数据挖掘项目

商户在特定日期如“黑色星期五”和“双十一”等促销活动中可能会吸引一些一次性购物的新买家，商家需要识别谁可以转化为重复购买者以减轻促销对未来销售的影响。数据文件说明如下： 字段名称 | 定义---|---|---user_id | 用户唯一 ID年龄范围 | 用户年龄范围：50 时为 7 和 8；0 和 NULL（未知）性别 | 用户性别：女性 0，男性 1，NULL（未知）商户编号 | 商家唯一 ID标签 | 取值 {0, 1, -1, NULL}，1 表示用户是商家的重复购买者，0 表示相反，-1 表示用户是潜在重复购买者

数据挖掘项目 作者： Philippe CHARRAT 和 Clément CORNU 目标： 使用 Python 创建推荐系统（开发中）

Aztech 数据挖掘项目的最终成果。

汇集数据挖掘领域专业人士的精选项目，展示数据挖掘实践应用与创新。

将训练文件“AP_train.txt”和测试文件“AP_test_par.txt”添加到数据目录。 运行命令“./MineDataSet.sh”。

图像导入和缩放：导入数据集，调整图像大小，归一化像素值。 模型构建：部署 EfficientNetB7 模型，记录模型信息。 相似度向量数据集：创建特征向量数据集，通过神经网络处理每个图像。 相似性度量：计算 Jaccard 和余弦相似度，搜索最佳匹配。 可选项：微调模型，裁剪图像。

情感识别：数据挖掘项目探索 这个项目深入研究了情感识别领域，利用数据挖掘技术探索情感识别的奥秘。项目重点关注： 数据收集与处理： 从社交媒体、文本对话等渠道收集情感数据，并进行清洗、标注等预处理工作。 特征工程： 从文本数据中提取能够表达情感的特征，例如词汇选择、语法结构、语义信息等。 模型构建与训练： 选择合适的机器学习或深度学习模型，进行训练和优化，使其能够准确识别文本中的情感倾向。 结果评估与分析： 评估模型的性能，并分析模型的优缺点，以及如何改进模型的准确率和鲁棒性。 通过这个项目，我们希望能够更深入地理解情感识别的原理，并探索其在各个领域的应用潜力。

本项目基于ETF网站上关于股票ETF的原始数据。通过解析网址，我们能够提取ETF的名称、评分、板块和相关比较信息。 以网址为例，我们可以获取如下数据：- 特征名称：SPY- 基金名称：SPDR S&P 500 ETF信托- 评分：A- 得分：94- 板块：美国大型股- 热门比较：SPY与

这是我们CSE 597A课程项目的存储库，其中包含了一个新的数据集：book_data_1225.csv，收录了1225本独特的书籍。数据集添加了多项功能，但保持了使用便捷的特点。在使用这个数据集进行机器学习算法时，建议使用以下两组特征：第一组特征包括3、4、5、6、7、8、10、11；第二组特征则在第一组的基础上增加12到134。总共涵盖了134个特征。评级是我们的主要目标。我们计划在未来的测试中添加基于标题的词袋转换。此外，我们还记录了价格信息，以及每本书是否有Nook（电子书）版本和音频版本。