數(shù)據(jù)挖掘算法及其應(yīng)用研究

定　價(jià)：￥29.00

作　者：	蔡麗艷著
出版社：	電子科技大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	計(jì)算機(jī)/網(wǎng)絡(luò) 數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘數(shù)據(jù)庫(kù)

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787564714819	出版時(shí)間：	2013-02-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	182	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　數(shù)據(jù)挖掘是一個(gè)融合了數(shù)據(jù)庫(kù)技術(shù)、人工智能、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)、知識(shí)工程、面向?qū)ο蠓椒ǖ刃录夹g(shù)的多學(xué)科交叉的研究領(lǐng)域。今天，越來(lái)越多的人們投入數(shù)據(jù)挖掘技術(shù)的研究領(lǐng)域，各種算法的不斷改進(jìn)和推陳出新，再加上高性能的關(guān)系數(shù)據(jù)庫(kù)技術(shù)以及數(shù)據(jù)倉(cāng)庫(kù)技術(shù)的成熟，使得數(shù)據(jù)挖掘技術(shù)有了飛速的發(fā)展，并使數(shù)據(jù)挖掘技術(shù)進(jìn)入了實(shí)用的階段?！稊?shù)據(jù)挖掘算法及其應(yīng)用研究》結(jié)合大量國(guó)內(nèi)外最近幾年數(shù)據(jù)挖掘的最新資料和作者的研究成果，系統(tǒng)地介紹了數(shù)據(jù)挖掘算法以及相關(guān)的技術(shù)及其在一些領(lǐng)域中的應(yīng)用。《數(shù)據(jù)挖掘算法及其應(yīng)用研究》共分2個(gè)部分，第1部分介紹數(shù)據(jù)挖掘算法，包括決策樹(shù)算法、貝葉斯網(wǎng)絡(luò)算法、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、關(guān)聯(lián)規(guī)則、聚類(lèi)分析以及一些數(shù)據(jù)挖掘的相關(guān)技術(shù)等。第2部分主要討論數(shù)據(jù)挖掘的應(yīng)用研究，包括在信用評(píng)估模型中的應(yīng)用和數(shù)據(jù)挖掘技術(shù)在決策支持系統(tǒng)中的應(yīng)用。《數(shù)據(jù)挖掘算法及其應(yīng)用研究》的讀者可以是對(duì)數(shù)據(jù)挖掘感興趣的計(jì)算機(jī)專(zhuān)業(yè)人士，也可供數(shù)據(jù)挖掘、機(jī)器智能、商業(yè)數(shù)據(jù)分析等領(lǐng)域的科技人員和高校師生參考。

作者簡(jiǎn)介

　　蔡麗艷，牡丹江師范學(xué)院工學(xué)院講師，碩士學(xué)位，在省級(jí)及國(guó)家級(jí)期刊發(fā)表論文共7篇，參編教材兩部，參與省級(jí)教育教學(xué)改革工程項(xiàng)目一項(xiàng)，參與牡丹江市科學(xué)技術(shù)計(jì)劃項(xiàng)目一項(xiàng)，主持牡丹江師范學(xué)院科學(xué)技術(shù)計(jì)劃項(xiàng)目一項(xiàng)。主要研究領(lǐng)域?yàn)閿?shù)據(jù)庫(kù)應(yīng)用、數(shù)據(jù)挖掘。

圖書(shū)目錄

第1章概論
1.1 數(shù)據(jù)挖掘概念及其產(chǎn)生的背景
1.2 數(shù)據(jù)挖掘起源
1.3 數(shù)據(jù)挖掘任務(wù)
1.4 數(shù)據(jù)挖掘過(guò)程
1.5 數(shù)據(jù)挖掘解決的典型問(wèn)題
1.6 數(shù)據(jù)挖掘常用工具及開(kāi)發(fā)商

第2章決策樹(shù)算法
2.1 分類(lèi)原理
2.2 決策樹(shù)算法概述
2.3 決策樹(shù)相關(guān)概念及定義
2.4 決策樹(shù)生成過(guò)程
2.5 決策樹(shù)算法特點(diǎn)
2.6 決策樹(shù)剪枝技術(shù)
2.7 決策樹(shù)算法國(guó)內(nèi)外研究現(xiàn)狀
2.8 ID3算法
2.9 C4.5算法
2.10 CART算法
2.11 SLIQ算法
2.12 SPRINT算法
2.13 PUBLIC算法
2.14 決策樹(shù)算法比較

第3章貝葉斯分類(lèi)算法
3.1 貝葉斯分類(lèi)理論
3.2 貝葉斯分類(lèi)模型
3.3 貝葉斯分類(lèi)模型的改進(jìn)研究
3.4 貝葉斯網(wǎng)絡(luò)
3.5 貝葉斯網(wǎng)絡(luò)應(yīng)用實(shí)例

第4章人工神經(jīng)網(wǎng)絡(luò)算法
4.1 基本概念及特征
4.2 人工神經(jīng)網(wǎng)絡(luò)的分類(lèi)
4.3 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史
4.4 人工神經(jīng)元模型
4.5 BP神經(jīng)網(wǎng)絡(luò)
4.6 BP神經(jīng)算法應(yīng)用實(shí)例

第5章支持向量機(jī)
5.1 概述
5.2 統(tǒng)計(jì)學(xué)習(xí)理論
5.3 支持向量機(jī)定義
5.4 核函數(shù)
5.5 支持向量機(jī)的訓(xùn)練算法
5.6 支持向量機(jī)應(yīng)用實(shí)例

第6章關(guān)聯(lián)規(guī)則
6.1 關(guān)聯(lián)規(guī)則相關(guān)定義及基本概念
6.2 APRIORI算法
6.3 從頻繁項(xiàng)集到強(qiáng)關(guān)聯(lián)規(guī)則
6.4 提高APRIORI算法的效率
6.5 Web挖掘

第7章聚類(lèi)分析
7.1 概述
7.2 數(shù)據(jù)結(jié)構(gòu)與數(shù)據(jù)類(lèi)型
7.3 聚類(lèi)準(zhǔn)則函數(shù)
7.4 主要聚類(lèi)算法
7.5 K-means聚類(lèi)算法
7.6 K-means算法應(yīng)用實(shí)例

第8章數(shù)據(jù)挖掘相關(guān)技術(shù)
8.1 粗糙集技術(shù)
8.2 模糊集技術(shù)
8.3 數(shù)據(jù)倉(cāng)庫(kù)

第9章一數(shù)據(jù)挖掘在信用評(píng)估模型中的應(yīng)用
9.1 我國(guó)商業(yè)銀行運(yùn)用數(shù)據(jù)挖掘技術(shù)的必要性
9.2 信用的基本概念
9.3 信用風(fēng)險(xiǎn)的影響因素
9.4 風(fēng)險(xiǎn)評(píng)估的特點(diǎn)
9.5 信用評(píng)估模型的主要應(yīng)用技術(shù)
9.6 基于數(shù)據(jù)挖掘的農(nóng)戶(hù)小額貸款信用評(píng)估模型研究

第10章數(shù)據(jù)挖掘在決策支持系統(tǒng)中的應(yīng)用
10.1 決策支持系統(tǒng)
10.2 決策支持系統(tǒng)的主要特征及功能
10.3 智能決策支持系統(tǒng)
10.4 基于數(shù)據(jù)挖掘的房地產(chǎn)決策支持系統(tǒng)的開(kāi)發(fā)
參考文獻(xiàn)