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
大數據時代的數據挖掘/國之重器出版工程 版權信息
- ISBN：9787115492395
- 條形碼：9787115492395 ; 978-7-115-49239-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
大數據時代的數據挖掘/國之重器出版工程 本書特色
（1）內容全面，覆蓋當前數據挖掘的主要應用。在介紹每個應用案例時，詳細闡述應用的背景，該領域中數據的來源和特點，數據采集與預處理方式，應用領域中數據挖掘的任務和實施數據挖掘技術的難點。同時提供相應的數據挖掘算法分析、工具設計以及系統實現。（2）條理清晰、便于理解。一方面，面向熱愛和關心數據挖掘技術的學術界和工業界讀者，幫助他們更好地理解研究的目的和應用的基礎；另一方面，讓沒有太多相關技術背景的讀者可以通過閱讀本書能夠了解數據挖掘的意義和價值，可以看出數據挖掘是如何被廣泛地應用于實際案例并成為解決各種問題的核心工具。
大數據時代的數據挖掘/國之重器出版工程 內容簡介
本書以當前熱點的數據挖掘應用貫穿全書，通過詳解大數據挖掘技術在系統日志、工作票、可持續性研究、推薦系統、智能問答系統、社交媒體、生物信息學與健康醫療、隱私保護等方面的實際應用案例，闡述了如何更好地應用和學習數據挖掘技術。本書融入了數據挖掘前沿技術和典型應用，不僅適合熱愛和關心數據挖掘技術的學術界和工業界人士閱讀，還適合作為各大高校的數據挖掘和機器學習課堂的實踐教材和參考書籍。本書有助于讀者更好地理解數據挖掘技術背后的根源和本質。
大數據時代的數據挖掘/國之重器出版工程 目錄
目 錄
第1章 數據挖掘簡介 1
1．1 大數據時代的數據挖掘 2
1．1．1 大數據的特點“4V+4V” 3
1．1．2 數據挖掘 5
1．1．3 從數據挖掘應用的角度看大數據 7
1．2 數據挖掘技術的發展歷史 8
1．3 十大數據挖掘算法簡介 10
1．4 數據挖掘平臺：FIU-Miner 21
1．4．1 FIU-Miner平臺簡介 22
1．4．2 FIU-Miner系統架構 22
1．4．3 FIU-Miner應用實例 23
參考文獻 28
第2章 系統日志和事件的挖掘 31
2．1 數據驅動的網絡運維 32
2．1．1 網絡運維1．0階段：簡單數據處理 33
2．1．2 網絡運維2．0階段：分布式大數據處理框架 34
2．1．3 網絡運維3．0階段：網絡運維平臺套件 34
2．1．4 網絡運維4．0階段：智能化網絡運維 35
2．2 系統日志分析的目的 35
2．2．1 系統問題診斷 36
2．2．2 調試與優化 37
2．2．3 系統安全維護 37
2．3 日志數據分析管理系統的架構 38
2．3．1 日志數據的收集和預處理 39
2．3．2 歷史日志數據存儲 39
2．3．3 日志事件數據的分析以及對分析結果的展示和使用 39
2．4 系統日志的數據形式 40
2．4．1 無結構的日志數據 40
2．4．2 結構化與半結構化的日志數據 41
2．4．3 非結構化數據的轉換 43
2．5 基于日志數據的異常檢測 44
2．5．1 基于監督學習的異常檢測 44
2．5．2 基于無監督學習的異常檢測 48
2．6 系統故障根源跟蹤 52
2．6．1 日志事件的依賴性挖掘 54
2．6．2 基于依賴關系的系統故障追蹤 65
2．7 日志事件總結 65
2．7．1 事件總結算法基本要求及相關工作 66
2．7．2 基于事件發生頻率變遷描述的事件總結 67
2．7．3 基于馬爾可夫模型描述的事件總結 67
2．7．4 基于事件關系網絡描述的事件總結 68
參考文獻 69
第3章 工作票數據挖掘 75
3．1 工作票簡介 76
3．2 工作票產生機制和亟待解決的問題 77
3．3 研究現狀 79
3．3．1 工作票分類 80
3．3．2 工作票推薦 82
3．3．3 整體解決方案和工具 84
3．4 工作票漏報和誤報檢測 84
3．4．1 漏報和誤報 84
3．4．2 基于規則的誤報識別方法 86
3．4．3 半監督的工作票漏報發現方法 89
3．4．4 評價 92
3．5 層次多標簽工作票分類 96
3．5．1 問題描述 98
3．5．2 層次損失函數和期望損失*小化 98
3．5．3 算法和解決方案 102
3．5．4 實驗 104
3．6 工作票解決方案推薦 108
3．6．1 背景 108
3．6．2 基于KNN的推薦方法 109
3．6．3 劃分方法 111
3．6．4 概率融合方法 112
3．6．5 度量學習方法 113
3．6．6 實驗 116
參考文獻 126
第4章 大數據與計算可持續性研究 131
4．1 大數據與可持續發展 132
4．1．1 可持續發展 132
4．1．2 大數據時代可持續發展面臨的機遇和挑戰 133
4．2 計算可持續性 133
4．2．1 計算可持續性數據及其特征 134
4．2．2 大數據環境下計算可持續性研究現狀 137
4．3 研究案例 142
4．3．1 基于數據驅動的氣象分析 142
4．3．2 基于數據驅動的建筑能耗分析 145
參考文獻 155
第5章 推薦系統 159
5．1 個性化推薦系統概述 160
5．2 推薦技術 163
5．2．1 基于內容的推薦系統 163
5．2．2 基于協同過濾的推薦系統 164
5．2．3 基于知識的推薦系統 165
5．2．4 基于混合技術的推薦系統 165
5．2．5 基于計算智能的推薦系統 166
5．2．6 基于社交網絡的推薦系統 167
5．2．7 基于上下文敏感的推薦系統 169
5．2．8 基于組群的推薦系統 170
5．3 推薦系統評測 170
5．3．1 推薦系統評測環境 171
5．3．2 推薦系統評測指標 174
5．4 推薦系統實例 181
5．4．1 新聞推薦 181
5．4．2 POI推薦 190
參考文獻 198
第6章 智能問答系統 203
6．1 發展歷史 204
6．2 句法分析 205
6．2．1 中文分詞技術 205
6．2．2 詞的分類和兼類 207
6．2．3 漢語句法分析 208
6．3 問題理解 210
6．3．1 詞法分析 210
6．3．2 問題分類 210
6．3．3 關鍵詞擴展與抽取 211
6．3．4 答案抽取 212
6．4 問題檢索 212
6．4．1 基于詞法的問句檢索 212
6．4．2 基于句法的問句檢索 213
6．4．3 基于語義的問句檢索 213
6．4．4 常見問題集的問句檢索 213
6．5 信息抽取 214
6．5．1 抽取的對象 214
6．5．2 抽取的種類 215
6．5．3 抽取的方法 215
6．6 知識庫構建 217
6．6．1 基本概念 217
6．6．2 體系結構 218
6．6．3 關鍵技術 219
6．7 知識推理 223
6．7．1 線索挖掘 223
6．7．2 關系推理 224
6．7．3 關系預測 225
6．8 案例分析 225
6．8．1 限定域系統的現有案例分析 225
6．8．2 開放域系統的現有案例分析 233
參考文獻 238
第7章 文本挖掘 245
7．1 文本表示 246
7．2 話題挖掘 248
7．2．1 非負矩陣分解 248
7．2．2 概率潛在語義分析 249
7．2．3 潛在狄利克雷分配模型 250
7．2．4 分析與實例比較 251
7．3 多文檔自動文摘 253
7．3．1 目標函數選擇：句子重要性評價 253
7．3．2 優化方法 257
7．3．3 其他的自動文摘問題 258
7．3．4 實例分析 259
7．4 情感分析和摘要 262
7．4．1 基于頻繁項集的方法 264
7．4．2 實例分析 266
7．4．3 基于方面的話題模型分析方法 267
7．5 數據挖掘在專利分析中的應用 272
7．5．1 專利分析的內容、流程與方法 273
7．5．2 數據挖掘在專利分析中的應用方向 278
參考文獻 284
第8章 多媒體數據挖掘 291
8．1 多媒體技術的特點 292
8．1．1 數字化 292
8．1．2 多樣性 293
8．1．3 集成性 293
8．1．4 交互性 293
8．1．5 非線性 294
8．1．6 實時性 294
8．2 多媒體數據挖掘概述 294
8．2．1 背景 294
8．2．2 研究及應用現狀 295
8．3 多媒體數據的特征抽取 296
8．3．1 文本特征抽取 296
8．3．2 圖像特征表示 297
8．4 數據挖掘在圖像檢索中的應用 300
8．4．1 應用背景 300
8．4．2 數據集描述 302
8．4．3 數據挖掘在圖像檢索中的算法分析 304
8．4．4 圖像檢索案例 306
8．5 數據挖掘在多媒體信息融合中的應用 312
8．5．1 應用背景 313
8．5．2 數據集描述 314
8．5．3 數據挖掘在多媒體信息融合中的算法分析 315
8．5．4 多媒體信息融合案例 317
8．6 數據挖掘在人臉識別中的應用 334
8．6．1 應用背景 334
8．6．2 數據集描述 336
8．6．3 人臉識別算法分析 338
8．6．4 分布式人臉識別系統設計 348
參考文獻 350
第9章 社交媒體挖掘 355
9．1 社交媒體數據挖掘簡介 356
9．1．1 社交媒體分析的特點綜述 357
9．1．2 社交媒體的典型應用 358
9．2 社交網絡數據 360
9．3 數據挖掘在社交媒體熱點問題上的應用 362
9．3．1 社交媒體數據挖掘需求 362
9．3．2 信息擴散分析 362
9．3．3 鏈接的預測 366
9．3．4 專家與關鍵人物的挖掘 371
9．3．5 搜索 380
9．3．6 信任 385
9．3．7 社交網絡的內容與情感挖掘 388
參考文獻 389
第10章 時空數據挖掘 395
10．1 時空數據挖掘的發展背景 396
10．2 時空數據挖掘的相關研究 397
10．2．1 時空數據的來源 397
10．2．2 時空數據的基本性質 398
10．2．3 時空數據挖掘的方法與任務 399
10．3 時空數據的模式挖掘 403
10．3．1 時空數據的頻繁模式 403
10．3．2 時空數據的異常模式 404
10．4 時空數據的聚類和分類 406
10．4．1 時空數據的聚類 406
10．4．2 時空數據的分類 410
10．5 時空數據預測 411
10．5．1 位置預測 412
10．5．2 位置推薦 412
10．6 時空數據挖掘的案例研究 413
10．6．1 TerryFly GeoCloud 413
10．6．2 NUPT-ST-Miner 420
10．7 時空數據挖掘的挑戰和發展 428
參考文獻 430
第11章 生物信息學 437
11．1 生物醫學知識綜述 438
11．2 生物醫學大數據 441
11．3 數據挖掘在蛋白質與核酸相互作用研究中的應用 442
11．3．1 基于機器學習的蛋白質與核酸相互作用的研究策略 443
11．3．2 案例分析：蛋白質中RNA—結合殘基的預測模型 445
11．4 數據挖掘在生物醫學文獻中的應用 448
11．4．1 生物醫學文獻挖掘概述 448
11．4．2 數據挖掘應用方法描述 450
11．5 數據挖掘在基因表達數據中的應用 463
11．5．1 基因芯片技術 463
11．5．2 下一代高通量測序技術 463
11．5．3 RNA-Seq 技術與基因芯片技術的比較 464
11．5．4 數據挖掘在下一代高通量RNA-Seq測序數據中的應用 465
參考文獻 468
第12章 隱私保護和數據挖掘 473
12．1 隱私保護概述 474
12．1．1 隱私侵害事件 474
12．1．2 隱私保護困境 475
12．1．3 隱私保護要求 477
12．1．4 隱私保護水平度量 477
12．2 隱私保護技術分類 478
12．2．1 匿名化技術 478
12．2．2 加密技術 480
12．2．3 數據擾動技術 481
12．3 隱私保護數據挖掘方法 485
12．3．1 隱私保護聚類 486
12．3．2 隱私保護決策樹 488
12．3．3 隱私保護推薦系統 490
12．3．4 隱私保護貝葉斯算法 492
12．3．5 隱私保護支持向量機 493
12．3．6 隱私保護關聯規則挖掘 494
12．4 復雜數據挖掘場景下的隱私保護 495
12．4．1 大數據隱私保護 495
12．4．2 圖數據隱私保護 498
12．4．3 云數據隱私保護 499
12．4．4 隱私保護深度學習 500
參考文獻 501
第13章 健康醫療大數據中的數據挖掘技術 507
13．1 健康醫療大數據的含義 508
13．2 數據特性 509
13．3 預警系統 510
13．3．1 數據預處理 513
13．3．2 Bucketing 514
13．3．3 Bucket Bagging 514
13．3．4 特征集構造 515
13．3．5 特征選擇 517
13．3．6 探索性下采樣 518
13．3．7 指數移動平均 519
13．4 非結構化文本信息的挖掘 519
13．5 數據挖掘實例 520
13．5．1 評價標準 521
13．5．2 實驗設計 521
13．5．3 邏輯回歸模型的實驗結果 522
13．5．4 算法比較 523
13．5．5 預警時間分析 525
13．6 應用方向 526
13．6．1 疾病預警預測及生存期分析 527
13．6．2 疾病輔助診斷治療 527
13．6．3 藥物研究 528
13．6．4 醫學影像 528
13．6．5 醫院信息系統 529
13．6．6 遠程醫療 530
13．6．7 健康數據庫管理 531
13．6．8 醫療健康相關企業經營 531
參考文獻 532
第1章 數據挖掘簡介 1
1．1 大數據時代的數據挖掘 2
1．1．1 大數據的特點“4V+4V” 3
1．1．2 數據挖掘 5
1．1．3 從數據挖掘應用的角度看大數據 7
1．2 數據挖掘技術的發展歷史 8
1．3 十大數據挖掘算法簡介 10
1．4 數據挖掘平臺：FIU-Miner 21
1．4．1 FIU-Miner平臺簡介 22
1．4．2 FIU-Miner系統架構 22
1．4．3 FIU-Miner應用實例 23
參考文獻 28
第2章 系統日志和事件的挖掘 31
2．1 數據驅動的網絡運維 32
2．1．1 網絡運維1．0階段：簡單數據處理 33
2．1．2 網絡運維2．0階段：分布式大數據處理框架 34
2．1．3 網絡運維3．0階段：網絡運維平臺套件 34
2．1．4 網絡運維4．0階段：智能化網絡運維 35
2．2 系統日志分析的目的 35
2．2．1 系統問題診斷 36
2．2．2 調試與優化 37
2．2．3 系統安全維護 37
2．3 日志數據分析管理系統的架構 38
2．3．1 日志數據的收集和預處理 39
2．3．2 歷史日志數據存儲 39
2．3．3 日志事件數據的分析以及對分析結果的展示和使用 39
2．4 系統日志的數據形式 40
2．4．1 無結構的日志數據 40
2．4．2 結構化與半結構化的日志數據 41
2．4．3 非結構化數據的轉換 43
2．5 基于日志數據的異常檢測 44
2．5．1 基于監督學習的異常檢測 44
2．5．2 基于無監督學習的異常檢測 48
2．6 系統故障根源跟蹤 52
2．6．1 日志事件的依賴性挖掘 54
2．6．2 基于依賴關系的系統故障追蹤 65
2．7 日志事件總結 65
2．7．1 事件總結算法基本要求及相關工作 66
2．7．2 基于事件發生頻率變遷描述的事件總結 67
2．7．3 基于馬爾可夫模型描述的事件總結 67
2．7．4 基于事件關系網絡描述的事件總結 68
參考文獻 69
第3章 工作票數據挖掘 75
3．1 工作票簡介 76
3．2 工作票產生機制和亟待解決的問題 77
3．3 研究現狀 79
3．3．1 工作票分類 80
3．3．2 工作票推薦 82
3．3．3 整體解決方案和工具 84
3．4 工作票漏報和誤報檢測 84
3．4．1 漏報和誤報 84
3．4．2 基于規則的誤報識別方法 86
3．4．3 半監督的工作票漏報發現方法 89
3．4．4 評價 92
3．5 層次多標簽工作票分類 96
3．5．1 問題描述 98
3．5．2 層次損失函數和期望損失*小化 98
3．5．3 算法和解決方案 102
3．5．4 實驗 104
3．6 工作票解決方案推薦 108
3．6．1 背景 108
3．6．2 基于KNN的推薦方法 109
3．6．3 劃分方法 111
3．6．4 概率融合方法 112
3．6．5 度量學習方法 113
3．6．6 實驗 116
參考文獻 126
第4章 大數據與計算可持續性研究 131
4．1 大數據與可持續發展 132
4．1．1 可持續發展 132
4．1．2 大數據時代可持續發展面臨的機遇和挑戰 133
4．2 計算可持續性 133
4．2．1 計算可持續性數據及其特征 134
4．2．2 大數據環境下計算可持續性研究現狀 137
4．3 研究案例 142
4．3．1 基于數據驅動的氣象分析 142
4．3．2 基于數據驅動的建筑能耗分析 145
參考文獻 155
第5章 推薦系統 159
5．1 個性化推薦系統概述 160
5．2 推薦技術 163
5．2．1 基于內容的推薦系統 163
5．2．2 基于協同過濾的推薦系統 164
5．2．3 基于知識的推薦系統 165
5．2．4 基于混合技術的推薦系統 165
5．2．5 基于計算智能的推薦系統 166
5．2．6 基于社交網絡的推薦系統 167
5．2．7 基于上下文敏感的推薦系統 169
5．2．8 基于組群的推薦系統 170
5．3 推薦系統評測 170
5．3．1 推薦系統評測環境 171
5．3．2 推薦系統評測指標 174
5．4 推薦系統實例 181
5．4．1 新聞推薦 181
5．4．2 POI推薦 190
參考文獻 198
第6章 智能問答系統 203
6．1 發展歷史 204
6．2 句法分析 205
6．2．1 中文分詞技術 205
6．2．2 詞的分類和兼類 207
6．2．3 漢語句法分析 208
6．3 問題理解 210
6．3．1 詞法分析 210
6．3．2 問題分類 210
6．3．3 關鍵詞擴展與抽取 211
6．3．4 答案抽取 212
6．4 問題檢索 212
6．4．1 基于詞法的問句檢索 212
6．4．2 基于句法的問句檢索 213
6．4．3 基于語義的問句檢索 213
6．4．4 常見問題集的問句檢索 213
6．5 信息抽取 214
6．5．1 抽取的對象 214
6．5．2 抽取的種類 215
6．5．3 抽取的方法 215
6．6 知識庫構建 217
6．6．1 基本概念 217
6．6．2 體系結構 218
6．6．3 關鍵技術 219
6．7 知識推理 223
6．7．1 線索挖掘 223
6．7．2 關系推理 224
6．7．3 關系預測 225
6．8 案例分析 225
6．8．1 限定域系統的現有案例分析 225
6．8．2 開放域系統的現有案例分析 233
參考文獻 238
第7章 文本挖掘 245
7．1 文本表示 246
7．2 話題挖掘 248
7．2．1 非負矩陣分解 248
7．2．2 概率潛在語義分析 249
7．2．3 潛在狄利克雷分配模型 250
7．2．4 分析與實例比較 251
7．3 多文檔自動文摘 253
7．3．1 目標函數選擇：句子重要性評價 253
7．3．2 優化方法 257
7．3．3 其他的自動文摘問題 258
7．3．4 實例分析 259
7．4 情感分析和摘要 262
7．4．1 基于頻繁項集的方法 264
7．4．2 實例分析 266
7．4．3 基于方面的話題模型分析方法 267
7．5 數據挖掘在專利分析中的應用 272
7．5．1 專利分析的內容、流程與方法 273
7．5．2 數據挖掘在專利分析中的應用方向 278
參考文獻 284
第8章 多媒體數據挖掘 291
8．1 多媒體技術的特點 292
8．1．1 數字化 292
8．1．2 多樣性 293
8．1．3 集成性 293
8．1．4 交互性 293
8．1．5 非線性 294
8．1．6 實時性 294
8．2 多媒體數據挖掘概述 294
8．2．1 背景 294
8．2．2 研究及應用現狀 295
8．3 多媒體數據的特征抽取 296
8．3．1 文本特征抽取 296
8．3．2 圖像特征表示 297
8．4 數據挖掘在圖像檢索中的應用 300
8．4．1 應用背景 300
8．4．2 數據集描述 302
8．4．3 數據挖掘在圖像檢索中的算法分析 304
8．4．4 圖像檢索案例 306
8．5 數據挖掘在多媒體信息融合中的應用 312
8．5．1 應用背景 313
8．5．2 數據集描述 314
8．5．3 數據挖掘在多媒體信息融合中的算法分析 315
8．5．4 多媒體信息融合案例 317
8．6 數據挖掘在人臉識別中的應用 334
8．6．1 應用背景 334
8．6．2 數據集描述 336
8．6．3 人臉識別算法分析 338
8．6．4 分布式人臉識別系統設計 348
參考文獻 350
第9章 社交媒體挖掘 355
9．1 社交媒體數據挖掘簡介 356
9．1．1 社交媒體分析的特點綜述 357
9．1．2 社交媒體的典型應用 358
9．2 社交網絡數據 360
9．3 數據挖掘在社交媒體熱點問題上的應用 362
9．3．1 社交媒體數據挖掘需求 362
9．3．2 信息擴散分析 362
9．3．3 鏈接的預測 366
9．3．4 專家與關鍵人物的挖掘 371
9．3．5 搜索 380
9．3．6 信任 385
9．3．7 社交網絡的內容與情感挖掘 388
參考文獻 389
第10章 時空數據挖掘 395
10．1 時空數據挖掘的發展背景 396
10．2 時空數據挖掘的相關研究 397
10．2．1 時空數據的來源 397
10．2．2 時空數據的基本性質 398
10．2．3 時空數據挖掘的方法與任務 399
10．3 時空數據的模式挖掘 403
10．3．1 時空數據的頻繁模式 403
10．3．2 時空數據的異常模式 404
10．4 時空數據的聚類和分類 406
10．4．1 時空數據的聚類 406
10．4．2 時空數據的分類 410
10．5 時空數據預測 411
10．5．1 位置預測 412
10．5．2 位置推薦 412
10．6 時空數據挖掘的案例研究 413
10．6．1 TerryFly GeoCloud 413
10．6．2 NUPT-ST-Miner 420
10．7 時空數據挖掘的挑戰和發展 428
參考文獻 430
第11章 生物信息學 437
11．1 生物醫學知識綜述 438
11．2 生物醫學大數據 441
11．3 數據挖掘在蛋白質與核酸相互作用研究中的應用 442
11．3．1 基于機器學習的蛋白質與核酸相互作用的研究策略 443
11．3．2 案例分析：蛋白質中RNA—結合殘基的預測模型 445
11．4 數據挖掘在生物醫學文獻中的應用 448
11．4．1 生物醫學文獻挖掘概述 448
11．4．2 數據挖掘應用方法描述 450
11．5 數據挖掘在基因表達數據中的應用 463
11．5．1 基因芯片技術 463
11．5．2 下一代高通量測序技術 463
11．5．3 RNA-Seq 技術與基因芯片技術的比較 464
11．5．4 數據挖掘在下一代高通量RNA-Seq測序數據中的應用 465
參考文獻 468
第12章 隱私保護和數據挖掘 473
12．1 隱私保護概述 474
12．1．1 隱私侵害事件 474
12．1．2 隱私保護困境 475
12．1．3 隱私保護要求 477
12．1．4 隱私保護水平度量 477
12．2 隱私保護技術分類 478
12．2．1 匿名化技術 478
12．2．2 加密技術 480
12．2．3 數據擾動技術 481
12．3 隱私保護數據挖掘方法 485
12．3．1 隱私保護聚類 486
12．3．2 隱私保護決策樹 488
12．3．3 隱私保護推薦系統 490
12．3．4 隱私保護貝葉斯算法 492
12．3．5 隱私保護支持向量機 493
12．3．6 隱私保護關聯規則挖掘 494
12．4 復雜數據挖掘場景下的隱私保護 495
12．4．1 大數據隱私保護 495
12．4．2 圖數據隱私保護 498
12．4．3 云數據隱私保護 499
12．4．4 隱私保護深度學習 500
參考文獻 501
第13章 健康醫療大數據中的數據挖掘技術 507
13．1 健康醫療大數據的含義 508
13．2 數據特性 509
13．3 預警系統 510
13．3．1 數據預處理 513
13．3．2 Bucketing 514
13．3．3 Bucket Bagging 514
13．3．4 特征集構造 515
13．3．5 特征選擇 517
13．3．6 探索性下采樣 518
13．3．7 指數移動平均 519
13．4 非結構化文本信息的挖掘 519
13．5 數據挖掘實例 520
13．5．1 評價標準 521
13．5．2 實驗設計 521
13．5．3 邏輯回歸模型的實驗結果 522
13．5．4 算法比較 523
13．5．5 預警時間分析 525
13．6 應用方向 526
13．6．1 疾病預警預測及生存期分析 527
13．6．2 疾病輔助診斷治療 527
13．6．3 藥物研究 528
13．6．4 醫學影像 528
13．6．5 醫院信息系統 529
13．6．6 遠程醫療 530
13．6．7 健康數據庫管理 531
13．6．8 醫療健康相關企業經營 531
參考文獻 532
展開全部
大數據時代的數據挖掘/國之重器出版工程 作者簡介
李 濤（1975年10月出生），2004年7月獲美國羅徹斯特大學（University of Rochester）計算機科學博士學位。2004年至今先后任美國佛羅里達國際大學 （Florida International University，FIU) 計算機學院助理教授、副教授（終身教授）、正教授 (Full Professor) 、研究生主管(Graduate Program Director)，FIU計算與信息學院數據挖掘實驗室主任，博士生導師。目前擔任南京郵電大學計算機學院、軟件學院院長，南京郵電大學大數據研究院院長。 2016年入選創新類國家“千人計劃”特聘專家。 李濤博士的研究興趣主要包括數據挖掘、機器學習、信息檢索及生物信息學等領域，在基于矩陣方法的數據挖掘和學習，音樂信息檢索，系統日志數據挖掘， 數據挖掘的各種應用等方面做出了有影響力的研究。 由于在數據挖掘及應用領域成效顯著的研究工作， 他曾多次獲得各種榮譽和獎勵，其中包括美國國家自然科學基金委頒發的杰出青年教授獎 （NSF CAREER Award, 2006-2010）和 2010 IBM大規模數據分析創新獎 （Scalable Data Analytics Innovation Award）. 同時， 他還是數據挖掘國際**期刊 《ACM Transactions on Knowledge Discovery from Data》, 《IEEE Transactions on Knowledge and Data Engineering》, 和 《Knowledge and Information Systems》雜志的副主編。李濤博士在國際著名會議及期刊上已發表超過兩百篇文章（絕大多數被EI/SCI檢索）。根據Google Scholar的統計，李濤博士的引用指標 H-index=48， 總引用次數超過8700次。
書友推薦
- >
莉莉和章魚
- >
上帝之肋:男人的真實旅程
- >
月亮與六便士
- >
名家帶你讀魯迅:朝花夕拾
- >
朝聞道
- >
月亮虎
- >
龍榆生：詞曲概論/大家小書
- >
自卑與超越
本類暢銷
