掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
闖進數(shù)學世界――探秘歷史名題
-
>
中醫(yī)基礎(chǔ)理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫(yī)內(nèi)科學·全國中醫(yī)藥行業(yè)高等教育“十四五”規(guī)劃教材
大數(shù)據(jù)挖掘與應(yīng)用 版權(quán)信息
- ISBN：9787302460435
- 條形碼：9787302460435 ; 978-7-302-46043-5
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
大數(shù)據(jù)挖掘與應(yīng)用 本書特色
本書對大數(shù)據(jù)挖掘與應(yīng)用的基本算法進行了系統(tǒng)的介紹，每種算法不僅包括對算法基本原理的介紹，而且配有大量的例題以及基于阿里云數(shù)加平臺的演示，這種理論與實踐相結(jié)合的方式極大地方便了讀者對抽象的數(shù)據(jù)挖掘算法的理解和掌握。 本書共17章，內(nèi)容覆蓋了數(shù)據(jù)預(yù)處理、關(guān)聯(lián)規(guī)則挖掘算法、分類算法和聚類算法及常見的數(shù)據(jù)挖掘應(yīng)用，具體章節(jié)包括大數(shù)據(jù)簡介、數(shù)據(jù)預(yù)處理技術(shù)、關(guān)聯(lián)規(guī)則挖掘、邏輯回歸方法、KNN算法、樸素貝葉斯分類算法、*森林分類算法、支持向量機、人工神經(jīng)網(wǎng)絡(luò)算法、決策樹分類算法、Kmeans聚類算法、K中心點聚類算法、自組織神經(jīng)網(wǎng)絡(luò)聚類算法、DBSCAN聚類算法以及社交網(wǎng)絡(luò)分析方法及應(yīng)用、文本分析方法及應(yīng)用和推薦系統(tǒng)方法及應(yīng)用等內(nèi)容。 本書可作為高等院校數(shù)據(jù)挖掘課程的教材，也可作為從事數(shù)據(jù)挖掘工作及其他相關(guān)工程技術(shù)工作的人員的參考書。
大數(shù)據(jù)挖掘與應(yīng)用 內(nèi)容簡介
（1）教育部-阿里云產(chǎn)學合作專業(yè)綜合改革項目規(guī)劃教材（2）對大數(shù)據(jù)挖掘與應(yīng)用的基本算法進行了系統(tǒng)的介紹。（3）每種算法不僅包括對算法基本原理的介紹，而且配有大量例題以及基于阿里云數(shù)加平臺的演示。（4） 理論與實踐相結(jié)合的方式極大地方便了讀者對抽象的數(shù)據(jù)挖掘算法的理解和掌握。（5）內(nèi)容覆蓋了數(shù)據(jù)預(yù)處理、關(guān)聯(lián)規(guī)則挖掘算法、分類算法和聚類算法以及常見的數(shù)據(jù)挖掘應(yīng)用。
大數(shù)據(jù)挖掘與應(yīng)用 目錄
目錄
**篇基礎(chǔ)篇
第1章大數(shù)據(jù)簡介
1.1大數(shù)據(jù)
1.1.1大數(shù)據(jù)的定義
1.1.2大數(shù)據(jù)的特點
1.1.3大數(shù)據(jù)處理的挑戰(zhàn)
1.2大數(shù)據(jù)挖掘
1.2.1大數(shù)據(jù)挖掘的定義
1.2.2大數(shù)據(jù)挖掘的特點
1.3大數(shù)據(jù)挖掘的相關(guān)方法
1.3.1數(shù)據(jù)預(yù)處理技術(shù)
1.3.2關(guān)聯(lián)規(guī)則挖掘
1.3.3分類
1.3.4聚類
1.3.5孤立點挖掘
1.3.6演變分析
1.3.7特異群組分析
1.4大數(shù)據(jù)挖掘類型
1.4.1Web數(shù)據(jù)挖掘
1.4.2空間數(shù)據(jù)挖掘
1.4.3流數(shù)據(jù)挖掘
1.5大數(shù)據(jù)挖掘的常見應(yīng)用
1.5.1社交網(wǎng)絡(luò)分析
1.5.2文本分析
1.5.3推薦系統(tǒng)
1.6常用的大數(shù)據(jù)統(tǒng)計分析方法
1.6.1百分位
1.6.2皮爾森相關(guān)系數(shù)
1.6.3直方圖
1.6.4T檢驗
1.6.5卡方檢驗
1.7常用的大數(shù)據(jù)挖掘評估方法
1.8大數(shù)據(jù)平臺相關(guān)技術(shù)
1.8.1分布式存儲技術(shù)
1.8.2分布式任務(wù)調(diào)度技術(shù)
1.8.3并行計算技術(shù)
1.8.4其他技術(shù)
1.9大數(shù)據(jù)平臺實例——阿里云數(shù)加平臺
1.9.1數(shù)加平臺簡介
1.9.2數(shù)加平臺產(chǎn)品簡介
1.9.3數(shù)加平臺優(yōu)勢特色
1.9.4機器學習平臺簡介
1.9.5機器學習平臺功能
1.9.6機器學習平臺操作流程
1.10小結(jié)
思考題
第二篇技術(shù)篇
第2章數(shù)據(jù)預(yù)處理技術(shù)
2.1數(shù)據(jù)預(yù)處理的目的
2.2數(shù)據(jù)采樣
2.2.1加權(quán)采樣
2.2.2隨機采樣
2.2.3分層采樣
2.3數(shù)據(jù)清理
2.3.1填充缺失值
2.3.2光滑噪聲數(shù)據(jù)
2.3.3數(shù)據(jù)清理過程
2.4數(shù)據(jù)集成
2.4.1數(shù)據(jù)集成簡介
2.4.2常用數(shù)據(jù)集成方法
2.5數(shù)據(jù)變換
2.5.1數(shù)據(jù)變換簡介
2.5.2數(shù)據(jù)規(guī)范化
2.6數(shù)據(jù)歸約
2.6.1數(shù)據(jù)立方體聚集
2.6.2維歸約
2.6.3數(shù)據(jù)壓縮
2.6.4數(shù)值歸約
2.6.5數(shù)據(jù)離散化與概念分層
2.7特征選擇
2.7.1特征選擇簡介
2.7.2Relief算法
2.7.3Fisher判別法
2.7.4基于GBDT的過濾式特征選擇
2.8特征提取
2.8.1特征提取簡介
2.8.2DKLT特征提取方法
2.8.3主成分分析法
2.9基于阿里云數(shù)加平臺的數(shù)據(jù)采樣與特征選擇實例
2.10小結(jié)
思考題
第3章關(guān)聯(lián)規(guī)則挖掘
3.1基本概念
3.2關(guān)聯(lián)規(guī)則挖掘算法——Apriori算法原理
3.2.1Apriori算法原理解析
3.2.2Apriori算法應(yīng)用舉例
3.3Apriori算法源代碼結(jié)果分析
3.4Apriori算法的特點及應(yīng)用
3.4.1Apriori算法的特點
3.4.2Apriori算法的應(yīng)用
3.5小結(jié)
思考題
第4章邏輯回歸方法
4.1基本概念
4.1.1回歸概述
4.1.2線性回歸簡介
4.2邏輯回歸
4.2.1二分類邏輯回歸
4.2.2多分類邏輯回歸
4.2.3邏輯回歸應(yīng)用舉例
4.2.4邏輯回歸方法的特點
4.2.5邏輯回歸方法的應(yīng)用
4.3邏輯回歸源代碼結(jié)果分析
4.3.1線性回歸
4.3.2多分類邏輯回歸
4.4基于阿里云數(shù)加平臺的邏輯回歸實例
4.4.1二分類邏輯回歸應(yīng)用實例
4.4.2多分類邏輯回歸應(yīng)用實例
4.5小結(jié)
思考題
第5章KNN算法
5.1KNN算法簡介
5.1.1KNN算法原理
5.1.2KNN算法應(yīng)用舉例
5.2KNN算法的特點及改進
5.2.1KNN算法的特點
5.2.2KNN算法的改進策略
5.3KNN源代碼結(jié)果分析
5.4基于阿里云數(shù)加平臺的KNN算法應(yīng)用實例
5.5小結(jié)
思考題
第6章樸素貝葉斯分類算法
6.1基本概念
6.1.1主觀概率
6.1.2貝葉斯定理
6.1.3樸素貝葉斯分類模型
6.1.4樸素貝葉斯分類器實例分析
6.2樸素貝葉斯算法的特點及應(yīng)用
6.2.1樸素貝葉斯算法的特點
6.2.2樸素貝葉斯算法的應(yīng)用場景
6.3樸素貝葉斯源代碼結(jié)果分析
6.4基于阿里云數(shù)加平臺的樸素貝葉斯實例
6.5小結(jié)
思考題
第7章隨機森林分類算法
7.1隨機森林算法簡介
7.1.1隨機森林算法原理
7.1.2隨機森林算法應(yīng)用舉例
7.2隨機森林算法的特點及應(yīng)用
7.2.1隨機森林算法的特點
7.2.2隨機森林算法的應(yīng)用
7.3隨機森林算法源程序結(jié)果分析
7.4基于阿里云數(shù)加平臺的隨機森林分類實例
7.5小結(jié)
思考題
第8章支持向量機
8.1基本概念
8.1.1支持向量機理論基礎(chǔ)
8.1.2統(tǒng)計學習核心理論
8.1.3學習過程的一致性條件
8.1.4函數(shù)集的VC維
8.1.5泛化誤差界
8.1.6結(jié)構(gòu)風險*小化歸納原理
8.2支持向量機原理
8.2.1支持向量機核心理論
8.2.2*大間隔分類超平面
8.2.3支持向量機
8.2.4核函數(shù)分類
8.3支持向量機的特點及應(yīng)用
8.3.1支持向量機的特點
8.3.2支持向量機的應(yīng)用
8.4支持向量機分類實例分析
8.5基于阿里云數(shù)加平臺的支持向量機分類實例
8.6小結(jié)
思考題
第9章人工神經(jīng)網(wǎng)絡(luò)算法
9.1基本概念
9.1.1生物神經(jīng)元模型
9.1.2人工神經(jīng)元模型
9.1.3主要的神經(jīng)網(wǎng)絡(luò)模型
9.2BP算法的原理
9.2.1Delta學習規(guī)則的基本原理
9.2.2BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
9.2.3BP神經(jīng)網(wǎng)絡(luò)的算法描述
9.2.4標準BP神經(jīng)網(wǎng)絡(luò)的工作過程
9.3BP神經(jīng)網(wǎng)絡(luò)實例分析
9.4BP神經(jīng)網(wǎng)絡(luò)的特點及應(yīng)用
9.4.1BP神經(jīng)網(wǎng)絡(luò)的特點
9.4.2BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用
9.5BP神經(jīng)網(wǎng)絡(luò)算法源代碼結(jié)果分析
9.6小結(jié)
思考題
第10章決策樹分類算法
10.1基本概念
10.1.1決策樹分類算法簡介
10.1.2決策樹基本算法概述
10.2決策樹分類算法——ID3算法原理
10.2.1ID3算法原理
10.2.2熵和信息增益
10.2.3ID3算法
10.3ID3算法實例分析
10.4ID3算法的特點及應(yīng)用
10.4.1ID3算法的特點
10.4.2ID3算法的應(yīng)用
10.5ID3算法源程序結(jié)果分析
10.6決策樹分類算法——C4.5算法原理
10.6.1C4.5算法
10.6.2C4.5算法的偽代碼
10.7C4.5算法實例分析
10.8C4.5算法的特點及應(yīng)用
10.8.1C4.5算法的特點
10.8.2C4.5算法的應(yīng)用
10.9C4.5源程序結(jié)果分析
10.10小結(jié)
思考題
第11章Kmeans聚類算法
11.1Kmeans聚類算法原理
11.1.1Kmeans聚類算法原理解析
11.1.2Kmeans聚類算法應(yīng)用舉例
11.2Kmeans聚類算法的特點及應(yīng)用
11.2.1Kmeans聚類算法的特點
11.2.2Kmeans聚類算法的應(yīng)用
11.3K均值聚類算法源程序結(jié)果分析
11.4基于阿里云數(shù)加平臺的K均值聚類算法實例
11.5基于MaxCompute Graph模型的Kmeans算法源程序分析
11.6小結(jié)
思考題
第12章K中心點聚類算法
12.1K中心點聚類算法原理
12.1.1K中心點聚類算法原理解析
12.1.2K中心點聚類算法實例分析
12.2K中心點聚類算法的特點及應(yīng)用
12.2.1K中心點聚類算法的特點
12.2.2K中心點聚類算法的應(yīng)用
12.3K中心點算法源程序結(jié)果分析
12.4小結(jié)
思考題
第13章自組織神經(jīng)網(wǎng)絡(luò)聚類算法
13.1SOM網(wǎng)絡(luò)簡介
13.2競爭學習算法基礎(chǔ)
13.2.1SOM網(wǎng)絡(luò)結(jié)構(gòu)
13.2.2SOM網(wǎng)絡(luò)概述
13.3SOM網(wǎng)絡(luò)原理
13.3.1SOM網(wǎng)絡(luò)的拓撲結(jié)構(gòu)
13.3.2SOM權(quán)值調(diào)整域
13.3.3SOM網(wǎng)絡(luò)運行原理
13.3.4SOM網(wǎng)絡(luò)學習方法
13.4SOM網(wǎng)絡(luò)應(yīng)用舉例
13.4.1問題描述
13.4.2網(wǎng)絡(luò)設(shè)計及學習結(jié)果
13.4.3輸出結(jié)果分析
13.5SOM網(wǎng)絡(luò)的特點及應(yīng)用
13.5.1SOM網(wǎng)絡(luò)的特點
13.5.2SOM網(wǎng)絡(luò)的應(yīng)用
13.6SOM神經(jīng)網(wǎng)絡(luò)源程序結(jié)果分析
13.7小結(jié)
思考題
第14章DBSCAN聚類算法
14.1DBSCAN算法的原理
14.1.1DBSCAN算法原理解析
14.1.2DBSCAN算法應(yīng)用舉例
14.2DBSCAN算法的特點與應(yīng)用
14.2.1DBSCAN算法的特點
14.2.2DBSCAN算法的應(yīng)用
14.3DBSCAN源程序結(jié)果分析
14.4小結(jié)
思考題
第三篇綜合應(yīng)用篇
第15章社交網(wǎng)絡(luò)分析方法及應(yīng)用
15.1社交網(wǎng)絡(luò)簡介
15.2K核方法
15.2.1K核方法原理
15.2.2基于阿里云數(shù)加平臺的K核方法實例
15.3單源*短路徑方法
15.3.1單源*短路徑方法原理
15.3.2基于阿里云數(shù)加平臺的單源*短路徑方法實例
15.4PageRank算法
15.4.1PageRank算法原理
15.4.2PageRank算法的特點及應(yīng)用
15.4.3基于阿里云數(shù)加平臺的PageRank算法實例
15.5標簽傳播算法
15.5.1標簽傳播算法原理
15.5.2基于阿里云數(shù)加平臺的標簽傳播聚類應(yīng)用實例
15.6*大聯(lián)通子圖算法
15.7聚類系數(shù)算法
15.7.1聚類系數(shù)算法原理
15.7.2基于阿里云數(shù)加平臺的聚類系數(shù)算法應(yīng)用實例
15.8基于阿里云數(shù)加平臺的社交網(wǎng)絡(luò)分析實例
15.9小結(jié)
思考題
第16章文本分析方法及應(yīng)用
16.1文本分析簡介
16.2TFIDF方法
16.3中文分詞方法
16.3.1基于字典或詞庫匹配的分詞方法
16.3.2基于詞的頻度統(tǒng)計的分詞方法
16.3.3其他中文分詞方法
16.4PLDA方法
16.4.1主題模型
16.4.2PLDA方法原理
16.5Word2Vec基本原理
16.5.1詞向量的表示方式
16.5.2統(tǒng)計語言模型
16.5.3霍夫曼編碼
16.5.4Word2Vec原理簡介
16.6基于阿里云數(shù)加平臺的文本分析實例
16.7小結(jié)
思考題
第17章推薦系統(tǒng)方法及應(yīng)用
17.1推薦系統(tǒng)簡介
17.2基于內(nèi)容的推薦算法
17.2.1基于內(nèi)容的推薦算法原理
17.2.2基于內(nèi)容的推薦算法的特點
17.3協(xié)同過濾推薦算法
17.3.1協(xié)同過濾推薦算法簡介
17.3.2協(xié)同過濾推薦算法的特點
17.4混合推薦算法
17.5基于阿里云數(shù)加平臺的推薦算法實例
17.6小結(jié)
思考題
參考文獻367
展開全部
書友推薦
- >
史學評論
- >
莉莉和章魚
- >
上帝之肋:男人的真實旅程
- >
伯納黛特,你要去哪(2021新版)
- >
二體千字文
- >
伊索寓言-世界文學名著典藏-全譯本
- >
龍榆生：詞曲概論/大家小書
- >
大紅狗在馬戲團-大紅狗克里弗-助人
本類暢銷
