
• Biểu diễn xác suất
• Decision tree
• Học cây quyết định
• Linear regression
• Thuật toán bình phương tối thiểu
• Mạng nơron
• Neural networks
• Mạng nơ ron nhân tạo
• Giải thuật học lan truyền ngược
• Giải thuật phân cụm
• Đánh giá chất lượng phân cụm
• Phương pháp K means
• Thuật toán Online K means