VIP20
本课程属于：050-分子动力学特征学习任务 生物信息学与 AI 制药工程 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

MD特征学习不平衡数据处理方案

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
不平衡数据问题概述
定义 · 影响 · 评价指标
不平衡数据问题概…定义
02
MD特征学习简介
缺失数据特征学习的概念与重要性
MD特征学习简介
03
数据不平衡常见场景
医疗诊断 · 欺诈检测 · 异常检测等
数据不平衡常见场…医疗诊断
04
特征工程基础
特征提取 · 特征选择 · 特征降维
特征工程基础特征提取
05
缺失数据机制
MCAR · MAR · MNAR
缺失数据机制MCAR
06
缺失数据填补方法
均值填补 · 回归填补 · 多重插补
缺失数据填补方法均值填补
07
基于机器学习的缺失值预测
基于机器学习的缺失值预测 · 核心概念 · 实践要点
基于机器学习的缺…重点
08
不平衡数据采样方法
随机过采样 · 随机欠采样
不平衡数据采样方…随机过采样
09
SMOTE算法原理与实现
SMOTE算法原理与实现 · 核心概念 · 实践要点
SMOTE算法原理
10
Borderline-SMOTE与ADASYN
Borderline-SMOTE与ADA… · 核心概念 · 实践要点
Borderline-S…ADASYN
11
基于生成对抗网络(GAN)的过采样
基于生成对抗网络(GAN)的过采样 · 核心概念 · 实践要点
GAN基于生成对抗网络
12
集成方法
Bagging · Boosting在不平衡数据中的应用
集成方法Bagging
13
代价敏感学习
损失函数加权 · 阈值调整
代价敏感学习损失函数加权
14
特征选择在不平衡问题中的特殊性
特征选择在不平衡问题中的特殊性 · 核心概念 · 实践要点
特征选择不平衡问题
15
基于MD特征学习的特征重构
基于MD特征学习的特征重构 · 核心概念 · 实践要点
MD基于
16
使用AutoEncoder进行特征学习
使用AutoEncoder进行特征学习 · 核心概念 · 实践要点
AutoEncoder使用
17
不平衡数据下的模型评估
混淆矩阵 · ROC · PR曲线
不平衡数据下的模…混淆矩阵
18
交叉验证策略
分层采样 · 时间序列分割
交叉验证策略分层采样
19
处理多分类不平衡问题
处理多分类不平衡问题 · 核心概念 · 实践要点
处理多分类不平衡…重点
20
处理极端不平衡（比例>100
处理极端不平衡（比例>100 · 核心概念 · 实践要点
处理极端不平衡比例>100
21
基于图的特征学习与不平衡
基于图的特征学习与不平衡 · 核心概念 · 实践要点
基于图的特征学习不平衡
22
深度生成模型
VAE用于数据增强
深度生成模型VAE
23
稀疏编码与特征学习在不平衡数据中的应用
稀疏编码与特征学习在不平衡数据中的应用 · 核心概念 · 实践要点
稀疏编码特征学习
24
迁移学习与不平衡数据
迁移学习与不平衡数据 · 核心概念 · 实践要点
迁移学习不平衡数据
25
在线学习与不平衡数据流
在线学习与不平衡数据流 · 核心概念 · 实践要点
线学习不平衡数据流
26
集成特征选择与不平衡处理框架
集成特征选择与不平衡处理框架 · 核心概念 · 实践要点
集成特征选择不平衡处理框架
27
实际案例
信用评分中的不平衡处理
实际案例信用评分
28
实际案例
医疗影像中的不平衡与缺失数据
实际案例医疗影像
29
实际案例
工业故障检测
实际案例工业故障检测
30
总结与未来发展方向
总结与未来发展方向 · 核心概念 · 实践要点
未来发展方向总结与未来发展方…