监督学习：技术和应用

CDA数据科学研究院 CDA考试中心 CDA网校企业服务

CDA社区

CDA竞赛 CDA技术答疑 CDA会员职业咨询

关于CDA APP下载

全国热线4000-51-9191

首页

课程中心

CDA数据分析周末就业班2025 CDA数据分析脱产就业班2025 CDA敏捷算法建模周末班

CDA 业务数据分析 LEVEL Ⅰ 实操班 CDA 商业策略分析 LEVEL Ⅱ 集训营 CDA 机器学习与深度学习 LEVEL Ⅲ 集训营

职业路径

直播公开课

认证考试

企业内训

CDA社区

CDA竞赛 CDA技术答疑 CDA会员 scikit-learn中文社区职业咨询求职招聘能力测试

产品

大数据与人工智能实验室 CDA网校

证书查询

免密码登录

提交首次登录验证后自动注册

1 2 3 4 5 6 7 8 9 10 ..13 1/13

【CDA干货】K-Means 聚类：无监督学习中数据分群的核心算法: 2025-09-03; K-Means 聚类：无监督学习中数据分群的核心算法在数据分析领域，当我们面对海量无标签数据（如用户行为记录、商品属性数据、图像像素信息）时，如何快速发现数据内在的分组规律？K-Means 聚类算法正是解决这一问题 ...

【干货】半监督学习（下）Label Spreading: 2025-02-05; 当我们只有非常少量的已标记数据，同时有大量未标记数据点时，可以使用半监督学习算法来处理。在sklearn中，基于图算法的半监督学习有Label Propagation和Label Spreading两种。他们的主要区别是第二种方法带有正则 ...

【干货】用半监督学习方法处理标签（上）Label Propagation: 2025-02-04; 考虑一种棘手的情况：训练数据中大部分样本没有标签。此时，我们可以考虑使用半监督学习方法来处理。半监督学习能够利用这些额外的未标记数据，更好地捕捉数据分布的潜在形状，并在新样本上的泛化能力更强。当我们 ...

每天一个数据分析题（四百八十八）- 非监督学习: 2024-08-19; 关于非监督学习，在K-means聚类分析使用的距离是（） A. 欧式距离 B. 绝对距离 C. Minkowski距离 D. & ...

每天一个数据分析题（四百八十七）- 非监督学习: 2024-08-19; 关于非监督学习，在K-means聚类分析使用的距离是（） A. 欧式距离 B. 绝对距离 C. Minkowski距离 D. & ...

每天一个数据分析题（四百八十六）- 非监督学习: 2024-08-19; 关于非监督学习，PCA的缺点是？ A. 去除数据中的冗余信息 B. 简洁 C. 全局降维 D. 线性降维 ...

监督学习和非监督学习的区别是什么？: 2023-10-17; 监督学习和非监督学习是机器学习领域中两种重要的学习方法。它们在数据处理和模型训练方面有着明显的区别。监督学习是一种通过使用带有标签的训练数据集来训练模型的方法。在监督学习中，训练数据集包含了输入样本 ...

从线性回归到无监督学习，数据科学家需要掌握的十大统: 2018-06-02; 从线性回归到无监督学习，数据科学家需要掌握的十大统不管你对数据科学持什么态度，都不可能忽略分析、组织和梳理数据的重要性。Glassdoor 网站根据大量雇主和员工的反馈数据制作了「美国最好的 25 个职位」 ...

【CDA干货】机器学习分类模型：从原理到实战的完整指南: 2025-11-06; 在机器学习领域，“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别（是 / 否）” 到 “疾病诊断（良性 / 恶性）”，从 “客户流失预测（流失 / 留存）” 到 “图像分类（猫 / 狗 / 汽车）” ...

CDA 数据分析师：决策树分析实战指南 —— 可解释性建模与业务规则提取核心工具: 2025-11-06; 在 CDA（Certified Data Analyst）数据分析师的工作中，“可解释性建模” 与 “业务规则提取” 是核心需求 —— 例如 “预测用户是否流失并明确流失原因”“判断客户是否办理贷款并提炼审批规则”。这类问题需要模型 ...

CDA 数据分析师：聚类分析实战指南 —— 无监督分组与精准业务运营的核心工具: 2025-11-04; 在 CDA（Certified Data Analyst）数据分析师的工作中，“无监督样本分组” 是高频需求 —— 例如 “将用户按行为特征分为高价值、潜力、一般用户”“将商品按销售表现归类为爆款、平销、滞销品”。这类问题缺乏明确 ...

【CDA干货】Excel 辅助 K-Means 聚类实操手册: 2025-10-29; 这个问题切中了 Excel 用户的常见困惑 —— 将 “数据可视化工具” 与 “数据挖掘算法” 的功能边界混淆。核心结论是：Excel 透视图本身无法直接执行聚类分析，它是 “数据汇总与可视化工具”，而聚类分析是需要算法 ...

【CDA干货】神经网络与卡尔曼滤波的融合：突破传统局限的智能状态估计技术: 2025-10-23; 在工业控制、自动驾驶、机器人导航、气象预测等领域，“状态估计” 是核心任务 —— 即从含噪声的观测数据中，精准推断系统的真实状态（如无人机的位置与速度、化工反应釜的温度与压力、汽车的行驶轨迹）。卡尔曼滤 ...

【CDA干货】机器学习特征重要性分析：原理、实战与业务落地指南: 2025-10-11; 在机器学习建模流程中，“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模型效率，更能揭示 “哪些因素真正影响目标结果”（如用户流失的核心原因、房价波动的关 ...

【CDA干货】Excel 能做聚类分析吗？基础方法、进阶技巧与场景边界: 2025-09-29; Excel 能做聚类分析吗？基础方法、进阶技巧与场景边界在数据分析领域，聚类分析是 “无监督学习” 的核心技术 —— 无需预设分类标签，通过数据自身的相似性将样本划分为若干组（聚类），广泛用于客户分群、产品归 ...

【CDA干货】人工智能重塑工程质量检测：核心应用、技术路径与实践案例: 2025-09-24; 人工智能重塑工程质量检测：核心应用、技术路径与实践案例工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一道防线”。传统检测模式依赖人工肉眼观察、手持设备采样、破坏性试验，存在效率低（如 ...

CDA 数据分析师：以六大分析方法构建数据驱动业务的核心能力: 2025-09-05; CDA 数据分析师：以六大分析方法构建数据驱动业务的核心能力在数据驱动决策成为企业共识的当下，CDA（Certified Data Analyst）数据分析师不仅是 “数据搬运工”，更是 “业务问题解决者”。其核心竞争力的关键，在 ...

【CDA干货】K-S 曲线、回归与分类：数据分析中的重要工具: 2025-08-07; K-S 曲线、回归与分类：数据分析中的重要工具在数据分析与机器学习领域，K-S 曲线、回归和分类是三个核心概念与工具，它们各自承担着不同的角色，又在实际应用中相互关联、协同作用，共同为数据解读、预测和决策 ...