图书介绍
数据挖掘算法原理与实现PDF|Epub|txt|kindle电子书版本下载
- 王振武编著 著
- 出版社： 北京：清华大学出版社
- ISBN：9787302454151
- 出版时间：2017
- 标注页数：224页
- 文件大小：122MB
- 文件页数：236页
- 主题词：数据采集－高等学校－教材
PDF下载
下载说明
数据挖掘算法原理与实现PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 绪论1
1.1 数据挖掘的概念1
1.2 数据挖掘的历史及发展1
1.3 数据挖掘的研究内容及功能5
1.3.1 数据挖掘的研究内容5
1.3.2 数据挖掘的功能6
1.4 数据挖掘的常用技术及工具9
1.4.1 数据挖掘的常用技术9
1.4.2 数据挖掘的工具12
1.5 数据挖掘的应用热点12
1.6 小结14
思考题15
第2章 数据预处理16
2.1 数据预处理的目的16
2.2 数据清理18
2.2.1 填充缺失值18
2.2.2 光滑噪声数据18
2.2.3 数据清理过程19
2.3 数据集成和数据变换20
2.3.1 数据集成20
2.3.2 数据变换21
2.4 数据归约23
2.4.1 数据立方体聚集23
2.4.2 维归约23
2.4.3 数据压缩24
2.4.4 数值归约25
2.4.5 数据离散化与概念分层28
2.5 特征选择与提取30
2.5.1 特征选择30
2.5.2 特征提取31
2.6 小结33
思考题33
第3章 关联规则挖掘35
3.1 基本概念35
3.2 关联规则挖掘算法——Apriori算法原理36
3.3 Apriori算法实例分析38
3.4 Apriori算法源程序分析41
3.5 Apriori算法的特点及应用50
3.5.1 Apriori算法特点50
3.5.2 Apriori算法应用51
3.6 小结52
思考题52
第4章 决策树分类算法54
4.1 基本概念54
4.1.1 决策树分类算法概述54
4.1.2 决策树基本算法概述54
4.2 决策树分类算法——ID3算法原理56
4.2.1 ID3算法原理56
4.2.2 熵和信息增益57
4.2.3 ID3算法59
4.3 ID3算法实例分析60
4.4 ID3算法源程序分析64
4.5 ID3算法的特点及应用72
4.5.1 ID3算法特点72
4.5.2 ID3算法应用72
4.6 决策树分类算法——C4.5算法原理73
4.6.1 C4.5 算法73
4.6.2 C4.5 算法的伪代码75
4.7 C4.5 算法实例分析76
4.8 C4.5 算法源程序分析77
4.9 C4.5 算法的特点及应用101
4.9.1 C4.5 算法特点101
4.9.2 C4.5 算法应用101
4.10 小结102
思考题102
第5章 贝叶斯分类算法103
5.1 基本概念103
5.1.1 主观概率103
5.1.2 贝叶斯定理104
5.2 贝叶斯分类算法原理105
5.2.1 朴素贝叶斯分类模型105
5.2.2 贝叶斯信念网络107
5.3 贝叶斯算法实例分析110
5.3.1 朴素贝叶斯分类器110
5.3.2 BBN112
5.4 贝叶斯算法源程序分析114
5.5 贝叶斯算法特点及应用119
5.5.1 朴素贝叶斯分类算法119
5.5.2 贝叶斯信念网120
思考题121
第6章 人工神经网络算法122
6.1 基本概念122
6.1.1 生物神经元模型122
6.1.2 人工神经元模型123
6.1.3 主要的神经网络模型124
6.2 BP算法原理126
6.2.1 Delta学习规则的基本原理126
6.2.2 BP网络的结构126
6.2.3 BP网络的算法描述127
6.2.4 标准BP网络的工作过程129
6.3 BP算法实例分析130
6.4 BP算法源程序分析134
6.5 BP算法的特点及应用143
6.5.1 BP算法特点143
6.5.2 BP算法应用144
6.6 小结145
思考题145
第7章 支持向量机146
7.1 基本概念146
7.1.1 支持向量机理论基础146
7.1.2 统计学习核心理论146
7.1.3 学习过程的一致性条件146
7.1.4 函数集的VC维147
7.1.5 泛化误差界148
7.1.6 结构风险最小化归纳原理148
7.2 支持向量机原理149
7.2.1 支持向量机核心理论149
7.2.2 最大间隔分类超平面149
7.2.3 支持向量机150
7.2.4 核函数分类153
7.3 支持向量机实例分析154
7.4 支持向量机的特点及应用156
7.4.1 支持向量机的特点156
7.4.2 支持向量机的应用157
7.5 小结158
思考题158
第8章 K-means聚类算法159
8.1 简介159
8.2 K-means聚类算法原理159
8.3 K-means聚类算法实例分析161
8.4 K-means聚类算法源程序分析164
8.5 K-means聚类算法的特点及应用171
8.5.1 K-means聚类算法的特点171
8.5.2 K-means聚类算法的应用171
8.6 小结172
思考题172
第9章 K-中心点聚类算法173
9.1 简介173
9.2 K－中心点聚类算法原理173
9.3 K－中心点聚类算法实例分析174
9.4 K－中心点聚类算法源程序分析175
9.5 K－中心点聚类算法的特点及应用183
9.5.1 K－中心点聚类算法的特点183
9.5.2 K－中心点聚类算法的应用183
9.6 小结183
第10章 神经网络聚类方法：SOM184
10.1 简介184
10.2 竞争学习算法基础184
10.2.1 自组织神经网络结构184
10.2.2 自组织神经网络的原理185
10.3 SOM算法原理187
10.3.1 SOM网络的拓扑结构187
10.3.2 SOM权值调整域188
10.3.3 SOM网络运行原理189
10.3.4 学习方法189
10.4 SOM算法实例分析190
10.4.1 问题描述190
10.4.2 网络设计及学习结果191
10.4.3 结果输出191
10.5 SOM算法源程序分析192
10.6 SOM算法的特点及应用202
10.6.1 SOM特点202
10.6.2 SOM应用202
10.7 小结203
思考题203
第11章 数据挖掘的发展204
11.1 Web挖掘204
11.1.1 Web数据挖掘定义204
11.1.2 Web数据挖掘分类204
11.1.3 Web数据挖掘的数据源206
11.1.4 Web数据挖掘中知识的分类207
11.1.5 Web数据挖掘的关键问题208
11.2 空间数据挖掘209
11.2.1 空间数据挖掘的定义与特点209
11.2.2 空间数据挖掘的体系结构210
11.2.3 空间数据挖掘可获得的知识类型210
11.2.4 空间数据挖掘的方法212
11.3 流数据挖掘215
11.3.1 流数据的特点215
11.3.2 流数据挖掘关键技术215
11.3.3 流数据挖掘的实际应用及前景217
11.4 数据挖掘与可视化技术218
11.4.1 什么是可视化218
11.4.2 数据可视化技术分类219
11.4.3 数据挖掘可视化技术的应用221
11.5 小结222
思考题223
参考文献224