NLP&数据挖掘基础知识

Basis(基础)：

• SSE(Sum of Squared Error, 平方误差和)
• SAE(Sum of Absolute Error, 绝对误差和)
• SRE(Sum of Relative Error, 相对误差和)
• MSE(Mean Squared Error, 均方误差)
• RMSE(Root Mean Squared Error, 均方根误差)
• RRSE(Root Relative Squared Error, 相对平方根误差)
• MAE(Mean Absolute Error, 平均绝对误差)
• RAE(Root Absolute Error, 平均绝对误差平方根)
• MRSE(Mean Relative Square Error, 相对平均误差)
• RRSE(Root Relative Squared Error, 相对平方根误差)
• Expectation(期望)&Variance(方差)
• Standard Deviation(标准差，也称Root Mean Squared Error, 均方根误差)
• CP(Conditional Probability, 条件概率)
• JP(Joint Probability, 联合概率)
• MP(Marginal Probability, 边缘概率)
• Bayesian Formula(贝叶斯公式)
• CC(Correlation Coefficient, 相关系数)
• Quantile (分位数)
• Covariance(协方差矩阵)
• GD(Gradient Descent, 梯度下降)
• SGD(Stochastic Gradient Descent, 随机梯度下降)
• LMS(Least Mean Squared, 最小均方)
• LSM(Least Square Methods, 最小二乘法)
• NE(Normal Equation, 正规方程)
• MLE(Maximum Likelihood Estimation, 极大似然估计)
• QP(Quadratic Programming, 二次规划)
• L1 /L2 Regularization(L1/L2正则, 以及更多的, 现在比较火的L2.5正则等)
• Eigenvalue(特征值)
• Eigenvector(特征向量)

Common Distribution(常见分布)：

Discrete Distribution(离散型分布)：

• Bernoulli Distribution/Binomial Distribution(贝努利分布/二项分布)
• Negative Binomial Distribution(负二项分布)
• Multinomial Distribution(多项分布)
• Geometric Distribution(几何分布)
• Hypergeometric Distribution(超几何分布)
• Poisson Distribution (泊松分布)

Continuous Distribution (连续型分布)：

• Uniform Distribution(均匀分布)
• Normal Distribution/Gaussian Distribution(正态分布/高斯分布)
• Exponential Distribution(指数分布)
• Lognormal Distribution(对数正态分布)
• Gamma Distribution(Gamma分布)
• Beta Distribution(Beta分布)
• Dirichlet Distribution(狄利克雷分布)
• Rayleigh Distribution(瑞利分布)
• Cauchy Distribution(柯西分布)
• Weibull Distribution (韦伯分布)

Three Sampling Distribution(三大抽样分布)：

• Chi-square Distribution(卡方分布)
• t-distribution(t-分布)
• F-distribution(F-分布)

Data Pre-processing(数据预处理)：

• Missing Value Imputation(缺失值填充)
• Discretization(离散化)
• Mapping(映射)
• Normalization(归一化/标准化)

Sampling(采样)：

• Simple Random Sampling(简单随机采样)
• Offline Sampling(离线等可能K采样)
• Online Sampling(在线等可能K采样)
• Ratio-based Sampling(等比例随机采样)
• Acceptance-rejection Sampling(接受-拒绝采样)
• Importance Sampling(重要性采样)
• MCMC(Markov Chain MonteCarlo 马尔科夫蒙特卡罗采样算法：Metropolis-Hasting& Gibbs)

Clustering(聚类)：

• K-MeansK-Mediods
• 二分K-Means
• FK-Means
• Canopy
• Spectral-KMeans(谱聚类)
• GMM-EM(混合高斯模型-期望最大化算法解决)
• K-Pototypes
• CLARANS(基于划分)
• BIRCH(基于层次)
• CURE(基于层次)
• STING(基于网格)
• CLIQUE(基于密度和基于网格)
• 2014年Science上的密度聚类算法等

Clustering Effectiveness Evaluation(聚类效果评估)：

• Purity(纯度)
• RI(Rand Index, 芮氏指标)
• ARI(Adjusted Rand Index, 调整的芮氏指标)
• NMI(Normalized Mutual Information, 规范化互信息)
• F-meaure(F测量)

Classification&Regression(分类&回归)：

• LR(Linear Regression, 线性回归)
• LR(Logistic Regression, 逻辑回归)
• SR(Softmax Regression, 多分类逻辑回归)
• GLM(Generalized Linear Model, 广义线性模型)
• RR(Ridge Regression, 岭回归/L2正则最小二乘回归)，LASSO(Least Absolute Shrinkage and Selectionator Operator , L1正则最小二乘回归)
• DT(Decision Tree决策树)
• RF(Random Forest, 随机森林)
• GBDT(Gradient Boosting Decision Tree, 梯度下降决策树)
• CART(Classification And Regression Tree 分类回归树)
• KNN(K-Nearest Neighbor, K近邻)
• SVM(Support Vector Machine, 支持向量机, 包括SVC(分类)&SVR(回归))
• CBA(Classification based on Association Rule, 基于关联规则的分类)
• KF(Kernel Function, 核函数)
• Polynomial Kernel Function(多项式核函数)
• Guassian Kernel
  Function(高斯核函数)
• Radial Basis
  Function(RBF径向基函数)
• String Kernel
  Function 字符串核函数
• NB(Naive Bayesian,朴素贝叶斯)
• BN(Bayesian
  Network/Bayesian Belief Network/Belief Network 贝叶斯网络/贝叶斯信度网络/信念网络)
• LDA(Linear
  Discriminant Analysis/Fisher Linear Discriminant 线性判别分析/Fisher线性判别)
• EL(Ensemble Learning, 集成学习)
• Boosting
• Bagging
• Stacking
• AdaBoost(Adaptive
  Boosting 自适应增强)
• MEM(Maximum Entropy
  Model, 最大熵模型)

Classification EffectivenessEvaluation(分类效果评估)：

• Confusion Matrix(混淆矩阵)
• Precision(精确度)
• Recall(召回率)
• Accuracy(准确率)
• F-score(F得分)
• ROC Curve(ROC曲线)
• AUC(AUC面积)
• Lift Curve(Lift曲线)
• KS Curve(KS曲线)

PGM(Probabilistic Graphical Models, 概率图模型)：

• BN(BayesianNetwork/Bayesian
  Belief Network/ Belief Network , 贝叶斯网络/贝叶斯信度网络/信念网络)
• MC(Markov Chain, 马尔科夫链)
• MEM(Maximum Entropy
  Model, 最大熵模型)
• HMM(Hidden Markov
  Model, 马尔科夫模型)
• MEMM(Maximum Entropy
  Markov Model, 最大熵马尔科夫模型)
• CRF(Conditional Random
  Field,条件随机场)
• MRF(Markov Random
  Field, 马尔科夫随机场)
• Viterbi(维特比算法)

NN(Neural Network, 神经网络)

• ANN(Artificial Neural
  Network, 人工神经网络)
• SNN(Static Neural
  Network, 静态神经网络)
• BP(Error Back
  Propagation, 误差反向传播)
• HN(Hopfield Network)
• DNN(Dynamic Neural
  Network, 动态神经网络)
• RNN(Recurrent Neural
  Network, 循环神经网络)
• SRN(Simple Recurrent
  Network, 简单的循环神经网络)
• ESN(Echo State
  Network, 回声状态网络)
• LSTM(Long Short Term
  Memory, 长短记忆神经网络)
• CW-RNN(Clockwork-Recurrent
  Neural Network, 时钟驱动循环神经网络, 2014ICML）等.

Deep Learning(深度学习)：

• Auto-encoder(自动编码器)
• SAE(Stacked
  Auto-encoders堆叠自动编码器)
• Sparse Auto-encoders(稀疏自动编码器)
• Denoising
  Auto-encoders(去噪自动编码器)
• Contractive
  Auto-encoders(收缩自动编码器)
• RBM(Restricted
  Boltzmann Machine, 受限玻尔兹曼机)
• DBN(Deep Belief
  Network, 深度信念网络)
• CNN(Convolutional
  Neural Network, 卷积神经网络)
• Word2Vec(词向量学习模型)

Dimensionality Reduction(降维)：

• LDA(Linear
  Discriminant Analysis/Fisher Linear Discriminant, 线性判别分析/Fish线性判别)
• PCA(Principal
  Component Analysis, 主成分分析)
• ICA(Independent
  Component Analysis, 独立成分分析)
• SVD(Singular Value
  Decomposition 奇异值分解)
• FA(Factor Analysis 因子分析法)

Text Mining(文本挖掘)：

• VSM(Vector Space
  Model, 向量空间模型)
• Word2Vec(词向量学习模型)
• TF(Term Frequency, 词频)
• TF-IDF(TermFrequency-Inverse
  Document Frequency, 词频-逆向文档频率)
• MI(Mutual Information,
  互信息)
• ECE(Expected Cross
  Entropy, 期望交叉熵)
• QEMI(二次信息熵)
• IG(Information Gain, 信息增益)
• IGR(Information Gain
  Ratio, 信息增益率)
• Gini(基尼系数)
• x2 Statistic(x2统计量)
• TEW(Text Evidence
  Weight, 文本证据权)
• OR(Odds Ratio, 优势率)
• N-Gram Model
• LSA(Latent Semantic
  Analysis, 潜在语义分析)
• PLSA(Probabilistic
  Latent Semantic Analysis, 基于概率的潜在语义分析)
• LDA(Latent Dirichlet
  Allocation, 潜在狄利克雷模型)
• SLM(Statistical
  Language Model, 统计语言模型)
• NPLM(Neural
  Probabilistic Language Model, 神经概率语言模型)
• CBOW(Continuous Bag of
  Words Model, 连续词袋模型)
• Skip-gram(Skip-gram
  Model)

Association Mining(关联挖掘)：

• Apriori算法
• FP-growth(Frequency
  Pattern Tree Growth, 频繁模式树生长算法)
• MSApriori(Multi
  Support-based Apriori, 基于多支持度的Apriori算法)
• GSpan(Graph-based
  Substructure Pattern Mining, 频繁子图挖掘)

Sequential Patterns Analysis(序列模式分析)

• AprioriAll
• Spade
• GSP(Generalized
  Sequential Patterns, 广义序列模式)
• PrefixSpan

Forecast(预测)

• LR(Linear Regression, 线性回归)
• SVR(Support Vector
  Regression, 支持向量机回归)
• ARIMA(Autoregressive
  Integrated Moving Average Model, 自回归积分滑动平均模型)
• GM(Gray Model, 灰色模型)
• BPNN(BP Neural
  Network, 反向传播神经网络)
• SRN(Simple Recurrent
  Network, 简单循环神经网络)
• LSTM(Long Short Term
  Memory, 长短记忆神经网络)
• CW-RNN(Clockwork
  Recurrent Neural Network, 时钟驱动循环神经网络)
• ……

Linked Analysis(链接分析)

• HITS(Hyperlink-Induced
  Topic Search, 基于超链接的主题检索算法)
• PageRank(网页排名)

Recommendation Engine(推荐引擎)：

• SVD
• Slope One
• DBR(Demographic-based
  Recommendation, 基于人口统计学的推荐)
• CBR(Context-based
  Recommendation, 基于内容的推荐)
• CF(Collaborative
  Filtering, 协同过滤)
• UCF(User-based
  Collaborative Filtering Recommendation, 基于用户的协同过滤推荐)
• ICF(Item-based
  Collaborative Filtering Recommendation, 基于项目的协同过滤推荐)

Similarity Measure&Distance
Measure(相似性与距离度量)：

• EuclideanDistance(欧式距离)
• Chebyshev Distance(切比雪夫距离)
• Minkowski Distance(闵可夫斯基距离)
• Standardized
  EuclideanDistance(标准化欧氏距离)
• Mahalanobis Distance(马氏距离)
• Cos(Cosine, 余弦)
• Hamming Distance/Edit
  Distance(汉明距离/编辑距离)
• Jaccard Distance(杰卡德距离)
• Correlation
  Coefficient Distance(相关系数距离)
• Information Entropy(信息熵)
• KL(Kullback-Leibler
  Divergence, KL散度/Relative Entropy, 相对熵)

Optimization(最优化)：

Non-constrained Optimization(无约束优化)：

• Cyclic Variable
  Methods(变量轮换法)
• Variable Simplex
  Methods(可变单纯形法)
• Newton Methods(牛顿法)
• Quasi-Newton Methods(拟牛顿法)
• Conjugate Gradient
  Methods(共轭梯度法)。

Constrained Optimization(有约束优化)：

• Approximation
  Programming Methods(近似规划法)
• Penalty Function
  Methods(罚函数法)
• Multiplier Methods(乘子法)。
• Heuristic Algorithm(启发式算法)
• SA(Simulated
  Annealing, 模拟退火算法)
• GA(Genetic Algorithm, 遗传算法)
• ACO(Ant Colony
  Optimization, 蚁群算法)

Feature Selection(特征选择)：

• Mutual Information(互信息)
• Document Frequence(文档频率)
• Information Gain(信息增益)
• Chi-squared Test(卡方检验)
• Gini(基尼系数)

Outlier Detection(异常点检测)：

• Statistic-based(基于统计)
• Density-based(基于密度)
• Clustering-based(基于聚类)。

Learning to Rank(基于学习的排序)：

• Pointwise
• McRank
• Pairwise
• RankingSVM
• RankNet
• Frank
• RankBoost；
• Listwise
• AdaRank
• SoftRank
• LamdaMART

Tool(工具)：

• MPI
• Hadoop生态圈
• Spark
• IGraph
• BSP
• Weka
• Mahout
• Scikit-learn
• PyBrain
• Theano