數(shù)據(jù)挖掘：概念、模型、方法和算法

定　價(jià)：￥42.00

作　者：	（美）Mehmed Kantardzic著；閃四清[等]譯
出版社：	清華大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	數(shù)據(jù)庫存儲(chǔ)與管理

購買這本書可以去

當(dāng)當(dāng)網(wǎng) (￥33.60)

ISBN：	9787302067771	出版時(shí)間：	2003-08-01	包裝：	精裝
開本：	26cm	頁數(shù)：	309	字?jǐn)?shù)：

內(nèi)容簡介

　　作為一本教科書，本書全面講述了數(shù)據(jù)挖掘的概念、模型、方法和算法。本書共包括13章和2個(gè)附錄，全面、詳細(xì)地講述了從數(shù)據(jù)挖掘的基本概念到數(shù)據(jù)挖掘的整個(gè)過程，以及數(shù)據(jù)挖掘工具及其典型應(yīng)用領(lǐng)域。本收編寫嚴(yán)謹(jǐn)、內(nèi)容權(quán)威、結(jié)構(gòu)合理、科學(xué)規(guī)范、語言流暢，特別適合作為高等院校數(shù)據(jù)挖掘課程的教科書，還適合作為數(shù)據(jù)挖掘研究人員必備的參考書。我們被數(shù)據(jù)所包圍著，這些數(shù)據(jù)是數(shù)值型或其他類型，它們都必須經(jīng)過分析和處理，轉(zhuǎn)換成通知、指導(dǎo)、回答或輔助決策和理解的信息。由于當(dāng)今數(shù)據(jù)集的大小和復(fù)雜性的增加，就產(chǎn)生了數(shù)據(jù)挖掘這個(gè)新術(shù)語，它描述了間接的、自動(dòng)化的數(shù)據(jù)分析技術(shù)，這些技術(shù)所利用的工具比分析人員過去做基本的數(shù)據(jù)分析所使用的工具更加復(fù)雜和尖端。本書討論了數(shù)據(jù)挖掘的原理，接著描述了一些具有代表性的藝術(shù)級(jí)的方法和算法。這些方法和算法起源于不同的學(xué)科，如統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)、計(jì)算機(jī)圖形學(xué)、數(shù)據(jù)庫、信息檢索、神經(jīng)網(wǎng)絡(luò)、模糊邏輯和進(jìn)化計(jì)算。本書還提供了詳細(xì)的算法，而且這些算法都帶有必要的解釋和圖形示例。本書提供了一個(gè)指南：在面對一個(gè)待挖掘的數(shù)據(jù)集（以及它們的伴隨數(shù)據(jù)集）時(shí)，怎樣和何時(shí)從成百上千種軟件工具中選擇特定的一種。本書允許分析人員用書中提供的方法和技術(shù)來創(chuàng)建和執(zhí)行他們自己的數(shù)據(jù)挖掘?qū)嶒?yàn)。本書強(qiáng)調(diào)選擇合適的方法和數(shù)據(jù)分析軟件，并根據(jù)實(shí)際情況選擇相應(yīng)的參數(shù)。只有在深入理解了參數(shù)的意義及其在所提供技術(shù)中的作用的情況下，才能作出這些非常重要的、定性的決策。數(shù)據(jù)挖掘是一個(gè)正在蓬勃發(fā)展的領(lǐng)域，本書提供了從大量可用的分析程序中進(jìn)行選擇所急需的指南。

作者簡介

暫缺《數(shù)據(jù)挖掘：概念、模型、方法和算法》作者簡介

圖書目錄

第1章數(shù)據(jù)挖掘的概念

1.1 概述
1.2 數(shù)據(jù)挖掘的起源
1.3 數(shù)據(jù)挖掘過程
1.3.1 陳述問題和闡明假設(shè)
1.3.2 數(shù)據(jù)收集
1.3.3 數(shù)據(jù)預(yù)處理
1.3.4 模型評(píng)估
1.3.5 解釋模型和得出結(jié)論
1.4 大型數(shù)據(jù)集
1.5 數(shù)據(jù)倉庫
1.6 本書的結(jié)構(gòu)
1.7 復(fù)習(xí)題
1.8 參考書目

第2章數(shù)據(jù)準(zhǔn)備

2.1 原始數(shù)據(jù)的表述
2.2 原始數(shù)據(jù)的特性
2.3 原始數(shù)據(jù)的轉(zhuǎn)換
2.4 丟失數(shù)據(jù)
2.5 時(shí)間相關(guān)數(shù)據(jù)
2.6 異常點(diǎn)分析
2.7 復(fù)習(xí)題
2.8 參考書目

第3章數(shù)據(jù)歸約

3.1 大型數(shù)據(jù)集的維度
3.2 特征歸約
3.3 特征排列的熵度量
3.4 主成分分析
3.5 值歸約
3.6 特征離散化：ChiMerge技術(shù)
3.7 案例歸約
3.8 復(fù)習(xí)題
3.9 參考書目

第4章從數(shù)據(jù)中學(xué)習(xí)

4.1 機(jī)器學(xué)習(xí)
4.2 統(tǒng)計(jì)學(xué)習(xí)原理
4.3 學(xué)習(xí)方法的類型
4.4 常見的學(xué)習(xí)任務(wù)
4.5 模型估計(jì)
4.6 復(fù)習(xí)題
4.7 參考書目

第5章統(tǒng)計(jì)方法

5.1 統(tǒng)計(jì)推斷
5.2 評(píng)測數(shù)據(jù)集的差異
5.3 貝葉斯定理
5.4 預(yù)測回歸
5.5 方差分析
5.6 對數(shù)回歸
5.7 對數(shù)-線性模型
5.8 線性判別分析
5.9 復(fù)習(xí)題
5.10 參考書目

第6章聚類分析

6.1 聚類概念
6.2 相似度的度量
6.3 凝聚層次的聚類
6.4 分區(qū)聚類
6.5 增量聚類
6.6 復(fù)習(xí)題
6.7 參考書目

第7章決策樹和決策規(guī)則

7.1 決策樹
7.2 C4.5算法：生成一個(gè)決策樹
7.3 未知屬性值
7.4 修剪決策樹
7.5 C4.5算法：生成決策規(guī)則
7.6 決策樹和決策規(guī)則的局限性
7.7 關(guān)聯(lián)分類方法
7.8 復(fù)習(xí)題
7.9 參考書目

第8章關(guān)聯(lián)規(guī)則

8.1 購物籃分析
8.2 APRIORI算法
8.3 從頻繁項(xiàng)集得到關(guān)聯(lián)規(guī)則
8.4 提高APRIORI算法的效率
8.5 頻繁模式增長方法（FP-增長方法）
8.6 多維關(guān)聯(lián)規(guī)則挖掘
8.7 WEB挖掘
8.8 HITS和LOGSOM算法
8.9 挖掘路徑遍歷模式
8.10 文本挖掘
8.11 復(fù)習(xí)題
8.12 參考書目

第9章人式神經(jīng)網(wǎng)絡(luò)

9.1 人工神經(jīng)元的模型
9.2 人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
9.3 學(xué)習(xí)過程
9.4 學(xué)習(xí)任務(wù)
9.5 多層感知機(jī)
9.6 競爭網(wǎng)絡(luò)和競爭學(xué)習(xí)
9.7 復(fù)習(xí)題
9.8 參考書目

第10章遺傳算法

10.1 遺傳算法的基本原理
10.2 用遺傳算法進(jìn)行優(yōu)化
10.3 遺傳算法的一個(gè)簡單例證
10.4 圖式（SCHEMATA）
10.5 旅行推銷員問題
10.6 使用遺傳算法的機(jī)器學(xué)習(xí)
10.7 復(fù)習(xí)題
10.8 參考書目

第11章模糊集和模糊邏輯

11.1 模糊集
11.2 模糊集的運(yùn)算
11.3 擴(kuò)展原理和模糊關(guān)系
11.4 模糊邏輯和模糊推理系統(tǒng)
11.5 多因子評(píng)價(jià)
11.6 從數(shù)據(jù)中提取模糊模型
11.7 復(fù)習(xí)題
11.8 參考書目

第12章可視化方法

12.1 感知和可視化
12.2 科學(xué)可視化和信息可視化
12.3 平行坐標(biāo)
12.4 放射性可視化
12.5 KOHONEN自組織映射
12.6 數(shù)據(jù)挖掘的可視化系統(tǒng)
12.7 復(fù)習(xí)題
12.8 參考書目

第13章參考書目

附錄A 數(shù)據(jù)挖掘工具

附錄B 數(shù)據(jù)挖掘應(yīng)用