蜜臀av无码一区二区三区,国产午夜三区视频在线

本書對數(shù)據(jù)挖掘的基本算法進行了系統(tǒng)介紹，不僅介紹了每種算法的基本原理，而且配有大量例題以及源代碼，并對源代碼進行了分析。這種理論與實踐相結合的方式有助于讀者較好地理解和掌握抽象的數(shù)據(jù)挖掘算法。全書共11章，內容涵蓋了數(shù)據(jù)預處理、關聯(lián)規(guī)則挖掘算法、分類算法和聚類算法，具體章節(jié)包括緒論、數(shù)據(jù)預處理、關聯(lián)規(guī)則挖掘、決策樹分類算法、貝葉斯分類算法、人工神經(jīng)網(wǎng)絡算法、支持向量機、Kmeans聚類算法、K中心點聚類算法、神經(jīng)網(wǎng)絡聚類算法：SOM，以及數(shù)據(jù)挖掘的發(fā)展等內容。本書可作為高等院校數(shù)據(jù)挖掘課程的教材，也可作為從事數(shù)據(jù)挖掘工作以及其他相關工程技術工作人員的參考書。

第1章緒論1
1.1數(shù)據(jù)挖掘的概念1
1.2數(shù)據(jù)挖掘的歷史及發(fā)展1
1.3數(shù)據(jù)挖掘的研究內容及功能5
1.3.1數(shù)據(jù)挖掘的研究內容5
1.3.2數(shù)據(jù)挖掘的功能6
1.4數(shù)據(jù)挖掘的常用技術及工具9
1.4.1數(shù)據(jù)挖掘的常用技術9
1.4.2數(shù)據(jù)挖掘的工具12
1.5數(shù)據(jù)挖掘的應用熱點13
1.6小結15
思考題15第2章數(shù)據(jù)預處理16
2.1數(shù)據(jù)預處理的目的16
2.2數(shù)據(jù)清理18
2.2.1填充缺失值18
2.2.2光滑噪聲數(shù)據(jù)18
2.2.3數(shù)據(jù)清理過程19
2.3數(shù)據(jù)集成和數(shù)據(jù)變換20
2.3.1數(shù)據(jù)集成20
2.3.2數(shù)據(jù)變換21
2.4數(shù)據(jù)歸約23
2.4.1數(shù)據(jù)立方體聚集23
2.4.2維歸約23
2.4.3數(shù)據(jù)壓縮24
2.4.4數(shù)值歸約25
2.4.5數(shù)據(jù)離散化與概念分層28
2.5特征選擇與提取31
2.5.1特征選擇31
2.5.2特征提取32
2.6小結33
思考題34第3章關聯(lián)規(guī)則挖掘35
3.1基本概念35
3.2關聯(lián)規(guī)則挖掘算法Apriori算法原理36
3.3Apriori算法實例分析38
3.4Apriori算法源程序分析41
3.5Apriori算法的特點及應用49
3.5.1Apriori算法特點49
3.5.2Apriori算法應用50
3.6小結51
思考題51第4章決策樹分類算法53
4.1基本概念53
4.1.1決策樹分類算法概述53
4.1.2決策樹分類算法步驟53
4.2決策樹分類算法ID3算法原理55
4.2.1ID3算法原理55
4.2.2熵和信息增益56
4.2.3ID3算法58
4.3ID3算法實例分析59
4.4ID3算法源程序分析63
4.5ID3算法的特點及應用70
4.5.1ID3算法特點70
4.5.2ID3算法應用71
4.6決策樹分類算法C4.5算法原理71
4.6.1C4.5算法71
4.6.2C4.5算法的偽代碼73
4.7C4.5算法實例分析74
4.8C4.5算法源程序分析76
4.9C4.5算法的特點及應用98
4.9.1C4.5算法特點98
4.9.2C4.5算法應用98
4.10小結99
思考題99第5章貝葉斯分類算法100
5.1基本概念100
5.1.1主觀概率100
5.1.2貝葉斯定理101
5.2貝葉斯分類算法原理1082
5.2.1樸素貝葉斯分類模型102
5.2.2貝葉斯信念網(wǎng)絡104
5.3貝葉斯算法實例分析107
5.3.1樸素貝葉斯分類器107
5.3.2貝葉斯信念網(wǎng)絡應用109
5.4貝葉斯算法源程序分析111
5.5貝葉斯算法特點及應用116
5.5.1樸素貝葉斯分類算法116
5.5.2貝葉斯信念網(wǎng)117
思考題118第6章人工神經(jīng)網(wǎng)絡算法119
6.1基本概念119
6.1.1生物神經(jīng)元模型119
6.1.2人工神經(jīng)元模型120
6.1.3主要的神經(jīng)網(wǎng)絡模型121
6.2BP算法原理123
6.2.1Delta學習規(guī)則的基本原理123
6.2.2BP神經(jīng)網(wǎng)絡的結構123
6.2.3BP神經(jīng)網(wǎng)絡的算法描述124
6.2.4標準BP神經(jīng)網(wǎng)絡的工作過程126
6.3BP算法實例分析127
6.4BP算法源程序分析131
6.5BP算法的特點及應用139
6.5.1BP算法特點139
6.5.2BP算法應用141
6.6小結141
思考題141第7章支持向量機143
7.1基本概念143
7.1.1支持向量機理論基礎143
7.1.2統(tǒng)計學習核心理論143
7.1.3學習過程的一致性條件143
7.1.4函數(shù)集的VC維144
7.1.5泛化誤差界145
7.1.6結構風險最小化歸納原理145
7.2支持向量機原理146
7.2.1支持向量機核心理論146
7.2.2最大間隔分類超平面146
7.2.3支持向量機實現(xiàn)147
7.2.4核函數(shù)分類150
7.3支持向量機實例分析151
7.4支持向量機的特點及應用153
7.4.1支持向量機的特點153
7.4.2支持向量機的應用154
7.5小結155
思考題155第8章Kmeans聚類算法156
8.1簡介156
8.2Kmeans聚類算法原理156
8.3Kmeans聚類算法實例分析158
8.4Kmeans聚類算法源程序分析161
8.5Kmeans聚類算法的特點及應用167
8.5.1Kmeans聚類算法的特點167
8.5.2Kmeans聚類算法的應用168
8.6小結168
思考題169第9章K中心點聚類算法170
9.1簡介170
9.2K中心點聚類算法原理170
9.3K中心點聚類算法實例分析171
9.4K中心點聚類算法源程序分析172
9.5K中心點聚類算法的特點及應用179
9.5.1K中心點聚類算法的特點179
9.5.2K中心點聚類算法的應用179
9.6小結179
思考題180第10章神經(jīng)網(wǎng)絡聚類算法SOM181
10.1簡介181
10.2競爭學習算法基礎181
10.2.1SOM網(wǎng)絡的結構181
10.2.2SOM網(wǎng)絡的原理182
10.3SOM算法原理184
10.3.1SOM網(wǎng)絡的拓撲結構184
10.3.2SOM權值調整域185
10.3.3SOM網(wǎng)絡運行原理186
10.3.4學習方法186
10.4SOM算法實例分析187
10.4.1問題描述187
10.4.2網(wǎng)絡設計及學習結果188
10.4.3結果輸出188
10.5SOM算法源程序分析189
10.6SOM算法的特點及應用198
10.6.1SOM算法的特點198
10.6.2SOM算法的應用198
10.7小結199
思考題199第11章數(shù)據(jù)挖掘的發(fā)展200
11.1Web數(shù)據(jù)挖掘200
11.1.1Web數(shù)據(jù)挖掘定義200
11.1.2Web數(shù)據(jù)挖掘分類200
11.1.3Web數(shù)據(jù)挖掘的數(shù)據(jù)源201
11.1.4Web數(shù)據(jù)挖掘中知識的分類203
11.1.5Web數(shù)據(jù)挖掘的關鍵問題204
11.2空間數(shù)據(jù)挖掘205
11.2.1空間數(shù)據(jù)挖掘的定義與特點205
11.2.2空間數(shù)據(jù)挖掘的體系結構205
11.2.3空間數(shù)據(jù)挖掘可獲得的知識類型206
11.2.4空間數(shù)據(jù)挖掘的方法208
11.3流數(shù)據(jù)挖掘211
11.3.1流數(shù)據(jù)的特點211
11.3.2流數(shù)據(jù)挖掘關鍵技術211
11.3.3流數(shù)據(jù)挖掘的實際應用及前景213
11.4數(shù)據(jù)挖掘與可視化技術213
11.4.1什么是可視化213
11.4.2數(shù)據(jù)可視化技術分類215
11.4.3數(shù)據(jù)挖掘可視化技術的應用217
11.5小結218
思考題218參考文獻219

你還可能感興趣

我要評論