幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

數據挖掘演算法原理與實現(第3版微課版電腦系列教材)

  • 作者：編者:王振武|責編:白立軍//楊帆
  • 出版社：清華大學
  • ISBN：9787302640691
  • 出版日期：2023/11/01
  • 裝幀：平裝
  • 頁數：220
人民幣：RMB 49.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書對數據挖掘的基本演算法進行了系統介紹，不僅介紹了每種演算法的基本原理，而且配有大量例題以及源代碼，並對源代碼進行了分析。這種理論與實踐相結合的方式有助於讀者較好地理解和掌握抽象的數據挖掘演算法。
    全書共11章，內容涵蓋了數據預處理、關聯規則挖掘演算法、分類演算法和聚類演算法，具體章節包括緒論、數據預處理、關聯規則挖掘、決策樹分類演算法、貝葉斯分類演算法、人工神經網路演算法、支持向量機、K-means聚類演算法、K-中心點聚類演算法、神經網路聚類演算法：SOM，以及數據挖掘的發展等內容
    本書可作為高等院校數據挖掘課程的教材，也可作為從事數據挖掘工作以及其他相關工程技術工作人員的參考書。
作者介紹
編者:王振武|責編:白立軍//楊帆
目錄
第1章  緒論
  1.1  數據挖掘的概念
  1.2  數據挖掘的歷史及發展
  1.3  數據挖掘的研究內容及功能
    1.3.1  數據挖掘的研究內容
    1.3.2  數據挖掘的功能
  1.4  數據挖掘的常用技術及工具
    1.4.1  數據挖掘的常用技術
    1.4.2  數據挖掘的工具
  1.5  數據挖掘的應用熱點
  1.6  小結
  思考題
第2章  數據預處理
  2.1  數據預處理的目的
  2.2  數據清理
    2.2.1  填充缺失值
    2.2.2  光滑雜訊數據
    2.2.3  數據清理過程
  2.3  數據集成和數據變換
    2.3.1  數據集成
    2.3.2  數據變換
  2.4  數據歸約
    2.4.1  數據立方體聚集
    2.4.2  維歸約
    2.4.3  數據壓縮
    2.4.4  數值歸約
    2.4.5  數據離散化與概念分層
  2.5  特徵選擇與提取
    2.5.1  特徵選擇
    2.5.2  特徵提取
  2.6  小結
  思考題
第3章  關聯規則挖掘
  3.1  基本概念
  3.2  關聯規則挖掘演算法——Apriori演算法原理
  3.3  Apriori演算法實例分析
  3.4  Apriori演算法源程序分析
  3.5  Apriori演算法的特點及應用
    3.5.1  Apriori演算法特點
    3.5.2  Apriori演算法應用
  3.6  小結
  思考題
第4章  決策樹分類演算法
  4.1  基本概念
    4.1.1  決策樹分類演算法概述
    4.1.2  決策樹分類演算法步驟
  4.2  決策樹分類演算法——ID3演算法原理
    4.2.1  ID3演算法原理
    4.2.2  熵和信息增益
    4.2.3  ID3演算法

  4.3  ID3演算法實例分析
  4.4  ID3演算法源程序分析
  4.5  ID3演算法的特點及應用
    4.5.1  ID3演算法特點
    4.5.2  ID3演算法應用
  4.6  決策樹分類演算法——C4.5演算法原理
    4.6.1  C4.5演算法
    4.6.2  C4.5演算法的偽代碼
  4.7  C4.5演算法實例分析
  4.8  C4.5演算法源程序分析
  4.9  C4.5演算法的特點及應用
    4.9.1  C4.5演算法特點
    4.9.2  C4.5演算法應用
  4.10  小結
  思考題
第5章  貝葉斯分類演算法
  5.1  基本概念
    5.1.1  主觀概率
    5.1.2  貝葉斯定理
  5.2  貝葉斯分類演算法原理
    5.2.1  樸素貝葉斯分類模型
    5.2.2  貝葉斯信念網路
  5.3  貝葉斯演算法實例分析
    5.3.1  樸素貝葉斯分類器
    5.3.2  貝葉斯信念網路應用
  5.4  貝葉斯演算法源程序分析
  5.5  貝葉斯演算法特點及應用
    5.5.1  樸素貝葉斯分類演算法
    5.5.2  貝葉斯信念網
  思考題
第6章  人工神經網路演算法
  6.1  基本概念
    6.1.1  生物神經元模型
    6.1.2  人工神經元模型
    6.1.3  主要的神經網路模型
  6.2  BP演算法原理
    6.2.1  Delta學習規則的基本原理
    6.2.2  BP神經網路的結構
    6.2.3  BP神經網路的演算法描述
    6.2.4  標準BP神經網路的工作過程
  6.3  BP演算法實例分析
  6.4  BP演算法源程序分析
  6.5  BP演算法的特點及應用
    6.5.1  BP演算法特點
    6.5.2  BP演算法應用
  6.6  小結
  思考題
第7章  支持向量機
  7.1  基本概念
    7.1.1  支持向量機理論基礎

    7.1.2  統計學習核心理論
    7.1.3  學習過程的一致性條件
    7.1.4  函數集的VC維
    7.1.5  泛化誤差界
    7.1.6  結構風險最小化歸納原理
  7.2  支持向量機原理
    7.2.1  支持向量機核心理論
    7.2.2  最大間隔分類超平面
    7.2.3  支持向量機實現
    7.2.4  核函數分類
  7.3  支持向量機實例分析
  7.4  支持向量機的特點及應用
    7.4.1  支持向量機的特點
    7.4.2  支持向量機的應用
  7.5  小結
  思考題
第8章  K-means聚類演算法
  8.1  簡介
  8.2  K-means聚類演算法原理
  8.3  K-means聚類演算法實例分析
  8.4  K-means聚類演算法源程序分析
  8.5  K-means聚類演算法的特點及應用
    8.5.1  K-means聚類演算法的特點
    8.5.2  K-means聚類演算法的應用
  8.6  小結
  思考題
第9章  K-中心點聚類演算法
  9.1  簡介
  9.2  K-中心點聚類演算法原理
  9.3  K-中心點聚類演算法實例分析
  9.4  K-中心點聚類演算法源程序分析
  9.5  K-中心點聚類演算法的特點及應用
    9.5.1  K-中心點聚類演算法的特點
    9.5.2  K-中心點聚類演算法的應用
  9.6  小結
  思考題
第10章  神經網路聚類演算法SOM
  10.1  簡介
  10.2  競爭學習演算法基礎
    10.2.1  SOM網路的結構
    10.2.2  SOM網路的原理
  10.3  SOM演算法原理
    10.3.1  SOM網路的拓撲結構
    10.3.2  SOM權值調整域
    10.3.3  SOM網路運行原理
    10.3.4  學習方法
  10.4  SOM演算法實例分析
    10.4.1  問題描述
    1O.4.2  網路設計及學習結果
    10.4.3  結果輸出

  10.5  SOM演算法源程序分析
  10.6  SOM演算法的特點及應用
    10.6.1  SOM演算法的特點
    10.6.2  SOM演算法的應用
  10.7  小結
  思考題
第11章  數據挖掘的發展
  11.1  Web數據挖掘
    11.1.1  Web數據挖掘定義
    11.1.2  Web數據挖掘分類
    11.1.3  Web數據挖掘的數據源
    11.1.4  Web數據挖掘中知識的分類
    11.1.5  Web數據挖掘的關鍵問題
  11.2  空間數據挖掘
    11.2.1  空間數據挖掘的定義與特點
    11.2.2  空間數據挖掘的體系結構
    11.2.3  空間數據挖掘可獲得的知識類型
    11.2.4  空間數據挖掘的方法
  11.3  流數據挖掘
    11.3.1  流數據的特點
    11.3.2  流數據挖掘關鍵技術
    11.3.3  流數據挖掘的實際應用及前景
  11.4  數據挖掘與可視化技術
    11.4.1  什麼是可視化
    11.4.2  數據可視化技術分類
    11.4.3  數據挖掘可視化技術的應用
  11.5  小結
  思考題
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032