数据仓库与数据挖掘

📊 课程难度与压力分析

COMP9318 的难度属于‘算法复杂度的物理博弈’。难点不在于 Python 写不出代码，而在于‘效率限制’。当你面对 Assignment 里要求从千万条记录中寻找频繁项集时，如果你的 Apriori 实现没有做有效的‘连接步优化’，你的程序会因为运行超过 10 分钟而在评测机上挂掉。压力主要来自于数据仓库的建模，你需要在大脑里构建多维立方体的物理映射。及格容易，但拿 HD 需要你对‘信息增益与基尼系数’的代数本质有极其深度的理解。挂科风险显著存在于对‘支持度 (Support)’基本定义的误解上。

🎯 备考重点与高分策略

高分秘籍：‘得 FP-Growth 者得 Distinction，得关联规则证明者得 HD’。期末考试中，手动执行一次 Apriori 算法的全流程合并与剪枝是必考的 20 分大题。一定要练到能秒画出‘FP 树的条件模式基’。重点攻克‘如何利用置信度偏差识别伪关联’，那是区分普通调包侠与顶级数据专家的标志。备考时，教材《Data Mining: Concepts and Techniques》(Han) 是唯一的圣经。对于项目，HD 的关键在于‘向量化编程’——不仅算法对，还要通过代码证明你使用了 NumPy 来加速循环。重视 Tutorial 里的每一道贝叶斯概率题。

📚 学习建议与资源推荐

神级资源：Jiawei Han 教授的配套课件和‘Orange’数据挖掘工具。如果关联挖掘理解不了，强烈推荐去 YouTube 搜‘FP-Growth Algorithm Explained’。最重要的建议：养成‘先推导出公式，再敲实现’的习惯。利用好学校提供的‘VLAB’环境进行实验。学会使用‘Tableau’进行简单的多维可视化自校验。加入 UNSW 的 Data Science 讨论组。

⚠️ 作业与 Lab 避坑指南

项目避坑：千万不要在提交前最后一小时才跑大型数据集！挖掘算法的性能瓶颈往往出现在‘候选集爆炸’阶段。Assignment 写作中，严禁只贴运行截图，必须写出你的‘剪枝逻辑理由’——为什么你认为这个子集可以被跳过？此外，注意 Final 考试有 Hurdle，关于‘分类器评估指标’的基础题如果写错，平时分再高也会挂。考试时，带好直尺，画出的决策树分支图必须清晰标准。注意：分清‘提升度 (Lift)’与‘置信度’在规则评估中的本质差异。

💬 过来人经验分享

学长建议：这门课是为你进入顶级大厂 BI 部（如 Amazon 或 ByteDance）拿的‘洞察力入场券’。学完后，你眼中的数据不再是表，而是一个由潜在关联、离群点和频繁模式张成的商业智能场。建议找一个同样追求‘算法极致简洁’的队友共同打磨程序。拿 HD 的关键：在报告中展现出你对‘算法可解释性与公平性’的考量。坚持住，通关 9318，你就真正跨过了从写码学生到具备数据驱动决策能力的分析师的那道红线。这张成绩单是进入数据行业最有力的逻辑背书。记住：挖掘的灵魂，在于从平凡中发现非凡。