無監(jiān)督學(xué)習(xí)方法及其應(yīng)用

定　價：￥88.00

作　者：	謝娟英
出版社：	電子工業(yè)出版社
叢編項：
標(biāo)　簽：	計算機/網(wǎng)絡(luò) 人工智能

購買這本書可以去

ISBN：	9787121305023	出版時間：	2016-11-01	包裝：	平塑
開本：		頁數(shù)：	432	字數(shù)：

內(nèi)容簡介

　　無監(jiān)督學(xué)習(xí)是機器學(xué)習(xí)的一個重要分支，其在機器學(xué)習(xí)、數(shù)據(jù)挖掘、生物醫(yī)學(xué)大數(shù)據(jù)分析、數(shù)據(jù)科學(xué)等領(lǐng)域有著重要地位。本書闡述作者近年在無監(jiān)督學(xué)習(xí)領(lǐng)域所取得的主要研究成果，包括次勝者受罰競爭學(xué)習(xí)算法、K-means學(xué)習(xí)算法、K-medoids學(xué)習(xí)算法、密度學(xué)習(xí)算法、譜圖聚類算法；*后介紹了無監(jiān)督學(xué)習(xí)在基因選擇、疾病診斷中的應(yīng)用。

作者簡介

　　博士，副教授，碩士生導(dǎo)師，中國計算機學(xué)會高級會員。 "Health Information Science and Systems”副主編。主要研究方向為機器學(xué)習(xí)、數(shù)據(jù)挖掘、生物醫(yī)學(xué)大數(shù)據(jù)分析、智能信息處理等。

圖書目錄

目錄
第1章緒論1
　　1.1 機器學(xué)習(xí)簡介1
　　1.2 無監(jiān)督學(xué)習(xí)簡介2
第2章數(shù)據(jù)預(yù)處理與樣本相似性度量31
　　2.1 數(shù)據(jù)預(yù)處理方法31
　　2.2 樣本相似性度量方法48
第3章聚類結(jié)果評價指標(biāo)55
　　3.1 內(nèi)部評價指標(biāo)55
　　3.2 外部評價指標(biāo)72
第4章競爭學(xué)習(xí)算法87
　　4.1 傳統(tǒng)次勝者受罰競爭學(xué)習(xí)算法87
　　4.2 基于密度的次勝者受罰競爭算法95
　　4.3 改進的密度次勝者受罰競爭學(xué)習(xí)算法99
第5章 K-means學(xué)習(xí)算法108
　　5.1 傳統(tǒng)K-means聚類算法108
　　5.2 密度RPCL優(yōu)化的K-means聚類算法111
　　5.3 基于樣本分布密度的K-means聚類算法118
　　5.4 最小方差優(yōu)化初始聚類中心的K-means算法125
　　5.5 全局K-means聚類算法134
　　5.6 密度全局K-means聚類算法136
　　5.7 粗糙K-means聚類算法142
　　5.8 粒度K-means聚類算法150
第6章 K-medoids學(xué)習(xí)算法171
　　6.1 傳統(tǒng)K-medoids聚類算法171
　　6.2 快速K-medoids聚類算法173
　　6.3 鄰域K-medoids聚類算法180
　　6.4 方差優(yōu)化初始聚類中心的K-medoids算法187
　　6.5 粒度K-medoids聚類算法209
　　6.6 密度峰值優(yōu)化初始聚類中心的K-medoids聚類算法234
第7章基于密度的無監(jiān)督學(xué)習(xí)算法259
　　7.1 DBSCAN算法259
　　7.2 快速密度峰值發(fā)現(xiàn)聚類算法262
　　7.3 K近鄰優(yōu)化的快速密度峰值發(fā)現(xiàn)聚類算法265
　　7.4 模糊加權(quán)K近鄰優(yōu)化的密度峰值發(fā)現(xiàn)聚類算法286
第8章譜圖聚類算法302
　　8.1 最小生成樹聚類算法302
　　8.2 譜聚類算法306
第9章無監(jiān)督學(xué)習(xí)方法的應(yīng)用318
9.1 基于無監(jiān)督學(xué)習(xí)的基因選擇318
　　9.2 基于無監(jiān)督學(xué)習(xí)的疾病診斷338
9.3 無監(jiān)督學(xué)習(xí)在生物醫(yī)學(xué)大數(shù)據(jù)分析中的應(yīng)用展望 404