数据挖掘算法原理与实现

文章插图
数据挖掘算法原理与实现【数据挖掘算法原理与实现】《数据挖掘算法原理与实现》是2015年清华大学出版社出版的图书。
基本介绍书名：数据挖掘算法原理与实现
ISBN：9787302376415
定价：29元
出版社：清华大学出版社
装帧：平装
印次：1-1
印刷日期：2015年1月16日
图书简介本书对数据挖掘的基本算法进行了系统的介绍，每种算法不仅包括对算法基本原理的介绍，而且配有大量的例题以及原始码，并且对原始码进行了分析，这种理论和实践相结合的方式有助于读者较好地理解和掌握抽象的数据挖掘算法。目录第1章绪论/11.1数据挖掘的概念/11.2数据挖掘的历史及发展/11.3数据挖掘的研究内容及功能/51.3.1数据挖掘的研究内容/51.3.2数据挖掘的功能/61.4数据挖掘的常用技术及工具/91.4.1数据挖掘的常用技术/91.4.2数据挖掘的工具/121.5数据挖掘的套用热点/121.6小结/14思考题/15第2章数据预处理/162.1数据预处理的目的/162.2数据清理/172.2.1填充缺失值/172.2.2光滑噪声数据/182.2.3数据清理过程/192.3数据集成和数据变换/202.3.1数据集成/202.3.2数据变换/212.4数据规约/232.4.1数据立方体聚集/232.4.2维规约/232.4.3数据压缩/242.4.4数值归约/252.4.5数据离散化与概念分层/282.5特徵选择与提取/302.5.1特徵选择/302.5.2特徵提取/312.6小结/33思考题/33第3章关联规则挖掘/353.1基本概念/353.2关联规则挖掘算法——Apriori算法原理/363.3Apriori算法实例分析/383.4Apriori算法源程式分析/413.5Apriori算法的特点及套用/503.5.1Apriori算法特点/503.5.2Apriori算法套用/513.6小结/52思考题/52第4章决策树分类算法/544.1基本概念/544.1.1决策树分类算法概述/544.1.2决策树基本算法概述/544.2决策树分类算法——ID3算法原理/564.2.1ID3算法原理/564.2.2熵和信息增益/574.2.3ID3算法/594.3ID3算法实例分析/604.4ID3算法源程式分析/644.5ID3算法的特点及套用/724.5.1ID3算法特点/724.5.2ID3算法套用/724.6决策树分类算法——C4.5算法原理/734.6.1C4.5算法/734.6.2C4.5算法的伪代码/754.7C4.5算法实例分析/764.8C4.5算法源程式分析/774.9C4.5算法的特点及套用/1014.9.1C4.5算法特点/1014.9.2C4.5算法套用/1014.10小结/102思考题/102第5章贝叶斯分类算法/1035.1基本概念/1035.1.1主观机率/1035.1.2贝叶斯定理/1045.2贝叶斯分类算法原理/1055.2.1朴素贝叶斯分类模型/1055.2.2贝叶斯信念网路/1075.3贝叶斯算法实例分析/1105.3.1朴素贝叶斯分类器/1105.3.2BBN/1125.4贝叶斯算法源程式分析/1145.5贝叶斯算法特点及套用/1195.5.1朴素贝叶斯分类算法/1195.5.2贝叶斯信念网/120思考题/121第6章人工神经网路算法/1226.1基本概念/1226.1.1生物神经元模型/1226.1.2人工神经元模型/1236.1.3主要的神经网路模型/1246.2BP算法原理/1266.2.1Delta学习规则的基本原理/1266.2.2BP网路的结构/1266.2.3BP网路的算法描述/1276.2.4标準BP网路的工作过程/1296.3BP算法实例分析/1306.4BP算法源程式分析/1346.5BP算法的特点及套用/1436.5.1BP算法特点/1436.5.2BP算法套用/1446.6小结/145思考题/145第7章支持向量机/1467.1基本概念/1467.1.1支持向量机理论基础/1467.1.2统计学习核心理论/1467.1.3学习过程的一致性条件/1467.1.4函式集的VC维/1477.1.5泛化误差界/1487.1.6结构风险最小化归纳原理/1487.2支持向量机原理/1497.2.1支持向量机核心理论/1497.2.2最大间隔分类超平面/1497.2.3支持向量机/1507.2.4核函式分类/1537.3支持向量机实例分析/1547.4支持向量机的特点及套用/1567.4.1支持向量机的特点/1567.4.2支持向量机的套用/1577.5小结/158思考题/158第8章Kmeans聚类算法/1598.1简介/1598.2Kmeans聚类算法原理/1598.3Kmeans聚类算法实例分析/1618.4Kmeans聚类算法源程式分析/1648.5Kmeans聚类算法的特点及套用/1718.5.1Kmeans聚类算法的特点/1718.5.2Kmeans聚类算法的套用/1718.6小结/172思考题/172第9章K中心点聚类算法/1739.1简介/1739.2K中心点聚类算法原理/1739.3K中心点聚类算法实例分析/1749.4K中心点聚类算法源程式分析/175 9.5K中心点聚类算法的特点及套用/1839.5.1K中心点聚类算法的特点/1839.5.2K中心点聚类算法的套用/1839.6小结/183第10章神经网路聚类方法：SOM/18410.1简介/18410.2竞争学习算法基础/18410.2.1自组织神经网路结构/18410.2.2自组织神经网路的原理/18510.3SOM算法原理/18710.3.1SOM网路的拓扑结构/18710.3.2SOM权值调整域/18810.3.3SOM网路运行原理/18910.3.4学习方法/18910.4SOM算法实例分析/19010.4.1问题描述/19010.4.2网路设计及学习结果/19110.4.3结果输出/19110.5SOM算法源程式分析/19210.6SOM算法的特点及套用/20210.6.1SOM特点/20210.6.2SOM套用/20210.7小结/203思考题/203第11章数据挖掘的发展/20411.1Web挖掘/20411.1.1Web数据挖掘定义/20411.1.2Web数据挖掘分类/20411.1.3Web数据挖掘的数据源/20611.1.4Web数据挖掘中知识的分类/20711.1.5Web数据挖掘的关键问题/20811.2空间数据挖掘/20911.2.1空间数据挖掘的定义与特点/20911.2.2空间数据挖掘的体系结构/21011.2.3空间数据挖掘可获得的知识类型/21011.2.4空间数据挖掘的方法/21211.3流数据挖掘/21511.3.1流数据的特点/21511.3.2流数据挖掘关键技术/21511.3.3流数据挖掘的实际套用及前景/21711.4数据挖掘与可视化技术/21811.4.1什幺是可视化/21811.4.2数据可视化技术分类/21911.4.3数据挖掘可视化技术的套用/22111.5小结/222思考题/223参考文献/224