Q :  课程实践如何展开？

A :  请同学们登录https://www.educoder.net/paths/4153  开展具体课程实践。  

Q :  课程采用哪个教材？

A :  课程教材为2022年机械工业出版社最新发布《数据挖掘原理与应用》。  

Q :  教材对应的PPT在哪下载？

A :  2.1 数据类型和统计的“富文本资源中的附件下载PPT。  

Q：课程代码在哪下载？

A :  课程代码和数据集已上传到9.1.1分类实践任务起点的“实践项目代码及数据”资源中，可以在此下载相关的压缩包资源。

Q：课程历年考试试题在哪下载？

A :  课程历年考试试题已上传到9.1.1分类实践任务起点的“课程历年考试试题”资源中，可以在此下载相关的压缩包资源。

Q：课程编程如果没有python基础，是否提供学习资源？

A :  python学习相关的代码和数据集已上传到9.3.5 KNN 分类实践的“python学习相关资料”资源中，可以在此下载相关的压缩包资源。

Q：课程中是否提供大数据、深度学习等相关资源？

A :  大数据、深度学习等相关资源已上传到12.2 随机森林分类的“课程其他可参考PPT资源”资源中，可以在此下载相关的压缩包资源。

Q：课程需要什么基础？

A :  在课程制作过程中，尽可能利于易懂的案例驱动课程讲解，本课程希望同学们能够培养数据科学思维，因此，本课程学习对基础要求不高。但如果同学们后期进一步深入研究数据挖掘，建议同学们学习好高等数学、线性代数、概率统计等数学课程。

Q：老师的联系方式是什么？

A :  老师微信：dingzy1983，有问题可以随时在线交流。

Q：第2.认识数据之2.3 数据相似性章节中，4.4 数值属性的近邻性度量中，案例中的欧式距离计算表，表格中的计算有误。

A :  欧式距离示意中，为二维数据，该ppt中的结果计算有误，比如第一条数据（1，2），第二条数据（3，5），欧式距离为√[（1-3）^2+（2-5）^2]=3.606。

Q：决策树中父节点与子节点熵值的比较，为什么父节点的熵值更低？

A :  熵越大，说明数据越混乱，分类能力就越差。在构造决策树的时候，尽量把分类能力好的属性做为上层节点，上层节点的熵值较小，所以使得信息增益（原始的熵值减去现在的熵值）较大。所以此处不要把信息增益跟熵值混淆了。

Q：ReLU激活函数为什么会导致神经元死亡呢？降低学习率是如何缓解这个问题的呢？

A :  神经网络在接受异于常值输入时易导致反向传播中的大梯度效应，而这往往是学习率过载所致，最终神经元参数陷入无限循环，损失函数常导为0，而解决方法中降低学习率最为可靠，此外，也可通过优化算法策略动态调整学习率或Leaky Relu保证激活函数在小于0时也能实现非0输出。