數(shù)據(jù)挖掘

定　價(jià)：￥52.00

作　者：	朱明編著
出版社：	中國(guó)科學(xué)技術(shù)大學(xué)出版社
叢編項(xiàng)：	“十一五”國(guó)家重點(diǎn)圖書(shū)
標(biāo)　簽：	數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787312022449	出版時(shí)間：	2008-11-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	491	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　數(shù)據(jù)挖掘技術(shù)，又稱(chēng)為數(shù)據(jù)庫(kù)知識(shí)發(fā)現(xiàn)，是20世紀(jì)90年代在信息技術(shù)領(lǐng)域開(kāi)始迅速發(fā)展起來(lái)的計(jì)算機(jī)技術(shù)。作者結(jié)合自己近20年從事人工智能、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等方面的科研工作積累與教學(xué)經(jīng)驗(yàn)，編著此書(shū)。本書(shū)較全面系統(tǒng)地介紹了數(shù)據(jù)挖掘中常用和常見(jiàn)的數(shù)據(jù)挖掘方法，以及文本與視頻數(shù)據(jù)挖掘方法。本書(shū)的主要內(nèi)容包括：數(shù)據(jù)挖掘基本知識(shí)、數(shù)據(jù)挖掘預(yù)處理方法、決策樹(shù)分類(lèi)及其他分類(lèi)方法、關(guān)聯(lián)知識(shí)挖掘方法、各種聚類(lèi)分析方法，以及文本挖掘所涉及表示、分類(lèi)和聚類(lèi)等方法，還包括視頻挖掘所涉及的視頻鏡頭檢測(cè)、字幕提取、視頻摘要和視頻檢索等主要分析方法。本書(shū)作為學(xué)習(xí)、掌握和應(yīng)用數(shù)據(jù)挖掘方法和技術(shù)的綜合指導(dǎo)書(shū)，是從事數(shù)據(jù)挖掘研究與應(yīng)用人員，以及希望了解數(shù)據(jù)挖掘主要方法和技術(shù)的IT技術(shù)人員的良師益友；同時(shí)也是一本可用于大學(xué)高年級(jí)或研究生相關(guān)課程的教材和參考文獻(xiàn)。

作者簡(jiǎn)介

暫缺《數(shù)據(jù)挖掘》作者簡(jiǎn)介

圖書(shū)目錄

總序
前言
第1章數(shù)據(jù)挖掘?qū)д?br />1.1 數(shù)據(jù)挖掘的發(fā)展背景
1.2 數(shù)據(jù)挖掘定義
1.3 數(shù)據(jù)挖掘過(guò)程
1.4 數(shù)據(jù)挖掘功能
1.5 數(shù)據(jù)挖掘應(yīng)用
1.6 數(shù)據(jù)挖掘發(fā)展
1.7 本章小結(jié)
第2章數(shù)據(jù)預(yù)處理
2.1 數(shù)據(jù)描述
2.1.1 數(shù)據(jù)集類(lèi)型
2.1.2 數(shù)據(jù)質(zhì)量
2.2 數(shù)據(jù)清理
2.2.1 缺失值處理
2.2.2 噪聲數(shù)據(jù)處理
2.2.3 數(shù)據(jù)清理過(guò)程
2.3 數(shù)據(jù)集成和變換
2.3.1 數(shù)據(jù)集成
2.3.2 數(shù)據(jù)變換
2.3.3 維度歸約
2.4 數(shù)據(jù)歸約
2.4.1 數(shù)據(jù)立方體聚集
2.4.2 屬性子集選擇
2.5 本章小結(jié)
第3章分類(lèi)挖掘：決策樹(shù)
3.1 決策樹(shù)方法
3.2 決策樹(shù)深入
3.2.1 信息熵基礎(chǔ)
3.2.2 C4.5方法
3.2.3 CART方法
3.2.4 SLIQ方法
3.2.5 SPRINT方法
3.2.6 其他決策樹(shù)方法
3.3 決策樹(shù)的簡(jiǎn)化
3.4 決策樹(shù)的改進(jìn)
3.4.1 屬性選擇
3.4.2 連續(xù)屬性離散化
3.5 決策樹(shù)的討論
3.5.1 決策樹(shù)優(yōu)化問(wèn)題
3.5.2 決策樹(shù)優(yōu)化方法
3.6 分類(lèi)模型的評(píng)估
3.7 本章小結(jié)
第4章分類(lèi)挖掘
4.1 貝葉斯方法
4.1.1 貝葉斯方法概述
4.1.2 樸素貝葉斯分類(lèi)
4.2 k-近鄰方法
4.3 人工神經(jīng)網(wǎng)絡(luò)方法
4.4 遺傳進(jìn)化方法
4.5 支持向量機(jī)方法
4.5.1 SVM分類(lèi)方法
4.6 粗糙集方法
4.7 集成學(xué)習(xí)方法
4.7.1 基本概念
4.7.2 Bagging
4.7.3 Boosting
4.8 本章小結(jié)
第5章關(guān)聯(lián)挖掘
5.1 關(guān)聯(lián)挖掘簡(jiǎn)述
5.1.1 關(guān)聯(lián)挖掘應(yīng)用
5.2 關(guān)聯(lián)挖掘基本方法
5.2.1 關(guān)聯(lián)挖掘基本概念
5.2.2 關(guān)聯(lián)挖掘問(wèn)題
5.2.3 關(guān)聯(lián)挖掘類(lèi)型
5.2.4 關(guān)聯(lián)挖掘基本方法
5.3 關(guān)聯(lián)挖掘方法改進(jìn)
5.3.1 Apriori算法改進(jìn)
5.3.2 頻繁模式增長(zhǎng)（FP.tree）算法
5.3.3 其他改進(jìn)算法
5.4 關(guān)聯(lián)挖掘并行方法
5.4.1 基于候選集復(fù)制的算法
5.4.2 劃分候選集的算法
5.4.3 混合策略：候選集部分復(fù)制
5.5 基于粒計(jì)算的關(guān)聯(lián)挖掘
5.5.1 基本思想
5.6 本章小結(jié)
第6章聚類(lèi)挖掘
6.1 聚類(lèi)挖掘簡(jiǎn)述
6.2 基于劃分的聚類(lèi)挖掘
6.2.1 k.means方法
6.3 基于層次的聚類(lèi)挖掘
6.4 基于密度的聚類(lèi)挖掘
6.5 基于網(wǎng)格的聚類(lèi)挖掘
6.6 基于模型的聚類(lèi)挖掘
6.7 高維海量數(shù)據(jù)的聚類(lèi)挖掘
6.7.1 高維海量數(shù)據(jù)特點(diǎn)
6.7.2 高維海量數(shù)據(jù)聚類(lèi)算法
6.8 基于蟻群算法的聚類(lèi)挖掘
6.8.1 蟻群算法概述
6.8.2 蟻群算法特征
6.8.3 蟻群算法的研究熱點(diǎn)
6.8.4 基于蟻穴清理行為的聚類(lèi)算法
6.8.5 基于蟻群覓食行為的聚類(lèi)算法
6.8.6 螞蟻聚類(lèi)算法分析
6.9 本章小結(jié)
第7章異類(lèi)挖掘
7.1 異類(lèi)挖掘簡(jiǎn)述
7.1.1 基于統(tǒng)計(jì)的異常點(diǎn)檢測(cè)
7.1.2 基于距離的異常點(diǎn)檢測(cè)
7.1.3 基于偏差的異常點(diǎn)檢測(cè)
7.1.4 基于密度的異常點(diǎn)檢測(cè)
7.1.5 高維數(shù)據(jù)的異常點(diǎn)檢測(cè)
7.2 基于屬性的異常點(diǎn)檢測(cè)
7.2.1 基于屬性的異常點(diǎn)檢測(cè)
7.3 時(shí)序異常點(diǎn)檢測(cè)
7.3.1 時(shí)序異常點(diǎn)檢測(cè)概述
7.3.2 時(shí)序異常模式挖掘
7.4 空間異常點(diǎn)挖掘
7.5 時(shí)空異常點(diǎn)挖掘
7.6 數(shù)據(jù)流異常挖掘
7.6.1 基于單調(diào)搜索空間的突變檢測(cè)
7.6.2 基于分段分形模型的無(wú)參數(shù)異常檢測(cè)
7.7 本章小結(jié)
第8章文本挖掘
第9章視頻挖掘
第10章視頻分析