韩家炜数据挖掘教学视频（共22课完整版）

韩家炜这套数据挖掘教学视频共 22 课，本身是一套完整的课堂讲授录像，而不是零散的知识点切片。它的价值不在于画面制作，而在于讲授者把数据挖掘这门学科的知识结构、方法来源和取舍逻辑讲清楚了。对于已经写过代码、做过数据处理，但对数据挖掘整体框架还停留在"调包"层面的开发者，这套内容适合当作一条主线来对照实践。

这门课在讲什么

课程覆盖的是数据挖掘的经典主干：数据预处理与相似度度量、频繁模式与关联规则、分类与预测、聚类分析、异常检测，以及在这些方法之上的模式评估与挖掘结果解释。它不会停留在"某个算法怎么调用"，而是会回到问题本身——面对一份高维、含噪、分布不均的数据，为什么选这种方法而不是另一种，代价在哪里，边界在哪里。

讲授者长期在数据挖掘与信息网络方向做研究，因此课程里对方法演进的脉络交代得比较清楚。比如从 Apriori 到 FP-growth 的动机变化，从朴素贝叶斯到决策树再到集成方法各自适用的数据条件，这些内容如果只看教程文章，容易变成一堆并列的算法名；在课堂语境里，它们是一条有因果关系的线。

技术栈与实现视角

课程偏原理与算法设计，代码层面的细节需要自己补齐，这是使用这份资料时要有预期的地方。比较合理的做法是：听完一课的算法逻辑后，自己用 Python 落地一遍。常见的选择是 scikit-learn 做分类、聚类和评估，mlxtend 或自己实现频繁项集挖掘，pandas 与 numpy 负责预处理和向量化，NetworkX 处理图结构相关的挖掘任务。如果关注大规模场景，可以顺着课程里的思路去看 Spark MLlib 的对应实现。

把视频当"算法说明文档"用，配合一份可运行代码，学习效率会比单纯看视频高很多。每一课结束后至少产出一个能跑通的小实验：换一份数据集、改一次参数、记录指标变化。

可复用的模块与工程结构

从工程角度看，这套内容能沉淀出几类可复用资产。一是数据预处理与评估的公共层——缺失值处理、归一化、交叉验证、混淆矩阵与 ROC 这类代码，可以在多个项目里反复使用。二是算法对照实验的脚本骨架：固定数据集、固定评估方式，只替换算法，便于横向比较。三是挖掘结果的可视化与解释模块，特别是关联规则和聚类结果，图表化之后才便于和业务方沟通。

建议在本地按"数据层 / 算法层 / 评估层 / 展示层"来组织目录，而不是按课程编号堆文件。这样一套结构建立起来之后，后续做推荐、风控、用户分群这类任务都能直接复用。

怎么安排自学节奏

• 先通读一遍课程主题列表，判断自己哪部分已经掌握，把时间集中在频繁模式、分类评估、聚类这三块高频使用的内容上。
• 每课按"听课—复现—换数据验证"三步走，避免只看不写。
• 准备两到三份真实数据集，覆盖结构化表格和稀疏高维两类场景，用来检验算法在不同数据形态下的表现差异。
• 把每次实验的参数、指标和结论记成简短笔记，积累到后期就是自己的方法选择依据。

适合谁拿来对照

如果你已经会写数据处理代码，但面对一个具体挖掘任务时说不清该用什么方法、为什么用它，这套 22 课的内容值得按上面的方式过一遍。它的作用是建立判断力，而不是提供现成答案。配套的源码与实验脚本需要自己动手补，这恰恰也是这份资料最有价值的使用方式。