知識(shí)發(fā)現(xiàn)

內(nèi)容概要

知識(shí)發(fā)現(xiàn)是從數(shù)據(jù)集中識(shí)別出有效的、新穎的、潛在有用的，以及最終可理解的模式的非平凡過(guò)程。知識(shí)發(fā)現(xiàn)將信息變?yōu)橹R(shí)，從數(shù)據(jù)礦山中找到知識(shí)金塊，將為知識(shí)創(chuàng)新和知識(shí)經(jīng)濟(jì)的發(fā)展作出貢獻(xiàn)。    本書(shū)全面而又系統(tǒng)地介紹了知識(shí)發(fā)現(xiàn)的方法和技術(shù)，反映了當(dāng)前知識(shí)發(fā)現(xiàn)研究的最新成果。    全書(shū)共分14章。第1章是緒論，介紹知識(shí)發(fā)現(xiàn)的重要概念和任務(wù)。第2章討論決策樹(shù)，它是歸納學(xué)習(xí)方法中最實(shí)用的一種技術(shù)。關(guān)聯(lián)規(guī)則挖掘是近幾年應(yīng)用最為廣泛的方法，第3章將對(duì)重要的關(guān)聯(lián)規(guī)則挖掘算法進(jìn)行討論。第4章討論范例推理，它是一種有效的實(shí)用技術(shù)。第5章探討模糊聚類法。第6章討論粗糙集。第7章是貝葉斯網(wǎng)絡(luò)，貝葉斯網(wǎng)絡(luò)可以處理不完整和帶有噪聲的數(shù)據(jù)集，它用概率測(cè)度的權(quán)重來(lái)描述數(shù)據(jù)間的相關(guān)性。第8章探討支持向量機(jī)，它在近幾年知識(shí)發(fā)現(xiàn)研究中是極其活躍的研究課題。第9章討論隱馬爾科夫模型。第10章是神經(jīng)網(wǎng)絡(luò)，書(shū)中著重介紹幾種實(shí)用的算法。第11章討論進(jìn)化和遺傳算法。第12章介紹知識(shí)發(fā)現(xiàn)平臺(tái)MSMiner。接著，以Web知識(shí)發(fā)現(xiàn)、生物信息處理為例，介紹知識(shí)發(fā)現(xiàn)的應(yīng)用。第13章關(guān)于Web知識(shí)發(fā)現(xiàn)。第14章介紹生物信息處理中基因組模式的發(fā)現(xiàn)。    本書(shū)內(nèi)容新穎，認(rèn)真總結(jié)了作者的科研成果，取材國(guó)內(nèi)外最新資料，反映了當(dāng)前該領(lǐng)域的研究水平。論述力求概念清晰，表達(dá)準(zhǔn)確，突出理論聯(lián)系實(shí)際，通過(guò)實(shí)例說(shuō)明原理，富有啟發(fā)性。本書(shū)對(duì)從事知識(shí)發(fā)現(xiàn)、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、人工智能研究和知識(shí)管理的科技人員具有重要參考價(jià)值，可以用作計(jì)算機(jī)、信息技術(shù)等專業(yè)博士生、碩士生的教材。

書(shū)籍目錄

前言第1章 緒論  1.1 知識(shí)  1.2 知識(shí)發(fā)現(xiàn)  1.3 知識(shí)發(fā)現(xiàn)的任務(wù)  1.4 知識(shí)發(fā)現(xiàn)的方法  1.5 知識(shí)發(fā)現(xiàn)的對(duì)象  1.6 知識(shí)發(fā)現(xiàn)與創(chuàng)新第2章 決策樹(shù)  2.1 歸納學(xué)習(xí)  2.2 決策樹(shù)學(xué)習(xí)  2.3 CLS學(xué)習(xí)算法  2.4 ID3學(xué)習(xí)算法  2.5 決策樹(shù)的改進(jìn)算法  2.6 決策樹(shù)的評(píng)價(jià)  2.7 簡(jiǎn)化決策樹(shù)  2.8 連續(xù)型屬性離散化  2.9 基于偏置變換的決策樹(shù)學(xué)習(xí)算法BSDT  2.10 歸納學(xué)習(xí)中的問(wèn)題第3章 關(guān)聯(lián)規(guī)則  3.1 關(guān)聯(lián)規(guī)則挖掘概述  3.2 廣義模糊關(guān)聯(lián)規(guī)則的挖掘  3.3 挖掘關(guān)聯(lián)規(guī)則的數(shù)組方法  3.4 任意多表間關(guān)聯(lián)規(guī)則的并行挖掘  3.5 基于分布式系統(tǒng)的關(guān)聯(lián)規(guī)則挖掘算法  3.6 詞性標(biāo)注規(guī)則的挖掘算法與應(yīng)用第4章 基于范例的推理  4.1 概述  4.2 過(guò)程模型  4.3 范例的表示  4.4 范例的索引  4.5 范例的檢索  4.6 相似性關(guān)系  4.7 范例的復(fù)用  4.8 范例的保存  4.9 基于例示的學(xué)習(xí)  4.10 范例工程  4.11 范例約簡(jiǎn)算法  4.12 中心漁場(chǎng)預(yù)報(bào)專家系統(tǒng)第5章 模糊聚類  5.1 概述  5.2 傳遞閉包法  5.3 FCMBP聚類法  5.4 系統(tǒng)聚類法  5.5 C－均值聚類法  5.6 聚類有效性  5.7 聚類方法的比較第6章 粗糙集  6.1 概述  6.2 知識(shí)的約簡(jiǎn)  6.3 決策邏輯  6.4 決策表的約簡(jiǎn)  6.5 粗糙集的擴(kuò)展模型  6.6 粗糙集的實(shí)驗(yàn)系統(tǒng)  6.7 粗糙集的展望第7章 貝葉斯網(wǎng)絡(luò)  7.1 概述  7.2 貝葉斯概率基礎(chǔ)  7.3 貝葉斯學(xué)習(xí)理論  7.4 簡(jiǎn)單貝葉斯學(xué)習(xí)模型  7.5 貝葉斯網(wǎng)絡(luò)的建造  7.6 貝葉斯?jié)撛谡Z(yǔ)義模型  7.7 半監(jiān)督文本挖掘算法第8章 支持向量機(jī)  8.1 統(tǒng)計(jì)學(xué)習(xí)問(wèn)題  8.2 學(xué)習(xí)過(guò)程的一致性  8.3 結(jié)構(gòu)風(fēng)險(xiǎn)最小歸納原理  8.4 支持向量機(jī)  8.5 核函數(shù)  8.6 基于分類超曲面的海量數(shù)據(jù)分類方法第9章 隱馬爾科夫模型  9.1 馬爾科夫過(guò)程  9.2 隱馬爾科夫模型  9.3 似然概率和前反向算法  9.4 學(xué)習(xí)算法  9.5 基于狀態(tài)駐留時(shí)間的分段概率模型第10章 神經(jīng)網(wǎng)絡(luò)  10.1 概述  ……第11章 進(jìn)化和遺傳算法第12章 知識(shí)發(fā)現(xiàn)平臺(tái)MSMiner第13章 Web知識(shí)發(fā)現(xiàn)第14章 生物信息知識(shí)發(fā)現(xiàn)參考文獻(xiàn)索引

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

---

    知識(shí)發(fā)現(xiàn) PDF格式下載

---