目录
第1章绪论/1
1.1数据挖掘的概念/1
1.2数据挖掘的历史及发展/1
1.3数据挖掘的研究内容及功能/5
1.3.1数据挖掘的研究内容/5
1.3.2数据挖掘的功能/6
1.4数据挖掘的常用技术及工具/9
1.4.1数据挖掘的常用技术/9
1.4.2数据挖掘的工具/12
1.5数据挖掘的应用热点/12
1.6小结/14
思考题/15第2章数据预处理/16<p>目录</p> <p> </p> <p>第1章绪论/1</p> <p>1.1数据挖掘的概念/1</p> <p>1.2数据挖掘的历史及发展/1</p> <p>1.3数据挖掘的研究内容及功能/5</p> <p>1.3.1数据挖掘的研究内容/5</p> <p>1.3.2数据挖掘的功能/6</p> <p>1.4数据挖掘的常用技术及工具/9</p> <p>1.4.1数据挖掘的常用技术/9</p> <p>1.4.2数据挖掘的工具/12</p> <p>1.5数据挖掘的应用热点/12</p> <p>1.6小结/14</p> <p>思考题/15第2章数据预处理/16</p> <p>2.1数据预处理的目的 /16</p> <p>2.2数据清理/18</p> <p>2.2.1填充缺失值/18</p> <p>2.2.2光滑噪声数据/18</p> <p>2.2.3数据清理过程/19</p> <p>2.3数据集成和数据变换/20</p> <p>2.3.1数据集成/20</p> <p>2.3.2数据变换/21</p> <p>2.4数据归约/23</p> <p>2.4.1数据立方体聚集/23</p> <p>2.4.2维归约/23</p> <p>2.4.3数据压缩/24</p> <p>2.4.4数值归约/25</p> <p>2.4.5数据离散化与概念分层/28</p> <p>2.5特征选择与提取/302.5.1特征选择/30</p> <p>2.5.2特征提取/31</p> <p>2.6小结/33</p> <p>思考题/33第3章关联规则挖掘/35</p> <p>3.1基本概念 /35</p> <p>3.2关联规则挖掘算法——Apriori算法原理/36</p> <p>3.3Apriori算法实例分析/38</p> <p>3.4Apriori算法源程序分析/41</p> <p>3.**priori算法的特点及应用/50</p> <p>3.5.1Apriori算法特点/50</p> <p>3.5.2Apriori 算法应用/51</p> <p>3.6小结/52</p> <p>思考题/52第4章决策树分类算法/54</p> <p>4.1基本概念/54</p> <p>4.1.1决策树分类算法概述/54</p> <p>4.1.2决策树基本算法概述/54</p> <p>4.2决策树分类算法——ID3算法原理/56</p> <p>4.2.1ID3算法原理/56</p> <p>4.2.2熵和信息增益/57</p> <p>4.2.3ID3算法/59</p> <p>4.3ID3算法实例分析/60</p> <p>4.4ID3算法源程序分析/64</p> <p>4.5ID3算法的特点及应用/72</p> <p>4.5.1ID3算法特点/72</p> <p>4.5.2ID3算法应用/72</p> <p>4.6决策树分类算法——C4.5算法原理/73</p> <p>4.6.1C4.5算法/73</p> <p>4.6.2C4.5算法的伪代码/75</p> <p>4.7C4.5算法实例分析/76</p> <p>4.8C4.5算法源程序分析 /77</p> <p>4.9C4.5算法的特点及应用/101</p> <p>4.9.1C4.5算法特点/101</p> <p>4.9.2C4.5算法应用/101</p> <p>4.10小结/102</p> <p>思考题/102第5章贝叶斯分类算法/103</p> <p>5.1基本概念/103</p> <p>5.1.1主观概率/103</p> <p>5.1.2贝叶斯定理/104</p> <p>5.2贝叶斯分类算法原理/105</p> <p>5.2.1朴素贝叶斯分类模型/105</p> <p>5.2.2贝叶斯信念网络/107</p> <p>5.3贝叶斯算法实例分析/110</p> <p>5.3.1朴素贝叶斯分类器/110</p> <p>5.3.2BBN/112</p> <p>5.4贝叶斯算法源程序分析/114</p> <p>5.5贝叶斯算法特点及应用/119</p> <p>5.5.1朴素贝叶斯分类算法/119</p> <p>5.5.2贝叶斯信念网/120</p> <p>思考题/121第6章人工神经网络算法/122</p> <p>6.1基本概念/122</p> <p>6.1.1生物神经元模型/122</p> <p>6.1.2人工神经元模型/123</p> <p>6.1.3主要的神经网络模型/124</p> <p>6.2BP算法原理/126</p> <p>6.2.1Delta学习规则的基本原理/126</p> <p>6.2.2BP网络的结构/126</p> <p>6.2.3BP网络的算法描述/127</p> <p>6.2.4标准BP网络的工作过程/129</p> <p>6.3BP算法实例分析/130</p> <p>6.4BP算法源程序分析/134</p> <p>6.5BP算法的特点及应用/143</p> <p>6.5.1BP算法特点/143</p> <p>6.5.2BP算法应用/144</p> <p>6.6小结/145</p> <p>思考题/145第7章支持向量机/146</p> <p>7.1基本概念/146</p> <p>7.1.1支持向量机理论基础/146</p> <p>7.1.2统计学习核心理论/146</p> <p>7.1.3学习过程的一致性条件/146</p> <p>7.1.4函数集的VC维/147</p> <p>7.1.5泛化误差界/148</p> <p>7.1.6结构风险*小化归纳原理/148</p> <p>7.2支持向量机原理/149</p> <p>7.2.1支持向量机核心理论/149</p> <p>7.2.2*大间隔分类超平面/149</p> <p>7.2.3支持向量机/150</p> <p>7.2.4核函数分类/153</p> <p>7.3支持向量机实例分析/154</p> <p>7.4支持向量机的特点及应用/156</p> <p>7.4.1支持向量机的特点/156</p> <p>7.4.2支持向量机的应用/157</p> <p>7.5小结/158</p> <p>思考题/158第8章Kmeans聚类算法/159</p> <p>8.1简介/159</p> <p>8.2Kmeans聚类算法原理/159</p> <p>8.3Kmeans聚类算法实例分析/161</p> <p>8.4Kmeans聚类算法源程序分析/164</p> <p>8.5Kmeans聚类算法的特点及应用/171</p> <p>8.5.1Kmeans聚类算法的特点/171</p> <p>8.5.2Kmeans聚类算法的应用/171</p> <p>8.6小结/172</p> <p>思考题/172第9章K**点聚类算法/173</p> <p>9.1简介/173</p> <p>9.2K**点聚类算法原理/173</p> <p>9.3K**点聚类算法实例分析/174</p> <p>9.4K**点聚类算法源程序分析/175</p> <p>9.5K**点聚类算法的特点及应用/183</p> <p>9.5.1K**点聚类算法的特点/183</p> <p>9.5.2K**点聚类算法的应用/183</p> <p>9.6小结/183第10章神经网络聚类方法: SOM /184</p> <p>10.1简介/184</p> <p>10.2竞争学习算法基础/184</p> <p>10.2.1自组织神经网络结构/184</p> <p>10.2.2自组织神经网络的原理/185</p> <p>10.3SOM算法原理/187</p> <p>10.3.1SOM网络的拓扑结构/187</p> <p>10.3.2SOM权值调整域/188</p> <p>10.3.3SOM网络运行原理/189</p> <p>10.3.4学习方法/189</p> <p>10.4SOM算法实例分析/190</p> <p>10.4.1问题描述/190</p> <p>10.4.2网络设计及学习结果/191</p> <p>10.4.3结果输出/191</p> <p>10.5SOM算法源程序分析/192</p> <p>10.6SOM算法的特点及应用/202</p> <p>10.6.1SOM特点/202</p> <p>10.6.2SOM应用/202</p> <p>10.7小结/203</p> <p>思考题/203第11章数据挖掘的发展/204</p> <p>11.1Web挖掘/204</p> <p>11.1.1Web数据挖掘定义/204</p> <p>11.1.2Web数据挖掘分类/204</p> <p>11.1.3Web数据挖掘的数据源/206</p> <p>11.1.4Web数据挖掘中知识的分类/207</p> <p>11.1.5Web数据挖掘的关键问题/208</p> <p>11.2空间数据挖掘/209</p> <p>11.2.1空间数据挖掘的定义与特点/209</p> <p>11.2.2空间数据挖掘的体系结构/210</p> <p>11.2.3空间数据挖掘可获得的知识</p> <p>类型/210</p> <p>11.2.4空间数据挖掘的方法/212</p> <p>11.3流数据挖掘/215</p> <p>11.3.1流数据的特点/215</p> <p>11.3.2流数据挖掘关键技术/215</p> <p>11.3.3流数据挖掘的实际应用及前景/217</p> <p>11.4数据挖掘与可视化技术/218</p> <p>11.4.1什么是可视化/218</p> <p>11.4.2数据可视化技术分类/219</p> <p>11.4.3数据挖掘可视化技术的应用/221</p> <p>11.5小结/222</p> <p>思考题/223参考文献/224</p>显示全部信息前 言前言数据挖掘涉及数据库技术、人工智能、统计学、机器学习等多学科领域,并且已经在各行各业有了非常广泛的应用。为适应我国数据挖掘的教学工作,作者在数据挖掘教学实践的基础上,参阅了多种国内外*新版本的教材,编写了本书。本书可以作为高等院校研究生的教材,也可以为相关行业的工程技术人员提供有益的参考。本书在第1版的基础上对其中欠妥之处进行了修改,内容安排和第1版一致,循序渐进地对数据挖掘原理进行了通俗易懂的讲解。本书*大的特点是理论与实践相结合,全书几乎所有的算法都配有实例和源程序,这种理论与实际相结合的方法克服了重理论轻实践的内容组织方式,便于读者理解和掌握其中知识。具体而言,本书11章内容之间的关系如下图所示。
本书配有教学课件,读者可登录www.tup.com.cn网站自行下载。由于编者水平有限,本书难免存在不少缺点和不足之处,恳请专家和读者批评指正。
编者2016年9月媒体评论评论免费在线读