掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
數據挖掘理論.方法與應用 版權信息
- ISBN：9787121246333
- 條形碼：9787121246333 ; 978-7-121-24633-3
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
數據挖掘理論.方法與應用 本書特色
本書共分10章。第1章介紹了數據挖掘方法的歷史，另外討論了統計學習的一般模型。第2、3、4章介紹了三種數據挖掘模型：人工神經網絡、支持向量機和隱馬爾可夫模型。第5章介紹了一種新型支持向量誘導回歸模型，第6章介紹了一種基于快速訓練算法的hmm/svm混合系統，第7章介紹了分解向前算法及pca/ica降維svm模型，第8章介紹了不對稱支持向量機改進算法，第9章介紹了一種基于隱馬爾可夫模型的多重序列分析方法，第10章介紹了一類基于svm/rbf的氣象模型預測系統。
數據挖掘理論.方法與應用 內容簡介
本書是站在數據挖掘的獨特角度對神經網絡、支持向量機和隱馬爾可夫理論這三個重要的理論與方法進行重新剖析，并進行方法論基礎上的應用，通過講故事似的生動而系統地闡述數據挖掘的本質，來引領讀者對數據挖掘的深入理解和應用。
數據挖掘理論.方法與應用 目錄
第1章 緒論 1
1.1 研究背景 2
1.2 數據挖掘的基本數學問題 5
1.2.1 相關概念 5
1.2.2 統計學習的一般模型 10
1.3 數據的變換 11
參考文獻 13
第2章 神經網絡挖掘理論 19
2.1 神經智能 19
2.2 生物神經元和人工神經元 21
2.2.1 生物神經元 21
2.2.2 人工神經元 23
2.2.3 建立數學模型 24
2.2.4 單層與多層網絡結構 27
2.2.5 網絡學習方式 32
2.2.6 經典學習規則 34
2.3 lms和sda方法 35
2.3.1 平均平方誤差函數 36
2.3.2 lms和sda算法 39
2.4 后向傳播算法 43
2.4.1 概況 43
2.4.2 多層網絡bp算法 44
參考文獻 50
第3章 基于支持向量的挖掘理論 52
3.1 支持向量與分類超平面 52
3.1.1 一維情形 52
3.1.2 二維情形 54
3.1.3 三維情形 56
3.1.4 n維情形（ ） 57
3.1.5 核函數（內積回旋）思想 58
3.1.6 核函數定義 63
3.2 風險控制策略 65
3.2.1 vc維概念 65
3.2.2 經驗風險*小化原則 66
3.2.3 結構風險*小化原則 67
3.3 樣本被錯分的討論 68
3.3.1 *大間隔分類超平面 68
3.3.2 數據被錯分的條件 70
3.4 *優化策略 71
3.5 分類與回歸 74
3.5.1 分類算法 74
3.5.2 回歸算法 78
3.5.3 解的全局*優討論 80
3.6 幾種經典算法描述 82
3.6.1 分解算法 82
3.6.2 分塊算法 83
3.6.3 序貫*小化算法 84
3.6.4 核函數構造算法 85
參考文獻 85
第4章 隱馬爾可夫挖掘理論 87
4.1 馬爾可夫思想 87
4.2 隱馬爾可夫鏈 90
4.3 隱馬爾可夫模型 94
4.3.1 隱馬爾可夫模型定義 94
4.3.2 三個基本算法 95
參考文獻 102
第5章 新型支持向量誘導回歸模型及應用 104
5.1 新型支持向量誘導回歸模型 104
5.1.1 不敏感損失函數 104
5.1.2 系統模型 106
5.2 時間序列分析的相空間重構 108
5.2.1 相空間重構 108
5.2.2 性能評價指標 109
5.2.3 重構模式的近似算法 110
5.3 預測置信度估計 110
5.4 實驗結果 111
5.4.1 參數的確定 111
5.4.2 預測指數分析 112
5.4.3 預測結果 113
5.4.4 svm和傳統神經網絡的比較 115
5.4.5 討論 116
參考文獻 117
第6章 基于快速訓練算法的hmm/svm混合系統 118
6.1 l值定義 118
6.2 快速訓練算法和hmm/svm混合過濾模型 119
6.2.1 基于hmm的快速訓練算法 119
6.2.2 hmm/svm的雙層混合系統模型 120
6.3 實驗結果 121
6.3.1 數據的獲取及序列的編碼 122
6.3.2 dna的兩類和多類分類識別 123
6.3.3 討論 126
參考文獻 127
第7章 分解向前算法及pca/ica降維svm模型 129
7.1 主成分分析（pca）的數學模型 129
7.2 獨立成分分析（ica）的數學模型 131
7.3 分解向前支持向量機 133
7.3.1 三個距離區域 133
7.3.2 分解向前算法 134
7.3.3 dfsvm算法復雜度分析 136
7.3.4 pca-dfsvm及ica-dfsvm降維模型 137
7.4 實驗結果 138
7.4.1 scop數據庫 138
7.4.2 實驗1 138
7.4.3 實驗2 139
7.4.4 各項實驗指標比較 140
7.4.5 討論 141
參考文獻 141
第8章 不對稱支持向量機改進算法及應用 143
8.1 不對稱支持向量機 143
8.1.1 樣本的不對稱性 143
8.1.2 不對稱支持向量機算法 143
8.1.3 不對稱svm分類迭代模型 146
8.2 幾種多分類問題的算法復雜度估計 146
8.3 實驗結果 149
8.3.1 實驗1 150
8.3.2 實驗2 151
8.3.3 misvm和標準svm實驗指標比較 153
參考文獻 155
第9章 基于隱馬爾可夫模型的多重序列分析 156
9.1 研究背景 156
9.2 多重序列比對 157
9.2.1 多重序列比對的描述 157
9.2.2 特征序列 158
9.3 隱馬爾可夫模型的序列描述 158
9.4 建立多重序列隱馬爾可夫輪廓圖 160
9.5 實驗結果和討論 161
9.5.1 pfam數據庫簡介 161
9.5.2 建立隱馬爾可夫模型 162
9.5.3 檢驗hmms模型 162
9.5.4 用hmms進行蛋白質家族的模式分類 163
9.6 關于模型的局限性討論 164
參考文獻 165
第10章 一類基于svm/rbf的氣象模型預測系統 167
10.1 支持向量機回歸模型 167
10.1.1 回歸支持向量機 167
10.1.2 模型中幾個重要參數分析 168
10.2 溫度序列數據分析 169
10.3 決策函數的確定 170
10.4 預測結果分析 171
10.5 結論 173
參考文獻 173
1.1 研究背景 2
1.2 數據挖掘的基本數學問題 5
1.2.1 相關概念 5
1.2.2 統計學習的一般模型 10
1.3 數據的變換 11
參考文獻 13
第2章 神經網絡挖掘理論 19
2.1 神經智能 19
2.2 生物神經元和人工神經元 21
2.2.1 生物神經元 21
2.2.2 人工神經元 23
2.2.3 建立數學模型 24
2.2.4 單層與多層網絡結構 27
2.2.5 網絡學習方式 32
2.2.6 經典學習規則 34
2.3 lms和sda方法 35
2.3.1 平均平方誤差函數 36
2.3.2 lms和sda算法 39
2.4 后向傳播算法 43
2.4.1 概況 43
2.4.2 多層網絡bp算法 44
參考文獻 50
第3章 基于支持向量的挖掘理論 52
3.1 支持向量與分類超平面 52
3.1.1 一維情形 52
3.1.2 二維情形 54
3.1.3 三維情形 56
3.1.4 n維情形（ ） 57
3.1.5 核函數（內積回旋）思想 58
3.1.6 核函數定義 63
3.2 風險控制策略 65
3.2.1 vc維概念 65
3.2.2 經驗風險*小化原則 66
3.2.3 結構風險*小化原則 67
3.3 樣本被錯分的討論 68
3.3.1 *大間隔分類超平面 68
3.3.2 數據被錯分的條件 70
3.4 *優化策略 71
3.5 分類與回歸 74
3.5.1 分類算法 74
3.5.2 回歸算法 78
3.5.3 解的全局*優討論 80
3.6 幾種經典算法描述 82
3.6.1 分解算法 82
3.6.2 分塊算法 83
3.6.3 序貫*小化算法 84
3.6.4 核函數構造算法 85
參考文獻 85
第4章 隱馬爾可夫挖掘理論 87
4.1 馬爾可夫思想 87
4.2 隱馬爾可夫鏈 90
4.3 隱馬爾可夫模型 94
4.3.1 隱馬爾可夫模型定義 94
4.3.2 三個基本算法 95
參考文獻 102
第5章 新型支持向量誘導回歸模型及應用 104
5.1 新型支持向量誘導回歸模型 104
5.1.1 不敏感損失函數 104
5.1.2 系統模型 106
5.2 時間序列分析的相空間重構 108
5.2.1 相空間重構 108
5.2.2 性能評價指標 109
5.2.3 重構模式的近似算法 110
5.3 預測置信度估計 110
5.4 實驗結果 111
5.4.1 參數的確定 111
5.4.2 預測指數分析 112
5.4.3 預測結果 113
5.4.4 svm和傳統神經網絡的比較 115
5.4.5 討論 116
參考文獻 117
第6章 基于快速訓練算法的hmm/svm混合系統 118
6.1 l值定義 118
6.2 快速訓練算法和hmm/svm混合過濾模型 119
6.2.1 基于hmm的快速訓練算法 119
6.2.2 hmm/svm的雙層混合系統模型 120
6.3 實驗結果 121
6.3.1 數據的獲取及序列的編碼 122
6.3.2 dna的兩類和多類分類識別 123
6.3.3 討論 126
參考文獻 127
第7章 分解向前算法及pca/ica降維svm模型 129
7.1 主成分分析（pca）的數學模型 129
7.2 獨立成分分析（ica）的數學模型 131
7.3 分解向前支持向量機 133
7.3.1 三個距離區域 133
7.3.2 分解向前算法 134
7.3.3 dfsvm算法復雜度分析 136
7.3.4 pca-dfsvm及ica-dfsvm降維模型 137
7.4 實驗結果 138
7.4.1 scop數據庫 138
7.4.2 實驗1 138
7.4.3 實驗2 139
7.4.4 各項實驗指標比較 140
7.4.5 討論 141
參考文獻 141
第8章 不對稱支持向量機改進算法及應用 143
8.1 不對稱支持向量機 143
8.1.1 樣本的不對稱性 143
8.1.2 不對稱支持向量機算法 143
8.1.3 不對稱svm分類迭代模型 146
8.2 幾種多分類問題的算法復雜度估計 146
8.3 實驗結果 149
8.3.1 實驗1 150
8.3.2 實驗2 151
8.3.3 misvm和標準svm實驗指標比較 153
參考文獻 155
第9章 基于隱馬爾可夫模型的多重序列分析 156
9.1 研究背景 156
9.2 多重序列比對 157
9.2.1 多重序列比對的描述 157
9.2.2 特征序列 158
9.3 隱馬爾可夫模型的序列描述 158
9.4 建立多重序列隱馬爾可夫輪廓圖 160
9.5 實驗結果和討論 161
9.5.1 pfam數據庫簡介 161
9.5.2 建立隱馬爾可夫模型 162
9.5.3 檢驗hmms模型 162
9.5.4 用hmms進行蛋白質家族的模式分類 163
9.6 關于模型的局限性討論 164
參考文獻 165
第10章 一類基于svm/rbf的氣象模型預測系統 167
10.1 支持向量機回歸模型 167
10.1.1 回歸支持向量機 167
10.1.2 模型中幾個重要參數分析 168
10.2 溫度序列數據分析 169
10.3 決策函數的確定 170
10.4 預測結果分析 171
10.5 結論 173
參考文獻 173
展開全部
書友推薦
- >
上帝之肋:男人的真實旅程
- >
詩經-先民的歌唱
- >
小考拉的故事-套裝共3冊
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
伯納黛特,你要去哪(2021新版)
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
煙與鏡
- >
【精裝繪本】畫給孩子的中國神話
本類暢銷
