包郵數據挖掘算法原理與實現 (第2版)

作者：王振武

出版社：清華大學出版社出版時間：2019-01-01

開本： 16開 頁數： 223

本類榜單：教材銷量榜

中圖價:¥26.2(7.5折) 定價 ~~¥35.0~~ 登錄后可看到會員價

加入購物車收藏

開年大促， 全場包郵

?新疆、西藏除外

本類五星書更多>

>
闖進數學世界――探秘歷史名題

闖進數學世界――探秘歷史名題

¥20.7¥32.8
>
中醫(yī)基礎理論

中醫(yī)基礎理論

¥51.7¥59
>
當代中國政府與政治(新編21世紀公共管理系列教材)

當代中國政府與政治(新編21世紀公共管理系列教材)

¥31.2¥48
>
高校軍事課教程

高校軍事課教程

¥12.4¥38
>
思想道德與法治(2021年版)

思想道德與法治(2021年版)

¥8.5¥18
>
毛澤東思想和中國特色社會主義理論體系概論(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)

¥8.5¥25
>
中醫(yī)內科學·全國中醫(yī)藥行業(yè)高等教育“十四五”規(guī)劃教材

中醫(yī)內科學·全國中醫(yī)藥行業(yè)高等教育“十四五”規(guī)劃教材

¥85.1¥99

商品詳情
商品評論(0條)

中圖價:¥26.2 加入購物車

版權信息
內容簡介
目錄

數據挖掘算法原理與實現 (第2版) 版權信息

ISBN：9787302454151
條形碼：9787302454151 ; 978-7-302-45415-1
裝幀：一般膠版紙
冊數：暫無
重量：暫無
所屬分類：
教材
>
研究生/本科/專科教材
>
工學

數據挖掘算法原理與實現 (第2版) 內容簡介

　　《數據挖掘算法原理與實現（第2版）》對數據挖掘的基本算法進行了系統介紹，每種算法不僅介紹了算法的基本原理，而且配有大量例題以及源代碼，并對源代碼進行了分析，這種理論和實踐相結合的方式有助于讀者較好地理解和掌握抽象的數據挖掘算法。　　《數據挖掘算法原理與實現（第2版）》共分11章，內容同時涵蓋了數據預處理、關聯規(guī)則挖掘算法、分類算法和聚類算法，具體章節(jié)包括緒論、數據預處理、關聯規(guī)則挖掘、決策樹分類算法、貝葉斯分類算法、人工神經網絡算法、支持向量機、K-means聚類算法、K-中心點聚類算法、神經網絡聚類算法以及數據挖掘的發(fā)展等內容。　　《數據挖掘算法原理與實現（第2版）》可作為高等院校數據挖掘課程的教材，也可以作為從事數據挖掘工作以及其他相關工程技術工作人員的參考書。

數據挖掘算法原理與實現 (第2版) 目錄

第1章緒論
1．1 數據挖掘的概念
1．2 數據挖掘的歷史及發(fā)展
1．3 數據挖掘的研究內容及功能
1．3．1 數據挖掘的研究內容
1．3．2 數據挖掘的功能
1．4 數據挖掘的常用技術及工具
1．4．1 數據挖掘的常用技術
1．4．2 數據挖掘的工具
1．5 數據挖掘的應用熱點
1．6 小結
思考題

第2章數據預處理
2．1 數據預處理的目的
2．2 數據清理
2．2．1 填充缺失值
2．2．2 光滑噪聲數據
2．2．3 數據清理過程
2．3 數據集成和數據變換
2．3．1 數據集成
2．3．2 數據變換
2．4 數據歸約
2．4．1 數據立方體聚集
2．4．2 維歸約
2．4．3 數據壓縮
2．4．4 數值歸約
2．4．5 數據離散化與概念分層
2．5 特征選擇與提取
2．5．1 特征選擇
2．5．2 特征提取
2．6 小結
思考題

第3章關聯規(guī)則挖掘
3．1 基本概念
3．2 關聯規(guī)則挖掘算法——Apriori算法原理
3．3 Apriori算法實例分析
3．4 Apriori算法源程序分析
3．5 Apriori算法的特點及應用
3．5．1 Apriori算法特點
3．5．2 Apriori算法應用
3．6 小結
思考題

第4章決策樹分類算法
4．1 基本概念
4．1．1 決策樹分類算法概述
4．1．2 決策樹基本算法概述
4．2 決策樹分類算法——ID3算法原理
4．2．1 ID3算法原理
4．2．2 熵和信息增益
4．2．3 ID3算法
4．3 ID3算法實例分析
4．4 ID3算法源程序分析
4．5 ID3算法的特點及應用
4．5．1 ID3算法特點
4．5．2 ID3算法應用
4．6 決策樹分類算法——C4．5算法原理
4．6．1 C4．5算法
4．6．2 C4．5算法的偽代碼
4．7 C4．5算法實例分析
4．8 C4．5算法源程序分析
4．9 C4．5算法的特點及應用
4．9．1 C4．5算法特點
4．9．2 C4．5算法應用
4．10 小結
思考題

第5章貝葉斯分類算法
5．1 基本概念
5．1．1 主觀概率
5．1．2 貝葉斯定理
5．2 貝葉斯分類算法原理
5．2．1 樸素貝葉斯分類模型
5．2．2 貝葉斯信念網絡
5．3 貝葉斯算法實例分析
5．3．1 樸素貝葉斯分類器
5．3．2 BBN
5．4 貝葉斯算法源程序分析
5．5 貝葉斯算法特點及應用
5．5．1 樸素貝葉斯分類算法
5．5．2 貝葉斯信念網
思考題

第6章人工神經網絡算法
6．1 基本概念
6．1．1 生物神經元模型
6．1．2 人工神經元模型
6．1．3 主要的神經網絡模型
6．2 BP算法原理
6．2．1 Delta學習規(guī)則的基本原理
6．2．2 BP網絡的結構
6．2．3 BP網絡的算法描述
6．2．4 標準BP網絡的工作過程
6．3 BP算法實例分析
6．4 BP算法源程序分析
6．5 BP算法的特點及應用
6．5．1 BP算法特點
6．5．2 BP算法應用
6．6 小結
思考題

第7章支持向量機
7．1 基本概念
7．1．1 支持向量機理論基礎
7．1．2 統計學習核心理論
7．1．3 學習過程的一致性條件
7．1．4 函數集的VC維
7．1．5 泛化誤差界
7．1．6 結構風險*小化歸納原理
7．2 支持向量機原理
7．2．1 支持向量機核心理論
7．2．2 *大間隔分類超平面
7．2．3 支持向量機
7．2．4 核函數分類
7．3 支持向量機實例分析
7．4 支持向量機的特點及應用
7．4．1 支持向量機的特點
7．4．2 支持向量機的應用
7．5 小結
思考題

第8章 K-means聚類算法
8．1 簡介
8．2 K-means聚類算法原理
8．3 K-means聚類算法實例分析
8．4 K-means聚類算法源程序分析
8．5 K-means聚類算法的特點及應用
8．5．1 K-means聚類算法的特點
8．5．2 K-means聚類算法的應用
8．6 小結
思考題

第9章 K-中心點聚類算法
9．1 簡介
9．2 K-中心點聚類算法原理
9．3 K-中心點聚類算法實例分析
9．4 K-中心點聚類算法源程序分析
9．5 K-中心點聚類算法的特點及應用
9．5．1 K-中心點聚類算法的特點
9．5．2 K-中心點聚類算法的應用
9．6 小結

第10章神經網絡聚類方法：SOM
10．1 簡介
10．2 競爭學習算法基礎
10．2．1 自組織神經網絡結構
10．2．2 自組織神經網絡的原理
10．3 SOM算法原理
10．3．1 SOM網絡的拓撲結構
10．3．2 SOM權值調整域
10．3．3 SOM網絡運行原理
10．3．4 學習方法
10．4 SOM算法實例分析
10．4．1 問題描述
10．4．2 網絡設計及學習結果
10．4．3 結果輸出
10．5 SOM算法源程序分析
10．6 SOM算法的特點及應用
10．6．1 SOM特點
10．6．2 SOM應用
10．7 小結
思考題

第11章數據挖掘的發(fā)展
11．1 Web挖掘
11．1．1 Web數據挖掘定義
11．1．2 Web數據挖掘分類
11．1．3 Web數據挖掘的數據源
11．1．4 Web數據挖掘中知識的分類
11．1．5 Web數據挖掘的關鍵問題
11．2 空間數據挖掘
11．2．1 空間數據挖掘的定義與特點
11．2．2 空間數據挖掘的體系結構
11．2．3 空間數據挖掘可獲得的知識類型
11．2．4 空間數據挖掘的方法
11．3 流數據挖掘
11．3．1 流數據的特點
11．3．2 流數據挖掘關鍵技術
11．3．3 流數據挖掘的實際應用及前景
11．4 數據挖掘與可視化技術
11．4．1 什么是可視化
11．4．2 數據可視化技術分類
11．4．3 數據挖掘可視化技術的應用
11．5 小結
思考題

參考文獻

展開全部

商品評論(0條)

寫書評賺書幣

暫無評論……

書友推薦