數(shù)據(jù)挖掘算法原理與實現(xiàn)（第2版）

第1章緒論/11.1數(shù)據(jù)挖掘的概念/11.2數(shù)據(jù)挖掘的歷史及發(fā)展/11.3數(shù)據(jù)挖掘的研究內(nèi)容及功能/51.3.1數(shù)據(jù)挖掘的研究內(nèi)容/51.3.2數(shù)據(jù)挖掘的功能/61.4數(shù)據(jù)挖掘的常用技術(shù)及工具/91.4.1數(shù)據(jù)挖掘的常用技術(shù)/91.4.2數(shù)據(jù)挖掘的工具/121.5數(shù)據(jù)挖掘的應(yīng)用熱點/121.6小結(jié)/14思考題/15第2章數(shù)據(jù)預處理/162.1數(shù)據(jù)預處理的目的 /162.2數(shù)據(jù)清理/182.2.1填充缺失值/182.2.2光滑噪聲數(shù)據(jù)/182.2.3數(shù)據(jù)清理過程/192.3數(shù)據(jù)集成和數(shù)據(jù)變換/202.3.1數(shù)據(jù)集成/202.3.2數(shù)據(jù)變換/212.4數(shù)據(jù)歸約/232.4.1數(shù)據(jù)立方體聚集/232.4.2維歸約/232.4.3數(shù)據(jù)壓縮/242.4.4數(shù)值歸約/252.4.5數(shù)據(jù)離散化與概念分層/282.5特征選擇與提取/302.5.1特征選擇/302.5.2特征提取/312.6小結(jié)/33思考題/33第3章關(guān)聯(lián)規(guī)則挖掘/353.1基本概念 /353.2關(guān)聯(lián)規(guī)則挖掘算法——Apriori算法原理/363.3Apriori算法實例分析/383.4Apriori算法源程序分析/413.5Apriori算法的特點及應(yīng)用/503.5.1Apriori算法特點/503.5.2Apriori 算法應(yīng)用/513.6小結(jié)/52思考題/52第4章決策樹分類算法/544.1基本概念/544.1.1決策樹分類算法概述/544.1.2決策樹基本算法概述/544.2決策樹分類算法——ID3算法原理/564.2.1ID3算法原理/564.2.2熵和信息增益/574.2.3ID3算法/594.3ID3算法實例分析/604.4ID3算法源程序分析/644.5ID3算法的特點及應(yīng)用/724.5.1ID3算法特點/724.5.2ID3算法應(yīng)用/724.6決策樹分類算法——C4.5算法原理/734.6.1C4.5算法/734.6.2C4.5算法的偽代碼/754.7C4.5算法實例分析/764.8C4.5算法源程序分析 /774.9C4.5算法的特點及應(yīng)用/1014.9.1C4.5算法特點/1014.9.2C4.5算法應(yīng)用/1014.10小結(jié)/102思考題/102第5章貝葉斯分類算法/1035.1基本概念/1035.1.1主觀概率/1035.1.2貝葉斯定理/1045.2貝葉斯分類算法原理/1055.2.1樸素貝葉斯分類模型/1055.2.2貝葉斯信念網(wǎng)絡(luò)/1075.3貝葉斯算法實例分析/1105.3.1樸素貝葉斯分類器/1105.3.2BBN/1125.4貝葉斯算法源程序分析/1145.5貝葉斯算法特點及應(yīng)用/1195.5.1樸素貝葉斯分類算法/1195.5.2貝葉斯信念網(wǎng)/120思考題/121第6章人工神經(jīng)網(wǎng)絡(luò)算法/1226.1基本概念/1226.1.1生物神經(jīng)元模型/1226.1.2人工神經(jīng)元模型/1236.1.3主要的神經(jīng)網(wǎng)絡(luò)模型/1246.2BP算法原理/1266.2.1Delta學習規(guī)則的基本原理/1266.2.2BP網(wǎng)絡(luò)的結(jié)構(gòu)/1266.2.3BP網(wǎng)絡(luò)的算法描述/1276.2.4標準BP網(wǎng)絡(luò)的工作過程/1296.3BP算法實例分析/1306.4BP算法源程序分析/1346.5BP算法的特點及應(yīng)用/1436.5.1BP算法特點/1436.5.2BP算法應(yīng)用/1446.6小結(jié)/145思考題/145第7章支持向量機/1467.1基本概念/1467.1.1支持向量機理論基礎(chǔ)/1467.1.2統(tǒng)計學習核心理論/1467.1.3學習過程的一致性條件/1467.1.4函數(shù)集的VC維/1477.1.5泛化誤差界/1487.1.6結(jié)構(gòu)風險最小化歸納原理/1487.2支持向量機原理/1497.2.1支持向量機核心理論/1497.2.2最大間隔分類超平面/1497.2.3支持向量機/1507.2.4核函數(shù)分類/1537.3支持向量機實例分析/1547.4支持向量機的特點及應(yīng)用/1567.4.1支持向量機的特點/1567.4.2支持向量機的應(yīng)用/1577.5小結(jié)/158思考題/158第8章Kmeans聚類算法/1598.1簡介/1598.2Kmeans聚類算法原理/1598.3Kmeans聚類算法實例分析/1618.4Kmeans聚類算法源程序分析/1648.5Kmeans聚類算法的特點及應(yīng)用/1718.5.1Kmeans聚類算法的特點/1718.5.2Kmeans聚類算法的應(yīng)用/1718.6小結(jié)/172思考題/172第9章K中心點聚類算法/1739.1簡介/1739.2K中心點聚類算法原理/1739.3K中心點聚類算法實例分析/1749.4K中心點聚類算法源程序分析/1759.5K中心點聚類算法的特點及應(yīng)用/1839.5.1K中心點聚類算法的特點/1839.5.2K中心點聚類算法的應(yīng)用/1839.6小結(jié)/183第10章神經(jīng)網(wǎng)絡(luò)聚類方法：SOM /18410.1簡介/18410.2競爭學習算法基礎(chǔ)/18410.2.1自組織神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)/18410.2.2自組織神經(jīng)網(wǎng)絡(luò)的原理/18510.3SOM算法原理/18710.3.1SOM網(wǎng)絡(luò)的拓撲結(jié)構(gòu)/18710.3.2SOM權(quán)值調(diào)整域/18810.3.3SOM網(wǎng)絡(luò)運行原理/18910.3.4學習方法/18910.4SOM算法實例分析/19010.4.1問題描述/19010.4.2網(wǎng)絡(luò)設(shè)計及學習結(jié)果/19110.4.3結(jié)果輸出/19110.5SOM算法源程序分析/19210.6SOM算法的特點及應(yīng)用/20210.6.1SOM特點/20210.6.2SOM應(yīng)用/20210.7小結(jié)/203思考題/203第11章數(shù)據(jù)挖掘的發(fā)展/20411.1Web挖掘/20411.1.1Web數(shù)據(jù)挖掘定義/20411.1.2Web數(shù)據(jù)挖掘分類/20411.1.3Web數(shù)據(jù)挖掘的數(shù)據(jù)源/20611.1.4Web數(shù)據(jù)挖掘中知識的分類/20711.1.5Web數(shù)據(jù)挖掘的關(guān)鍵問題/20811.2空間數(shù)據(jù)挖掘/20911.2.1空間數(shù)據(jù)挖掘的定義與特點/20911.2.2空間數(shù)據(jù)挖掘的體系結(jié)構(gòu)/21011.2.3空間數(shù)據(jù)挖掘可獲得的知識類型/21011.2.4空間數(shù)據(jù)挖掘的方法/21211.3流數(shù)據(jù)挖掘/21511.3.1流數(shù)據(jù)的特點/21511.3.2流數(shù)據(jù)挖掘關(guān)鍵技術(shù)/21511.3.3流數(shù)據(jù)挖掘的實際應(yīng)用及前景/21711.4數(shù)據(jù)挖掘與可視化技術(shù)/21811.4.1什么是可視化/21811.4.2數(shù)據(jù)可視化技術(shù)分類/21911.4.3數(shù)據(jù)挖掘可視化技術(shù)的應(yīng)用/22111.5小結(jié)/222思考題/223參考文獻/224