數(shù)據(jù)挖掘原理與算法（高等學(xué)校教材）

定　價(jià)：￥28.00

作　者：	毛國君、段立娟、王實(shí)、石云
出版社：	清華大學(xué)出版社
叢編項(xiàng)：	高等學(xué)校教材·計(jì)算機(jī)科學(xué)與技術(shù)
標(biāo)　簽：	數(shù)據(jù)庫存儲(chǔ)與管理

購買這本書可以去

ISBN：	9787302106319	出版時(shí)間：	2003-08-01	包裝：	平裝
開本：	16開	頁數(shù)：	314	字?jǐn)?shù)：

內(nèi)容簡介

　　本書是一本全面介紹數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)技術(shù)的專業(yè)書籍。系統(tǒng)化地闡述了數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)技術(shù)的產(chǎn)生、發(fā)展、應(yīng)用和相關(guān)概念、原理、算法。對數(shù)據(jù)挖掘中的主要技術(shù)分支，包括關(guān)聯(lián)規(guī)則、分類、聚類、序列、空間以及Web挖掘等進(jìn)行了理論剖析和算法描述。本書的許多工作是作者們在攻讀博士學(xué)位期間的工作總結(jié)，一方面，對于相關(guān)概念和技術(shù)的闡述盡量先從理論分析入手，在此基礎(chǔ)上進(jìn)行技術(shù)歸納。另一方面，為了保證技術(shù)的系統(tǒng)性，所有的挖掘模型和算法描述都在統(tǒng)一的技術(shù)歸納框架下進(jìn)行。同時(shí)，為了避免抽象算法描述給讀者帶來的理解困難，本書的所有典型算法都通過具體跟蹤執(zhí)行實(shí)例來進(jìn)一步說明。本書共分8章，各章相對獨(dú)立成篇，以利于讀者選擇性學(xué)習(xí)。在每章后面都設(shè)置專門一節(jié)來對本章內(nèi)容和文獻(xiàn)引用情況進(jìn)行歸納，它不僅可以幫助讀者對相關(guān)內(nèi)容進(jìn)行整理，而且也起到對本內(nèi)容相關(guān)文獻(xiàn)的注釋性索引功能。第1章是緒論，系統(tǒng)地介紹了數(shù)據(jù)挖掘產(chǎn)生的商業(yè)和技術(shù)背景，從不同側(cè)面剖析了數(shù)據(jù)挖掘的概念和應(yīng)用價(jià)值；第2章給出了知識(shí)發(fā)現(xiàn)的過程分析和應(yīng)用體系結(jié)構(gòu)設(shè)計(jì)；第3章對關(guān)聯(lián)規(guī)則挖掘的原理和算法進(jìn)行全面闡述；第4章給出分類的主要理論和算法描述；第5章討論聚類的常用技術(shù)和算法；第6章對時(shí)間序列分析技術(shù)和序列挖掘算法進(jìn)行論述；第7章系統(tǒng)地介紹了Web挖掘的主要研究領(lǐng)域和相關(guān)技術(shù)及算法；第8章是對空間數(shù)據(jù)挖掘技術(shù)和算法的分析和講述。本書可作為計(jì)算機(jī)專業(yè)研究生或高年級本科生教材，也可以作為從事計(jì)算機(jī)研究和開發(fā)人員的參考資料。作為教材，教師可以根據(jù)課時(shí)安排進(jìn)行選擇性教學(xué)。對于研究人員，本書是一本高參考價(jià)值的專業(yè)書籍。對于軟件技術(shù)人員，可以把它當(dāng)作提高用書或參考資料，一些算法可以通過改造用于實(shí)際的應(yīng)用系統(tǒng)中。

作者簡介

暫缺《數(shù)據(jù)挖掘原理與算法（高等學(xué)校教材）》作者簡介

圖書目錄

第1章緒論 1
1.1 數(shù)據(jù)挖掘技術(shù)的產(chǎn)生與發(fā)展 1
1.1.1 數(shù)據(jù)挖掘技術(shù)的商業(yè)需求分析 1
1.1.2 數(shù)據(jù)挖掘產(chǎn)生的技術(shù)背景分析 3
1.2 數(shù)據(jù)挖掘研究的發(fā)展趨勢 4
1.3 數(shù)據(jù)挖掘的概念 6
1.3.1 從商業(yè)角度看數(shù)據(jù)挖掘技術(shù) 7
1.3.2 數(shù)據(jù)挖掘的技術(shù)含義 7
1.3.3 數(shù)據(jù)挖掘研究的理論基礎(chǔ) 8
1.4 數(shù)據(jù)挖掘技術(shù)的分類問題 10
1.5 數(shù)據(jù)挖掘常用的知識(shí)表示模式與方法 11
1.5.1 廣義知識(shí)挖掘 11
1.5.2 關(guān)聯(lián)知識(shí)挖掘 13
1.5.3 類知識(shí)挖掘 14
1.5.4 預(yù)測型知識(shí)挖掘 19
1.5.5 特異型知識(shí)挖掘 20
1.6 不同數(shù)據(jù)存儲(chǔ)形式下的數(shù)據(jù)挖掘問題 21
1.6.1 事務(wù)數(shù)據(jù)庫中的數(shù)據(jù)挖掘 21
1.6.2 關(guān)系型數(shù)據(jù)庫中的數(shù)據(jù)挖掘 21
1.6.3 數(shù)據(jù)倉庫中的數(shù)據(jù)挖掘 23
1.6.4 在關(guān)系模型基礎(chǔ)上發(fā)展的新型數(shù)據(jù)庫中的數(shù)據(jù)挖掘 23
1.6.5 面向應(yīng)用的新型數(shù)據(jù)源中的數(shù)據(jù)挖掘 24
1.6.6 Web數(shù)據(jù)源中的數(shù)據(jù)挖掘 24
1.7 粗糙集方法及其在數(shù)據(jù)挖掘中的應(yīng)用 26
1.7.1 粗糙集的一些重要概念 26
1.7.2 粗糙集應(yīng)用舉例 27
1.7.3 粗糙集方法在KDD中的應(yīng)用范圍 29
1.8 數(shù)據(jù)挖掘的應(yīng)用分析 29
1.8.1 數(shù)據(jù)挖掘與CRM 29
1.8.2 數(shù)據(jù)挖掘應(yīng)用的成功案例分析 30
1.9 本章小結(jié)和文獻(xiàn)注釋 32
第2章知識(shí)發(fā)現(xiàn)過程與應(yīng)用結(jié)構(gòu) 37
2.1 知識(shí)發(fā)現(xiàn)的基本過程 37
2.1.1 數(shù)據(jù)抽取與集成 38
2.1.2 數(shù)據(jù)清洗與預(yù)處理 39
2.1.3 數(shù)據(jù)的選擇與整理 39
2.1.4 數(shù)據(jù)挖掘 40
2.1.5 模式評估 40
2.2 數(shù)據(jù)庫中的知識(shí)發(fā)現(xiàn)處理過程模型 41
2.2.1 階梯處理過程模型 41
2.2.2 螺旋處理過程模型 42
2.2.3 以用戶為中心的處理模型 43
2.2.4 聯(lián)機(jī)KDD模型 45
2.2.5 支持多數(shù)據(jù)源多知識(shí)模式的KDD處理模型 46
2.3 知識(shí)發(fā)現(xiàn)軟件或工具的發(fā)展 49
2.3.1 獨(dú)立的知識(shí)發(fā)現(xiàn)軟件 49
2.3.2 橫向的知識(shí)發(fā)現(xiàn)工具 49
2.3.3 縱向的知識(shí)發(fā)現(xiàn)解決方案 50
2.3.4 KDD系統(tǒng)介紹 50
2.4 知識(shí)發(fā)現(xiàn)項(xiàng)目的過程化管理 53
2.5 數(shù)據(jù)挖掘語言介紹 54
2.5.1 數(shù)據(jù)挖掘語言的分類 54
2.5.2 數(shù)據(jù)挖掘查詢語言 55
2.5.3 數(shù)據(jù)挖掘建模語言 56
2.5.4 通用數(shù)據(jù)挖掘語言 57
2.5.5 DMQL挖掘查詢語言介紹 59
2.6 本章小結(jié)和文獻(xiàn)注釋 62
第3章關(guān)聯(lián)規(guī)則挖掘理論和算法 64
3.1 基本概念與解決方法 64
3.2 經(jīng)典的頻繁項(xiàng)目集生成算法分析 65
3.2.1 項(xiàng)目集格空間理論 65
3.2.2 經(jīng)典的發(fā)現(xiàn)頻繁項(xiàng)目集算法 66
3.2.3 關(guān)聯(lián)規(guī)則生成算法 68
3.3 Apriori算法的性能瓶頸問題 70
3.4 Apriori的改進(jìn)算法 71
3.4.1 基于數(shù)據(jù)分割（Partition）的方法 71
3.4.2 基于散列（Hash）的方法 72
3.4.3 基于采樣（Sampling）的方法 73
3.5 項(xiàng)目集格空間理論的發(fā)展 74
3.5.1 Close算法 74
3.5.2 FP-tree算法 79
3.6 項(xiàng)目序列集格空間和它的操作 83
3.7 基于項(xiàng)目序列集操作的關(guān)聯(lián)規(guī)則挖掘算法 85
3.7.1 關(guān)聯(lián)規(guī)則挖掘空間 85
3.7.2 三個(gè)實(shí)用算子 85
3.7.3 最大頻繁項(xiàng)目序列集的生成算法 87
3.7.4 ISS-DM算法執(zhí)行示例 87
3.8 改善關(guān)聯(lián)規(guī)則挖掘質(zhì)量問題 88
3.8.1 用戶主觀層面 88
3.8.2 系統(tǒng)客觀層面 89
3.9 約束數(shù)據(jù)挖掘問題 89
3.9.1 約束在數(shù)據(jù)挖掘中的作用 89
3.9.2 約束的類型 90
3.10 時(shí)態(tài)約束關(guān)聯(lián)規(guī)則挖掘 93
3.11 關(guān)聯(lián)規(guī)則挖掘中的一些更深入的問題 96
3.11.1 多層次關(guān)聯(lián)規(guī)則挖掘 96
3.11.2 多維關(guān)聯(lián)規(guī)則挖掘 97
3.11.3 數(shù)量關(guān)聯(lián)規(guī)則挖掘 98
3.12 數(shù)量關(guān)聯(lián)規(guī)則挖掘方法 99
3.12.1 數(shù)量關(guān)聯(lián)規(guī)則挖掘問題 99
3.12.2 數(shù)量關(guān)聯(lián)規(guī)則的分類 100
3.12.3 數(shù)量關(guān)聯(lián)規(guī)則挖掘的一般步驟 101
3.12.4 數(shù)值屬性離散化問題及算法 103
3.13 本章小結(jié)和文獻(xiàn)注釋 106
第4章分類方法 109
4.1 分類的基本概念與步驟 109
4.2 基于距離的分類算法 111
4.3 決策樹分類方法 114
4.3.1 決策樹基本算法概述 115
4.3.2 ID3算法 117
4.3.3 C4.5算法 123
4.4 貝葉斯分類 127
4.4.1 貝葉斯定理 127
4.4.2 樸素貝葉斯分類 128
4.4.3 EM算法 130
4.5 規(guī)則歸納 134
4.5.1 AQ算法 135
4.5.2 CN2算法 138
4.5.3 FOIL算法 146
4.6 與分類有關(guān)的其他問題 150
4.6.1 分類數(shù)據(jù)預(yù)處理 150
4.6.2 分類器性能的表示與評估 151
4.7 本章小結(jié)和文獻(xiàn)注釋 153
第5章聚類方法 156
5.1 概述 156
5.1.1 聚類分析在數(shù)據(jù)挖掘中的應(yīng)用 157
5.1.2 聚類分析算法的概念與基本分類 158
5.1.3 距離與相似性的度量 160
5.2 劃分聚類方法 163
5.2.1 k-平均算法 164
5.2.2 PAM 166
5.2.3 其他方法 170
5.3 層次聚類方法 170
5.3.1 AGNES算法 171
5.3.2 DIANA算法 172
5.3.3 其他聚類方法 174
5.4 密度聚類方法 175
5.5 其他聚類方法 178
5.5.1 STING算法 179
5.5.2 SOM算法 180
5.5.3 COBWEB算法 180
5.5.4 模糊聚類算法FCM 181
5.6 本章小結(jié)和文獻(xiàn)注釋 181
第6章時(shí)間序列和序列模式挖掘 183
6.1 時(shí)間序列及其應(yīng)用 183
6.2 時(shí)間序列預(yù)測的常用方法 184
6.2.1 確定性時(shí)間序列預(yù)測方法 184
6.2.2 隨機(jī)時(shí)間序列預(yù)測方法 185
6.2.3 其他方法 185
6.3 基于ARMA模型的序列匹配方法 185
6.3.1 基本概念 185
6.3.2 利用基本概念建立模型 186
6.3.3 構(gòu)造判別函數(shù) 187
6.4 基于離散富里葉變換的時(shí)間序列相似性查找 188
6.4.1 完全匹配 189
6.4.2 子序列匹配 190
6.5 基于規(guī)范變換的查找方法 192
6.5.1 基本概念 193
6.5.2 查找方法 193
6.6 序列挖掘 195
6.6.1 基本概念 196
6.6.2 數(shù)據(jù)源的形式 196
6.6.3 序列模式挖掘的一般步驟 198
6.7 AprioriAll 算法 199
6.8 AprioriSome 算法 202
6.9 GSP算法 205
6.10 本章小結(jié)和文獻(xiàn)注釋 207
第7章 Web挖掘技術(shù) 211
7.1 Web挖掘的意義 211
7.2 Web挖掘的分類 212
7.3 Web挖掘的含義 213
7.3.1 Web挖掘與信息檢索 214
7.3.2 Web挖掘與信息抽取 214
7.4 Web挖掘的數(shù)據(jù)來源 215
7.4.1 服務(wù)器日志數(shù)據(jù) 215
7.4.2 在線市場數(shù)據(jù) 216
7.4.3 Web頁面 216
7.4.4 Web頁面超鏈接關(guān)系 216
7.4.5 其他信息 217
7.5 Web內(nèi)容挖掘方法 217
7.5.1 爬蟲與Web內(nèi)容挖掘 218
7.5.2 虛擬的Web視圖 218
7.5.3 個(gè)性化與Web內(nèi)容挖掘 219
7.5.4 對Web頁面內(nèi)文本信息的挖掘 219
7.5.5 對Web頁面內(nèi)多媒體信息挖掘 220
7.5.6 Web頁面內(nèi)容的預(yù)處理 220
7.6 Web訪問信息挖掘方法 221
7.6.1 Web訪問信息挖掘的特點(diǎn)和意義 221
7.6.2 Web訪問信息挖掘的意義 223
7.6.3 Web訪問信息挖掘的數(shù)據(jù)源 224
7.6.4 Web訪問信息挖掘的預(yù)處理 227
7.6.5 其他信息的預(yù)處理技術(shù) 231
7.6.6 在Web訪問挖掘中的常用技術(shù) 233
7.6.7 Web訪問信息挖掘的要素構(gòu)成 234
7.6.8 利用Web訪問信息挖掘?qū)崿F(xiàn)用戶建模 235
7.6.9 利用Web訪問信息挖掘發(fā)現(xiàn)導(dǎo)航模式 237
7.6.10 利用Web訪問信息挖掘改進(jìn)訪問效率 239
7.6.11 利用Web訪問信息挖掘進(jìn)行個(gè)性化服務(wù) 240
7.6.12 利用Web訪問信息挖掘進(jìn)行商業(yè)智能發(fā)現(xiàn) 242
7.6.13 利用Web訪問信息挖掘進(jìn)行用戶移動(dòng)模式發(fā)現(xiàn) 243
7.6.14 利用協(xié)作推薦的方法實(shí)現(xiàn)實(shí)時(shí)個(gè)性化推薦的例子 244
7.7 Web結(jié)構(gòu)挖掘方法 247
7.7.1 頁面重要性的評價(jià)方法 247
7.7.2 頁面等級 248
7.7.3 權(quán)威頁面和中心頁面 248
7.7.4 Web站點(diǎn)結(jié)構(gòu)的預(yù)處理 249
7.8 本章小結(jié)和文獻(xiàn)注釋 251
第8章空間挖掘 256
8.1 引言 256
8.2 空間數(shù)據(jù)概要 257
8.2.1 空間數(shù)據(jù)的復(fù)雜性特征 257
8.2.2 空間查詢問題 258
8.2.3 空間數(shù)據(jù)結(jié)構(gòu) 259
8.2.4 專題地圖 263
8.3 空間數(shù)據(jù)挖掘基礎(chǔ) 264
8.4 空間統(tǒng)計(jì)學(xué) 265
8.5 泛化與特化 266
8.5.1 逐步求精 266
8.5.2 泛化 267
8.5.3 最臨近 268
8.5.4 統(tǒng)計(jì)信息網(wǎng)格方法STING 268
8.6 空間規(guī)則 270
8.7 空間分類算法 272
8.7.1 ID3擴(kuò)展 273
8.7.2 空間決策樹 273
8.8 空間聚類算法 274
8.8.1 基于隨機(jī)搜索的聚類方法CLARANS擴(kuò)展 274
8.8.2 大型空間數(shù)據(jù)庫基于距離分布的聚類算法DBCLASD 275
8.8.3 BANG 276
8.8.4 小波聚類 277
8.8.5 近似值 277
8.9 空間挖掘的其他問題 278
8.10 空間數(shù)據(jù)挖掘原型系統(tǒng)介紹 281
8.11 空間數(shù)據(jù)挖掘的研究現(xiàn)狀 283
8.12 空間數(shù)據(jù)挖掘的研究與發(fā)展方向 284
8.13 空間數(shù)據(jù)挖掘與相關(guān)學(xué)科的關(guān)系 286
8.13.1 空間數(shù)據(jù)挖掘與空間數(shù)據(jù)庫 286
8.13.2 空間數(shù)據(jù)挖掘與空間數(shù)據(jù)倉庫 287
8.13.3 空間數(shù)據(jù)挖掘與空間聯(lián)機(jī)分析處理 287
8.13.4 空間數(shù)據(jù)挖掘與地理信息系統(tǒng) 288
8.14 數(shù)字地球 289
8.15 本章小結(jié)和文獻(xiàn)注釋 289
參考文獻(xiàn) 292