数据挖掘算法原理与实现 (第2版)

内容简介

[

　　《数据挖掘算法原理与实现（第2版）》对数据挖掘的基本算法进行了系统介绍，每种算法不仅介绍了算法的基本原理，而且配有大量例题以及源代码，并对源代码进行了分析，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。　　《数据挖掘算法原理与实现（第2版）》共分11章，内容同时涵盖了数据预处理、关联规则挖掘算法、分类算法和聚类算法，具体章节包括绪论、数据预处理、关联规则挖掘、决策树分类算法、贝叶斯分类算法、人工神经网络算法、支持向量机、K-means聚类算法、K-中心点聚类算法、神经网络聚类算法以及数据挖掘的发展等内容。　　《数据挖掘算法原理与实现（第2版）》可作为高等院校数据挖掘课程的教材，也可以作为从事数据挖掘工作以及其他相关工程技术工作人员的参考书。

]

目录

第1章 绪论1．1 数据挖掘的概念1．2 数据挖掘的历史及发展1．3 数据挖掘的研究内容及功能1．3．1 数据挖掘的研究内容1．3．2 数据挖掘的功能1．4 数据挖掘的常用技术及工具1．4．1 数据挖掘的常用技术1．4．2 数据挖掘的工具1．5 数据挖掘的应用热点1．6 小结思考题第2章 数据预处理2．1 数据预处理的目的2．2 数据清理2．2．1 填充缺失值2．2．2 光滑噪声数据2．2．3 数据清理过程2．3 数据集成和数据变换2．3．1 数据集成2．3．2 数据变换2．4 数据归约2．4．1 数据立方体聚集2．4．2 维归约2．4．3 数据压缩2．4．4 数值归约2．4．5 数据离散化与概念分层2．5 特征选择与提取2．5．1 特征选择2．5．2 特征提取2．6 小结思考题第3章 关联规则挖掘3．1 基本概念3．2 关联规则挖掘算法——Apriori算法原理3．3 Apriori算法实例分析3．4 Apriori算法源程序分析3．5 Apriori算法的特点及应用3．5．1 Apriori算法特点3．5．2 Apriori算法应用3．6 小结思考题第4章 决策树分类算法4．1 基本概念4．1．1 决策树分类算法概述4．1．2 决策树基本算法概述4．2 决策树分类算法——ID3算法原理4．2．1 ID3算法原理4．2．2 熵和信息增益4．2．3 ID3算法4．3 ID3算法实例分析4．4 ID3算法源程序分析4．5 ID3算法的特点及应用4．5．1 ID3算法特点4．5．2 ID3算法应用4．6 决策树分类算法——C4．5算法原理4．6．1 C4．5算法4．6．2 C4．5算法的伪代码4．7 C4．5算法实例分析4．8 C4．5算法源程序分析4．9 C4．5算法的特点及应用4．9．1 C4．5算法特点4．9．2 C4．5算法应用4．10 小结思考题第5章 贝叶斯分类算法5．1 基本概念5．1．1 主观概率5．1．2 贝叶斯定理5．2 贝叶斯分类算法原理5．2．1 朴素贝叶斯分类模型5．2．2 贝叶斯信念网络5．3 贝叶斯算法实例分析5．3．1 朴素贝叶斯分类器5．3．2 BBN5．4 贝叶斯算法源程序分析5．5 贝叶斯算法特点及应用5．5．1 朴素贝叶斯分类算法5．5．2 贝叶斯信念网思考题第6章 人工神经网络算法6．1 基本概念6．1．1 生物神经元模型6．1．2 人工神经元模型6．1．3 主要的神经网络模型6．2 BP算法原理6．2．1 Delta学习规则的基本原理6．2．2 BP网络的结构6．2．3 BP网络的算法描述6．2．4 标准BP网络的工作过程6．3 BP算法实例分析6．4 BP算法源程序分析6．5 BP算法的特点及应用6．5．1 BP算法特点6．5．2 BP算法应用6．6 小结思考题第7章 支持向量机7．1 基本概念7．1．1 支持向量机理论基础7．1．2 统计学习核心理论7．1．3 学习过程的一致性条件7．1．4 函数集的VC维7．1．5 泛化误差界7．1．6 结构风险*小化归纳原理7．2 支持向量机原理7．2．1 支持向量机核心理论7．2．2 *大间隔分类超平面7．2．3 支持向量机7．2．4 核函数分类7．3 支持向量机实例分析7．4 支持向量机的特点及应用7．4．1 支持向量机的特点7．4．2 支持向量机的应用7．5 小结思考题第8章 K-means聚类算法8．1 简介8．2 K-means聚类算法原理8．3 K-means聚类算法实例分析8．4 K-means聚类算法源程序分析8．5 K-means聚类算法的特点及应用8．5．1 K-means聚类算法的特点8．5．2 K-means聚类算法的应用8．6 小结思考题第9章 K-中心点聚类算法9．1 简介9．2 K-中心点聚类算法原理9．3 K-中心点聚类算法实例分析9．4 K-中心点聚类算法源程序分析9．5 K-中心点聚类算法的特点及应用9．5．1 K-中心点聚类算法的特点9．5．2 K-中心点聚类算法的应用9．6 小结第10章 神经网络聚类方法：SOM10．1 简介10．2 竞争学习算法基础10．2．1 自组织神经网络结构10．2．2 自组织神经网络的原理10．3 SOM算法原理10．3．1 SOM网络的拓扑结构10．3．2 SOM权值调整域10．3．3 SOM网络运行原理10．3．4 学习方法10．4 SOM算法实例分析10．4．1 问题描述10．4．2 网络设计及学习结果10．4．3 结果输出10．5 SOM算法源程序分析10．6 SOM算法的特点及应用10．6．1 SOM特点10．6．2 SOM应用10．7 小结思考题第11章 数据挖掘的发展11．1 Web挖掘11．1．1 Web数据挖掘定义11．1．2 Web数据挖掘分类11．1．3 Web数据挖掘的数据源11．1．4 Web数据挖掘中知识的分类11．1．5 Web数据挖掘的关键问题11．2 空间数据挖掘11．2．1 空间数据挖掘的定义与特点11．2．2 空间数据挖掘的体系结构11．2．3 空间数据挖掘可获得的知识类型11．2．4 空间数据挖掘的方法11．3 流数据挖掘11．3．1 流数据的特点11．3．2 流数据挖掘关键技术11．3．3 流数据挖掘的实际应用及前景11．4 数据挖掘与可视化技术11．4．1 什么是可视化11．4．2 数据可视化技术分类11．4．3 数据挖掘可视化技术的应用11．5 小结思考题参考文献

封面

书名:数据挖掘算法原理与实现 (第2版)

作者:王振武

页数:223

定价:¥35.0

出版社:清华大学出版社

出版日期:2019-01-01

ISBN:9787302454151

PDF电子书大小:154MB 高清扫描完整版