數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)

內(nèi)容概要

　　數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)領(lǐng)域中的一些基本理論、研究方法和技術(shù)標(biāo)準(zhǔn)，簡(jiǎn)單介紹了相關(guān)產(chǎn)品和工具，討論了KDD與數(shù)據(jù)挖掘的概念、數(shù)據(jù)挖掘?qū)ο?、知識(shí)發(fā)現(xiàn)過(guò)程、研究方法以及相關(guān)的研究領(lǐng)域和應(yīng)用范圍。第2章～第9章詳細(xì)地介紹了關(guān)聯(lián)規(guī)則、聚類(lèi)分析、決策樹(shù)、貝葉斯網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、粗糙集、模糊集等數(shù)據(jù)挖掘模型與算法。第10章討論了模型選擇與模型評(píng)估方法。第11章和第12章簡(jiǎn)單介紹了數(shù)據(jù)預(yù)處理方法和數(shù)據(jù)挖掘技術(shù)標(biāo)準(zhǔn)、數(shù)據(jù)挖掘可視化技術(shù)和數(shù)據(jù)挖掘工具開(kāi)發(fā)方法，并簡(jiǎn)單介紹了數(shù)據(jù)挖掘產(chǎn)品和工具?！　　稊?shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)（第2版）》可以作為計(jì)算機(jī)專(zhuān)業(yè)、信息類(lèi)專(zhuān)業(yè)、管理類(lèi)專(zhuān)業(yè)高年級(jí)本科生及研究生的教材或參考書(shū)，也可供有關(guān)人員學(xué)習(xí)參考。

書(shū)籍目錄

第1章 緒論1.1 引言1.2 KDD與數(shù)據(jù)挖掘1.2.1 KDD定義1.2.2 KDD過(guò)程1.2.3 數(shù)據(jù)庫(kù)技術(shù)發(fā)展與數(shù)據(jù)挖掘1.3 數(shù)據(jù)挖掘的對(duì)象與環(huán)境1.3.1 數(shù)據(jù)與系統(tǒng)特征1.3.2 數(shù)據(jù)結(jié)構(gòu)1.3.3 數(shù)據(jù)庫(kù)系統(tǒng)1.4 數(shù)據(jù)挖掘方法與相關(guān)領(lǐng)域1.4.1 數(shù)據(jù)挖掘相關(guān)領(lǐng)域1.4.2 粗糙集1.4.3 聚類(lèi)1.4.4 關(guān)聯(lián)規(guī)則1.4.5 決策樹(shù)1.4.6 模糊集1.4.7 規(guī)則歸納1.4.8 進(jìn)化計(jì)算1.5 KDD系統(tǒng)與應(yīng)用本章小結(jié)習(xí)題1第2章 關(guān)聯(lián)規(guī)則2.1 引言2.2 關(guān)聯(lián)規(guī)則基本模型2.2.1 關(guān)聯(lián)規(guī)則基本模型2.2.2 Apriori算法2.2.3 LIG算法2.2.4 FP算法2.3 多級(jí)關(guān)聯(lián)規(guī)則與多維關(guān)聯(lián)規(guī)則2.3.1 多級(jí)關(guān)聯(lián)規(guī)則2.3.2 多維關(guān)聯(lián)規(guī)則2.4 關(guān)聯(lián)規(guī)則價(jià)值衡量與發(fā)展2.4.1 規(guī)則價(jià)值衡量2.4.2 基于約束的關(guān)聯(lián)規(guī)則2.4.3 關(guān)聯(lián)規(guī)則新進(jìn)展本章小結(jié)習(xí)題2第3章 聚類(lèi)分析3.1 聚類(lèi)分析簡(jiǎn)介3.2 聚類(lèi)分析中的數(shù)據(jù)類(lèi)型3.3 劃分方法3.3.1 加均值算法3.3.2 k-中心點(diǎn)算法3.3.3 EM算法3.4 層次方法3.4.1 凝聚的和分裂的層次聚類(lèi)3.4.2 利用層次方法進(jìn)行平衡迭代歸約和聚類(lèi)3.4.3 利用代表點(diǎn)聚類(lèi)3.4.4 采用動(dòng)態(tài)建模技術(shù)的層次聚類(lèi)算法3.5 基于密度的方法3.6 基于網(wǎng)格的方法3.7 基于模型的聚類(lèi)方法3.8 孤立點(diǎn)分析本章小結(jié)習(xí)題3第4章 決策樹(shù)4.1 引言4.2 信息論4.2.1 信息傳輸與數(shù)據(jù)挖掘4.2.2 信息論主要概念4.3 ID3算法4.4 決策樹(shù)的剪枝4.4.1 預(yù)剪枝4.4.2 后剪枝4.4.3 決策樹(shù)的性能評(píng)價(jià)4.5 決策樹(shù)算法的改進(jìn)4.5.1 二叉樹(shù)決策算法4.5.2 按增益比率估值的方法4.5.3 按分類(lèi)信息估值的方法4.5.4 按劃分距離估值的方法4.6 C4.5 算法4.7 CART算法4.8 SLIQ算法4.9 決策樹(shù)與數(shù)據(jù)預(yù)處理4.9.1 數(shù)據(jù)概化與約簡(jiǎn)4.9.2 抽樣方法4.9.3 維歸約及特征子集的選取4.9.4 冗余特征子集刪除4.9.5 離散化處理4.9.6 改變數(shù)據(jù)結(jié)構(gòu)4.10 算法改進(jìn)4.10.1 多決策樹(shù)綜合技術(shù)4.10.2 決策樹(shù)的增量學(xué)習(xí)本章小結(jié)習(xí)題4第5章 貝葉斯網(wǎng)絡(luò)5.1 貝葉斯網(wǎng)絡(luò)基本概念5.2 不確定性推理與聯(lián)合概率分布5.3貝葉斯網(wǎng)絡(luò)中的獨(dú)立關(guān)系5.3.1 條件獨(dú)立5.3.2 有向分離和條件獨(dú)立5.3.3 因果影響?yīng)毩?.3.4 環(huán)境獨(dú)立5.4 貝葉斯網(wǎng)絡(luò)學(xué)習(xí)5.4.1 結(jié)構(gòu)學(xué)習(xí)5.4.2 搜索算法5.4.3 基于約束的方法5.4.4 參數(shù)學(xué)習(xí)5.5 貝葉斯網(wǎng)絡(luò)分類(lèi)器5.5.1 樸素貝葉斯網(wǎng)絡(luò)分類(lèi)器5.5.2 半樸素貝葉斯分類(lèi)器與選擇貝葉斯分類(lèi)器5.5.3 樹(shù)增廣樸素貝葉斯網(wǎng)絡(luò)分類(lèi)器5.5.4 廣義樸素貝葉斯網(wǎng)絡(luò)分類(lèi)器本章小結(jié)習(xí)題5第6章 人工神經(jīng)網(wǎng)絡(luò)6.1 人工神經(jīng)元及人工神經(jīng)網(wǎng)絡(luò)模型6.1.1 M.P模型6.1.2 人工神經(jīng)元的形式化描述6.1.3 神經(jīng)網(wǎng)絡(luò)的分類(lèi)6.1.4 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式6.2 前向神經(jīng)網(wǎng)絡(luò)6.2.1 感知器6.2.2 多層前向神經(jīng)網(wǎng)絡(luò)的BP算法6.2.3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)6.3 反饋神經(jīng)網(wǎng)絡(luò)6.3.1 前向神經(jīng)網(wǎng)絡(luò)與反饋神經(jīng)網(wǎng)絡(luò)的比較6.3.2 反饋神經(jīng)網(wǎng)絡(luò)模型6.3.3 離散型Hopfield神經(jīng)網(wǎng)絡(luò)6.3.4 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)6.3.5 Boltzmarm機(jī)6.4 自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)模型6.5 基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘本章小結(jié)習(xí)題6第7章 支持向量機(jī)7.1 學(xué)習(xí)機(jī)器泛化性能的界7.1.1 VC維7.1.2 Rn中有向超平面對(duì)點(diǎn)的打散7.1.3 VC維和參數(shù)個(gè)數(shù)7.1.4 通過(guò)最小化h最小化界7.1.5 實(shí)例7.1.6 結(jié)構(gòu)風(fēng)險(xiǎn)最小化7.2 線性支持向量機(jī)7.2.1 可分情形7.2.2 Karush-Kuim-TUckei·條件7.2.3 測(cè)試7.2.4 非可分情形7.3 非線性支持向量機(jī)7.3.1 硬間隔非線性支持向量機(jī)7.3.2 軟間隔非線性支持向量機(jī)7.3.3 v-SVM分類(lèi)器7.3.4 處理不平衡數(shù)據(jù)的加權(quán)SVM7.3.5 多類(lèi)別SVM分類(lèi)7.3.6 Mercer。條件及Mercer定理7.3.7 非線性支持向量機(jī)實(shí)例7.4 支持向量機(jī)的VC維7.5 支持向量機(jī)應(yīng)用7.5.1 手寫(xiě)體數(shù)字識(shí)別7.5.2 文本分類(lèi)7.5.3 生物信息學(xué)中的SVM應(yīng)用本章小結(jié)習(xí)題7第8章 粗糙集8.1 近似空間8.1.1 近似空間與不可分辨關(guān)系8.1.2 知識(shí)與知識(shí)庫(kù)8.2 近似與粗糙集8.2.1 近似與粗糙集的基本概念8.2.2 粗糙集的基本性質(zhì)8.3 粗糙集的特征描述8.3.1 近似精度8.3.2 粗糙集隸屬函數(shù)8.3.3 拓?fù)涮卣?.4 知識(shí)約簡(jiǎn)8.4.1 約簡(jiǎn)與核8.4.2 相對(duì)約簡(jiǎn)和相對(duì)核8.5 知識(shí)的依賴(lài)性8.6 信息系統(tǒng)8.6.1 信息系統(tǒng)的定義8.6.2 分辨矩陣與分辨函數(shù)8.7 決策表8.8 決策規(guī)則8.9 擴(kuò)展的粗糙集模型8.9.1 可變精度粗糙集模型8.9.2 相似模型本章小結(jié)習(xí)題8第9章 模糊集9.1 模糊集定義與隸屬函數(shù)9.1.1 模糊集定義與隸屬函數(shù)9.1.2 模糊集合的表示法9.2 模糊集的基本運(yùn)算9.3 分解定理與擴(kuò)展原理9.4 模糊集的特征9.5 模糊集的度量9.5.1 模糊度9.5.2 模糊集間的距離9.5.3 模糊集的貼近度9.6 模糊關(guān)系9.6.1 模糊關(guān)系定義9.6.2 模糊關(guān)系的運(yùn)算與性質(zhì)9.6.3 模糊等價(jià)關(guān)系與模糊相似關(guān)系9.7 模糊聚類(lèi)分析9.7.1 模糊劃分9.7.2 模糊相似系數(shù)的標(biāo)定方法9.7.3 模糊聚類(lèi)分析9.7.4 傳遞閉包法9.7.5 最大樹(shù)法9.7.6 模糊c-均值聚類(lèi)9.8 模糊集與粗糙集本章小節(jié)習(xí)題9第10章 模型選擇與模型評(píng)估10.1 模型的過(guò)擬合10.2 沒(méi)有天生優(yōu)越的分類(lèi)器10.3 模型、模型選擇和模型評(píng)估10.4 簡(jiǎn)單劃分和交叉驗(yàn)證10.5 自助法10.6 Occam剃刀10.7 最小描述長(zhǎng)度準(zhǔn)則10.8 信息準(zhǔn)則10.8.1 Akaike信息準(zhǔn)則10.8.2 Bayesian信息準(zhǔn)則10.9 比較分類(lèi)器的方法10.9.1 估計(jì)準(zhǔn)確率的置信區(qū)間10.9.2 比較兩個(gè)模型的性能10.9.3 比較兩種分類(lèi)法的性能10.1 0聚類(lèi)評(píng)估10.1 0.1 假設(shè)檢驗(yàn)10.1 0.2 聚類(lèi)評(píng)估中的假設(shè)檢驗(yàn)10.1 0.3 相對(duì)準(zhǔn)則本章小結(jié)習(xí)題10第11章 數(shù)據(jù)預(yù)處理與可視化技術(shù)11.1 數(shù)據(jù)清理11.1.1 填補(bǔ)空缺值11.1.2 消除噪聲數(shù)據(jù)11.1.3 實(shí)現(xiàn)數(shù)據(jù)一致性11.2 數(shù)據(jù)集成與轉(zhuǎn)換11.2.1 數(shù)據(jù)集成11.2.2 數(shù)據(jù)轉(zhuǎn)換11.3 數(shù)據(jù)歸約與濃縮11.3.1 數(shù)據(jù)立方體聚集11.3.2 維歸約11.3.3 數(shù)據(jù)壓縮11.3.4 數(shù)值歸約11.4 概念分層11.4.1 概念分層的概念11.4.2 概念分層的類(lèi)型11.4.3 數(shù)值數(shù)據(jù)的概念分層與離散化11.4.4 分類(lèi)數(shù)據(jù)的概念分層11.5 可視化技術(shù)概述11.5.1 可視化技術(shù)分類(lèi)11.5.2 可視化技術(shù)在數(shù)據(jù)挖掘中的應(yīng)用11.6 過(guò)程可視化11.7 數(shù)據(jù)可視化11.7.1 折線圖11.7.2 復(fù)合餅圖11.7.3 散點(diǎn)圖11.7.4 盒圖11.7.5 平行坐標(biāo)法11.7.6 圓環(huán)分段表示11.8 結(jié)果可視化11.8.1 關(guān)聯(lián)規(guī)則11.8.2 分類(lèi)11.8.3 聚類(lèi)本章小結(jié)習(xí)題11第12章 數(shù)據(jù)挖掘工具與產(chǎn)品12.1 數(shù)據(jù)挖掘標(biāo)準(zhǔn)12.1.1 數(shù)據(jù)挖掘標(biāo)準(zhǔn)化概述12.1.2 數(shù)據(jù)挖掘過(guò)程標(biāo)準(zhǔn)12.1.3 數(shù)據(jù)挖掘接口標(biāo)準(zhǔn)12.1.4 數(shù)據(jù)挖掘的語(yǔ)言標(biāo)準(zhǔn)12.1.5 數(shù)據(jù)挖掘的Web標(biāo)準(zhǔn)12.1.6 數(shù)據(jù)挖掘標(biāo)準(zhǔn)的應(yīng)用與未來(lái)發(fā)展趨勢(shì)12.2 數(shù)據(jù)挖掘工具的介紹12.2.1 數(shù)據(jù)挖掘工具發(fā)展過(guò)程概述12.2.2 數(shù)據(jù)挖掘工具簡(jiǎn)介12.2.3 WEKA12.2.4 SPSS12.3 數(shù)據(jù)挖掘產(chǎn)品分析12.3.1 通用數(shù)據(jù)挖掘產(chǎn)品12.3.2 專(zhuān)用挖掘產(chǎn)品本章小結(jié)習(xí)題12附錄中英文術(shù)語(yǔ)對(duì)照參考文獻(xiàn)

圖書(shū)封面

圖書(shū)標(biāo)簽Tags

無(wú)

評(píng)論、評(píng)分、閱讀與下載

---

    數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn) PDF格式下載

---