掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
宇宙、量子和人類心靈
-
>
氣候文明史
-
>
南極100天
-
>
考研數學專題練1200題
-
>
希格斯:“上帝粒子”的發明與發現
-
>
神農架疊層石:10多億年前遠古海洋微生物建造的大堡礁
-
>
聲音簡史
買過本商品的人還買了
地球科學中的大數據分析與挖掘算法手冊 版權信息
- ISBN：9787115478559
- 條形碼：9787115478559 ; 978-7-115-47855-9
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
地球科學中的大數據分析與挖掘算法手冊 本書特色
1）系統性。本書所選的算法上涵蓋了關聯、分類、聚類、模式識別與異常檢測各數據分析與挖掘各個方面，形成了系統的算法體系。 2）完整性。以算法為主線，貫穿算法介紹、數學原理、算法發展歷史、算法實現、開源代碼、大數據應用案例等。 3）落地性。本書除了算法原理闡述與分析之外，更是將算法做了實現，并精選應用案例，落到實處。 4）前沿性。除了闡述現有科研成果，并對算法進行對比，在積極吸收前人成果的基礎上，分析了算法的不足之處，與發展趨勢。
地球科學中的大數據分析與挖掘算法手冊 內容簡介
本書以數據分析與挖掘思想為主線，深入剖析關聯、分類、回歸、聚類、順序模式挖掘、深度學習以及異常檢測等算法的原理、實現、相似算法、改進思路以及地學案例，具有很強的系統性、完整性以及落地性，可以作為各行業特別是地球科學領域中希望駕馭大數據并發掘其價值的科研人員和工程人員的參考書，讀者既可以通過本書系統掌握大數據分析挖掘的思想方法，也可以將其作為算法工具書查閱。
地球科學中的大數據分析與挖掘算法手冊 目錄
目 錄
第 1章 關聯規則 001
1．1 Apriori算法 002
1．1．1 算法概要 002
1．1．2 算法原理 002
1．1．3 實例說明 004
1．1．4 算法優缺點 010
1．1．5 優化改進 010
1．1．6 大數據適應度分析 012
1．1．7 地球科學應用案例 013
1．2 FP-growth算法 015
1．2．1 算法概要 015
1．2．2 算法原理 015
1．2．3 實例說明 017
1．2．4 優化改進 019
1．2．5 大數據適應度分析 021
1．2．6 地球科學應用案例 024
參考文獻 026
第 2章 分類 027
2．1 決策樹算法 028
2．1．1 算法概要 028
2．1．2 算法原理 028
2．1．3 算法優缺點 031
2．1．4 優化改進 032
2．1．5 決策樹衍生算法 033
2．1．6 大數據適應度分析 035
2．1．7 地球科學應用案例 037
2．2 貝葉斯分類算法 038
2．2．1 算法概要 038
2．2．2 算法原理 038
2．2．3 實例說明 040
2．2．4 算法優缺點 042
2．2．5 優化改進 042
2．2．6 大數據適應度分析 045
2．2．7 地球科學應用案例 046
2．3 神經網絡分類算法 047
2．3．1 算法概要 047
2．3．2 算法原理 047
2．3．3 算法優缺點 051
2．3．4 優化改進 052
2．3．5 大數據適應度分析 053
2．3．6 地球科學應用案例 053
2．4 粗糙集分類 055
2．4．1 算法概要 055
2．4．2 算法原理 055
2．4．3 實例說明 062
2．4．4 算法優缺點 064
2．4．5 優化改進 064
2．4．6 大數據適應度分析 065
2．4．7 地球科學應用案例 066
2．5 支持向量機 066
2．5．1 算法概要 066
2．5．2 算法原理 067
2．5．3 實例說明 073
2．5．4 算法優缺點 074
2．5．5 優化改進 074
2．5．6 大數據適應度分析 076
2．5．7 地球科學應用案例 077
2．6 K-*近鄰算法 078
2．6．1 算法概要 078
2．6．2 算法原理 078
2．6．3 算法優缺點 080
2．6．4 優化改進 080
2．6．5 大數據適應度分析 082
2．6．6 地球科學應用案例 085
2．7 Bagging算法 086
2．7．1 算法概要 086
2．7．2 算法原理 087
2．7．3 實例說明 090
2．7．4 優化改進 093
2．7．5 大數據適應度分析 094
2．7．6 地球科學應用案例 095
2．8 AdaBoost算法 096
2．8．1 算法概要 096
2．8．2 算法原理 097
2．8．3 訓練過程 099
2．8．4 同類算法 100
2．8．5 大數據適應度分析 103
2．8．6 地球科學應用案例 103
參考文獻 105
第3章 回歸 115
3．1 線性回歸 116
3．1．1 算法概要 116
3．1．2 算法原理 116
3．1．3 實例說明 119
3．1．4 算法優缺點 120
3．1．5 優化改進 121
3．1．6 大數據適應度分析 123
3．1．7 地球科學應用案例 123
3．2 邏輯回歸 124
3．2．1 算法概要 124
3．2．2 算法原理 125
3．2．3 算法實現 127
3．2．4 SoftMax算法 129
3．2．5 大數據適應度分析 129
3．2．6 地球科學應用案例 130
參考文獻 131
第4章 聚類 133
4．1 K-means算法 134
4．1．1 算法概要 134
4．1．2 算法原理 134
4．1．3 實例說明 135
4．1．4 算法優缺點 138
4．1．5 優化改進 138
4．1．6 大數據適應度分析 140
4．1．7 地球科學應用案例 141
4．2 K-medoids算法 142
4．2．1 算法概要 142
4．2．2 算法原理 142
4．2．3 實例說明 144
4．2．4 算法優缺點 147
4．2．5 優化改進 148
4．2．6 大數據適應度分析 149
4．2．7 地球科學應用案例 149
4．3 層次聚類算法 151
4．3．1 算法概要 151
4．3．2 距離度量 151
4．3．3 算法流程 153
4．3．4 改進優化 154
4．3．5 大數據適應度分析 158
4．3．6 地球科學應用案例 159
4．4 基于密度的聚類算法 160
4．4．1 算法概要 160
4．4．2 算法原理 160
4．4．3 實例說明 162
4．4．4 算法優缺點 164
4．4．5 優化改進 165
4．4．6 大數據適應度分析 166
4．4．7 地球科學應用案例 167
4．5 基于網格的聚類算法 168
4．5．1 算法概要 168
4．5．2 STING 168
4．5．3 CLIQUE 170
4．5．4 優化改進 173
4．5．5 大數據適應度分析 176
4．5．6 地球科學應用案例 177
參考文獻 179
第5章 序列模式挖掘 183
5．1 GSP算法 184
5．1．1 算法概要 184
5．1．2 算法原理 184
5．1．3 實例說明 189
5．1．4 算法優缺點 191
5．1．5 GSP衍生算法 192
5．1．6 大數據適應度分析 194
5．1．7 地球科學應用案例 195
5．2 SPADE算法 196
5．2．1 算法概要 196
5．2．2 算法原理 197
5．2．3 實例說明 203
5．2．4 算法優缺點 206
5．2．5 優化改進 206
5．2．6 SPADE衍生算法 207
5．2．7 大數據適應度分析 209
5．2．8 地球科學應用案例 213
參考文獻 215
第6章 深度學習 217
6．1 深度信念網 218
6．1．1 算法概要 218
6．1．2 算法原理 219
6．1．3 優化改進 225
6．1．4 大數據適應度分析 226
6．1．5 地球科學應用案例 227
6．2 卷積神經網絡 228
6．2．1 算法概要 228
6．2．2 算法原理 228
6．2．3 實例說明 229
6．2．4 模型演化 231
6．2．5 優化改進 234
6．2．6 大數據適應度分析 235
6．2．7 地球科學應用案例 235
6．3 自動編碼器算法 237
6．3．1 算法概要 237
6．3．2 算法原理 238
6．3．3 算法實現 240
6．3．4 衍生算法 241
6．3．5 優化改進 243
6．3．6 大數據適應度分析 244
6．3．7 地球科學應用案例 245
參考文獻 245
第7章 異常檢測 249
7．1 概述 250
7．2 基于統計的異常檢測算法 251
7．2．1 算法原理 251
7．2．2 典型算法 251
7．3 基于距離的方法 252
7．3．1 算法原理 252
7．3．2 典型算法 252
7．4 基于深度的異常檢測方法 256
7．4．1 算法原理 256
7．4．2 典型算法 257
7．5 基于密度的異常檢測算法 258
7．5．1 算法原理 258
7．5．2 典型算法 258
7．6 基于偏離的異常檢測算法 262
7．6．1 算法原理 262
7．6．2 典型算法 263
7．7 基于聚類的異常檢測算法 265
7．7．1 算法原理 265
7．7．2 典型算法 265
7．8 大數據適應度分析 268
7．9 地球科學應用案例 269
參考文獻 271
附錄A 軟件、源碼及開發包 275
第 1章 關聯規則 001
1．1 Apriori算法 002
1．1．1 算法概要 002
1．1．2 算法原理 002
1．1．3 實例說明 004
1．1．4 算法優缺點 010
1．1．5 優化改進 010
1．1．6 大數據適應度分析 012
1．1．7 地球科學應用案例 013
1．2 FP-growth算法 015
1．2．1 算法概要 015
1．2．2 算法原理 015
1．2．3 實例說明 017
1．2．4 優化改進 019
1．2．5 大數據適應度分析 021
1．2．6 地球科學應用案例 024
參考文獻 026
第 2章 分類 027
2．1 決策樹算法 028
2．1．1 算法概要 028
2．1．2 算法原理 028
2．1．3 算法優缺點 031
2．1．4 優化改進 032
2．1．5 決策樹衍生算法 033
2．1．6 大數據適應度分析 035
2．1．7 地球科學應用案例 037
2．2 貝葉斯分類算法 038
2．2．1 算法概要 038
2．2．2 算法原理 038
2．2．3 實例說明 040
2．2．4 算法優缺點 042
2．2．5 優化改進 042
2．2．6 大數據適應度分析 045
2．2．7 地球科學應用案例 046
2．3 神經網絡分類算法 047
2．3．1 算法概要 047
2．3．2 算法原理 047
2．3．3 算法優缺點 051
2．3．4 優化改進 052
2．3．5 大數據適應度分析 053
2．3．6 地球科學應用案例 053
2．4 粗糙集分類 055
2．4．1 算法概要 055
2．4．2 算法原理 055
2．4．3 實例說明 062
2．4．4 算法優缺點 064
2．4．5 優化改進 064
2．4．6 大數據適應度分析 065
2．4．7 地球科學應用案例 066
2．5 支持向量機 066
2．5．1 算法概要 066
2．5．2 算法原理 067
2．5．3 實例說明 073
2．5．4 算法優缺點 074
2．5．5 優化改進 074
2．5．6 大數據適應度分析 076
2．5．7 地球科學應用案例 077
2．6 K-*近鄰算法 078
2．6．1 算法概要 078
2．6．2 算法原理 078
2．6．3 算法優缺點 080
2．6．4 優化改進 080
2．6．5 大數據適應度分析 082
2．6．6 地球科學應用案例 085
2．7 Bagging算法 086
2．7．1 算法概要 086
2．7．2 算法原理 087
2．7．3 實例說明 090
2．7．4 優化改進 093
2．7．5 大數據適應度分析 094
2．7．6 地球科學應用案例 095
2．8 AdaBoost算法 096
2．8．1 算法概要 096
2．8．2 算法原理 097
2．8．3 訓練過程 099
2．8．4 同類算法 100
2．8．5 大數據適應度分析 103
2．8．6 地球科學應用案例 103
參考文獻 105
第3章 回歸 115
3．1 線性回歸 116
3．1．1 算法概要 116
3．1．2 算法原理 116
3．1．3 實例說明 119
3．1．4 算法優缺點 120
3．1．5 優化改進 121
3．1．6 大數據適應度分析 123
3．1．7 地球科學應用案例 123
3．2 邏輯回歸 124
3．2．1 算法概要 124
3．2．2 算法原理 125
3．2．3 算法實現 127
3．2．4 SoftMax算法 129
3．2．5 大數據適應度分析 129
3．2．6 地球科學應用案例 130
參考文獻 131
第4章 聚類 133
4．1 K-means算法 134
4．1．1 算法概要 134
4．1．2 算法原理 134
4．1．3 實例說明 135
4．1．4 算法優缺點 138
4．1．5 優化改進 138
4．1．6 大數據適應度分析 140
4．1．7 地球科學應用案例 141
4．2 K-medoids算法 142
4．2．1 算法概要 142
4．2．2 算法原理 142
4．2．3 實例說明 144
4．2．4 算法優缺點 147
4．2．5 優化改進 148
4．2．6 大數據適應度分析 149
4．2．7 地球科學應用案例 149
4．3 層次聚類算法 151
4．3．1 算法概要 151
4．3．2 距離度量 151
4．3．3 算法流程 153
4．3．4 改進優化 154
4．3．5 大數據適應度分析 158
4．3．6 地球科學應用案例 159
4．4 基于密度的聚類算法 160
4．4．1 算法概要 160
4．4．2 算法原理 160
4．4．3 實例說明 162
4．4．4 算法優缺點 164
4．4．5 優化改進 165
4．4．6 大數據適應度分析 166
4．4．7 地球科學應用案例 167
4．5 基于網格的聚類算法 168
4．5．1 算法概要 168
4．5．2 STING 168
4．5．3 CLIQUE 170
4．5．4 優化改進 173
4．5．5 大數據適應度分析 176
4．5．6 地球科學應用案例 177
參考文獻 179
第5章 序列模式挖掘 183
5．1 GSP算法 184
5．1．1 算法概要 184
5．1．2 算法原理 184
5．1．3 實例說明 189
5．1．4 算法優缺點 191
5．1．5 GSP衍生算法 192
5．1．6 大數據適應度分析 194
5．1．7 地球科學應用案例 195
5．2 SPADE算法 196
5．2．1 算法概要 196
5．2．2 算法原理 197
5．2．3 實例說明 203
5．2．4 算法優缺點 206
5．2．5 優化改進 206
5．2．6 SPADE衍生算法 207
5．2．7 大數據適應度分析 209
5．2．8 地球科學應用案例 213
參考文獻 215
第6章 深度學習 217
6．1 深度信念網 218
6．1．1 算法概要 218
6．1．2 算法原理 219
6．1．3 優化改進 225
6．1．4 大數據適應度分析 226
6．1．5 地球科學應用案例 227
6．2 卷積神經網絡 228
6．2．1 算法概要 228
6．2．2 算法原理 228
6．2．3 實例說明 229
6．2．4 模型演化 231
6．2．5 優化改進 234
6．2．6 大數據適應度分析 235
6．2．7 地球科學應用案例 235
6．3 自動編碼器算法 237
6．3．1 算法概要 237
6．3．2 算法原理 238
6．3．3 算法實現 240
6．3．4 衍生算法 241
6．3．5 優化改進 243
6．3．6 大數據適應度分析 244
6．3．7 地球科學應用案例 245
參考文獻 245
第7章 異常檢測 249
7．1 概述 250
7．2 基于統計的異常檢測算法 251
7．2．1 算法原理 251
7．2．2 典型算法 251
7．3 基于距離的方法 252
7．3．1 算法原理 252
7．3．2 典型算法 252
7．4 基于深度的異常檢測方法 256
7．4．1 算法原理 256
7．4．2 典型算法 257
7．5 基于密度的異常檢測算法 258
7．5．1 算法原理 258
7．5．2 典型算法 258
7．6 基于偏離的異常檢測算法 262
7．6．1 算法原理 262
7．6．2 典型算法 263
7．7 基于聚類的異常檢測算法 265
7．7．1 算法原理 265
7．7．2 典型算法 265
7．8 大數據適應度分析 268
7．9 地球科學應用案例 269
參考文獻 271
附錄A 軟件、源碼及開發包 275
展開全部
地球科學中的大數據分析與挖掘算法手冊 作者簡介
對地觀測和數字地球科學中心數據技術部主任。主要研究方向為高性能地學計算、網絡化數據工程，承研項目40多項,在研項目6項，發表論文70多篇。IEEE和中國計算機學會的高級會員，中國計算機學會高性能計算專業委員會理事和中國軟件協會數學軟件分會理事。長期參與相關國際組織的工作，曾任國際對地觀測衛星委員會（CEOS）網格任務組主席和應用工作組副主席、現任國際數據系統（WDS）科學委員會委員、國際科學數據委員會（CODATA）“災害數據開放和互聯”工作組主席，同時擔任國際科聯（ICSU）中國專家委員會、國際災害風險集成研究計劃（IRDR）中國專家委員會、國家綜合地球觀測組織（GEO）中國專家委員會的主要成員。
書友推薦
- >
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)
- >
李白與唐代文化
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
史學評論
- >
苦雨齋序跋文-周作人自編集
- >
煙與鏡
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
自卑與超越
本類暢銷
