斯坦福数据挖掘Introduction

时间:2023-12-30 22:48:38

  感谢敖山、薛霄老师把我引进了统计学和现代服务业的大门.......至少是长见识了。

  查相似项检索时发现的。

  中间一部分资料来自厦门大学数据库实验室,感谢大牛们的传道授业,爱你们。
  查资料时发现很多计算机相关(比如分布式、数据库)的研究生都曾经是数学系的学生。

  ppt是英文的,笔者做了简单翻译。

一.英语单词

  subsidiary :附带的

  Standard Deviation:标准差
  outline:梗概,大纲
  spam:垃圾邮件
  extrac:提取
  crap:废物,排泄物
  objection:反对
  vague:模糊的
  violate:违反,妨碍,*
  suspicious:可疑的
  at length:详细地

  moral:道德上的,寓意,教训

二.课程大纲

  测虚假(bogus)数据。
  可视化(visualization):用图代替兆字节(Megabyte)的输出。

  Databases: concentrate on large-scale (non-main-memory) data.
  AI (machine-learning): concentrate on complex methods, small data.
  Statistics: concentrate on models.
  模型和过程分析:对数据库人员说,数据挖掘是过程分析的极端表现形式;对于统计学人员,数据挖掘是模型的推断(inference),结果是模型的参数。

  Given a billion numbers, a DB person would compute their average and standard deviation.A statistician might fit the billion points to the best Gaussian distribution and report the mean and standard deviation of that distribution.

2.1 课程大纲(一)  

  Map-Reduce and Hadoop.  

  Association rules, frequent itemsets.
  PageRank and related measures of importance on the Web (link analysis ).
  Spam detection.
  Topic-specific search.
  Recommendation systems.
  Collaborative filtering.

2.2 课程大纲(二)

  Finding similar sets.Minhashing, Locality-Sensitive hashing.
  Extracting structured data (relations) from the Web.
  Clustering data.
  Managing Web advertisements.
  Mining data streams.

  充满意义的回答。
  大数据挖掘的风险:可能发现毫无意义的模式。
  邦弗朗尼原理:如何避免统计假象。

2.3 邦弗朗尼原理

  斯坦福教授证明追踪*是不可能的(我查资料发现介绍邦弗朗尼原理的书中都有这个例子)。

  在考察数据时,如果将某些对象视为数据的有趣特征,而这些对象中的许多都可能会在随机数据中出现,那么这些显著的特征就不可依赖。对于那些实际中并不充分罕见的特征来说,上述观察结果限制了从这些数据特征中进行挖掘的能力。

  邦弗朗尼校正(Bonferroni correction):在数据随机性假设的基础上,可以计算所寻找事件出现次数的期望值。如果该结果显著高于你所希望找到的真正实例的数目,那么可以预期,寻找到的几乎任何事物都是臆造的,也就是说,它们是在统计上出现的假象,而不是你所寻找事件的凭证。

  假设我们确信在某个地方有一群恶人,目标是把他们揪出来。再假定我们有理由相信,这些恶人会定期在某个宾馆聚会来商讨他们的作恶计划。为限定问题的规模,我们再给出如下假设:

  (1) 恶人数目可能有10亿;

  (2) 每个人每100天当中会有一天去宾馆;

  (3) 一个宾馆最多容纳100个人。因此,100 000个宾馆已足够容纳10亿人中的1%在某个给定的日子入住宾馆;

  (4) 我们将对1000天的宾馆入住记录进行核查。

  为了在上述数据中发现恶人的踪迹,我们可以找出那些在两个不同日子入住同一宾馆的人。但是假设并没有恶人,也就是说,给定某一天,对每个人来说,他们都是随机地确定是否去宾馆(概率为0.01),然后又是随机地从105个宾馆中选择一个。从上述数据中,我们能否推断出某两个人可能是恶人?

  接下来我们做个简单的近似计算。给定某天,任意两个人都决定去宾馆的概率为0.000 1,而他们入住同一宾馆的概率应该在0.000 1基础上除以105(宾馆的数量)。因此,在给定某天的情况下,两个人同时入住同一宾馆的概率是10 9。而在任意给定的不同的两个日子,两人入住同一宾馆的概率就是10 9的平方,即10 18。需要指出的是,上述推理中只需要两人两次中每次住的宾馆相同即可,并不需要两次都是同一家宾馆 。

  基于上述计算,我们必须要考虑到底事件出现多少次才意味着作恶事件的发生。上例中,"事件"的含义是指"两个人在两天中的每一天入住相同宾馆"。为简化数字运算,对于较大的n, 大概等于n2/2。下面我们都采用这个近似值。因此在109中的人员组对个数为 =5×1017,而在1000天内任意两天的组合个数为 =5×105。疑似作恶事件的期望数目应该是上述两者的乘积再乘上"两个人在两天中的每一天入住相同宾馆"的概率,结果为5 × 1017 × 5 × 105 × 10 18 = 250 000

  也就是说,大概有25万对人员看上去像恶人,即使他们根本不是。

  现在假定实际上只有10对人员是真正的恶人。警察局需要调查25万对人员来寻找他们。除了会侵犯近50万无辜人们的生活外,所需的工作量非常大,以至于上述做法几乎是不可行的。

寓意:Understanding Bonferroni’s Principle will help you look a little less stupid than a parapsychologist.

三.结束

  英文课件下载链接:http://download.csdn.net/detail/huoxingshiyilang/8694175
  参考文献:斯坦福网易公开课、51CTO读书频道