商务智能课堂笔记，对这一部分比较感兴趣。
看PDF应该是老师和百度有合作，内容都是PaddlePaddle提供的。
作业记录
1. 三种分析方法
- 描述性分析：回答"发生了什么？"，使用均值、中位数、方差、相关系数等统计方法分析历史数据。
- 预测性分析：使用基于概率的技术，包括数据挖掘、统计建模和机器学习（分类、回归、聚类）来预测未来结果及其可能性。
- 规范性分析：结合描述性和预测性分析的洞察，为企业推荐最优行动方案。
应用示例：短视频平台可以使用描述性分析检查观看模式，使用机器学习的预测性分析基于人口统计和历史记录预测用户偏好，使用规范性分析优化内容推荐和定向广告。
2. 数据挖掘步骤
八个顺序阶段：
信息收集 → 数据集成 → 数据规约 → 数据清洗 → 数据变换 → 数据挖掘 → 模式评估 → 知识表示
3. Apriori算法与FP-Growth算法
Apriori算法：频繁项集挖掘
拟定数据：[1,3,4],[2,3,5],[1,2,3,5],[2,5]
最小支持度设置为0.5，最小置信度设置为0.7时，测试结果：
修改最小支持度和最小置信度，分别修改为0.7和0.5，测试结果：
FP-Growth算法：模式提取
测试数据：
测试结果：
4. 决策树算法
信息增益计算
测试结果：
5. K-means vs K-medoids
关键区别：K-means使用均值计算聚类中心（可能不存在于实际数据中），而K-medoids选择实际数据点作为中心。两种算法的距离计算也不同。
6. 层次聚类
使用单连接算法描述数据如何进行层次聚类，并画出树状图。
数据点：（10，8）（70，80）（99，87）（6，5）（5，10）
7. 深度学习基础
- 前向传播（Forward Propagation）
- 反向传播（Backpropagation）
- 梯度下降优化（Gradient Descent）