清华大学数据挖掘知识点

清华大学的数据挖掘课程通常涵盖以下几个关键知识点：

1. **基础知识**：包括统计学、概率论、机器学习基础，如线性回归、决策树、朴素贝叶斯等。

2. **数据预处理**：清洗数据、缺失值处理、异常检测、特征选择与工程，这些都是数据挖掘的第一步。

3. **分类与回归**：深度解析支持向量机（SVM）、K近邻算法（KNN）、神经网络等分类和回归模型。

4. **聚类分析**：如K-means、层次聚类、DBSCAN等，用于无监督学习下的数据分组。

5. **关联规则学习**：描述项目之间的频繁模式，如Apriori算法。

6. **时间序列分析**：对于有时间序列数据的应用，如ARIMA模型和指数平滑法。

7. **深度学习与大数据挖掘**：涉及卷积神经网络（CNN）、循环神经网络（RNN）、推荐系统等内容。

8. **数据挖掘工具**：比如SQL查询、Hadoop MapReduce、Python（Pandas、Scikit-Learn）、R语言等常用数据分析库的运用。

9. **实际案例研究**：可能还会涉及到医疗健康、电子商务、社交网络等领域的真实世界应用实例。