知識發(fā)現(xiàn)（第二版）

定　價：￥59.00

作　者：	史忠植著
出版社：	清華大學出版社
叢編項：
標　簽：	數(shù)據(jù)倉庫與數(shù)據(jù)挖掘

購買這本書可以去

ISBN：	9787302239574	出版時間：	2011-01-01	包裝：	平裝
開本：	16開	頁數(shù)：	491	字數(shù)：

內(nèi)容簡介

　　知識發(fā)現(xiàn)是從數(shù)據(jù)集中識別出有效的、新穎的、潛在有用的，以及最終可理解的模式的非平凡過程。知識發(fā)現(xiàn)將信息變?yōu)橹R，從數(shù)據(jù)資源中發(fā)現(xiàn)知識寶藏，將為知識創(chuàng)新和知識經(jīng)濟的發(fā)展作出貢獻?！吨R發(fā)現(xiàn)》全面而又系統(tǒng)地介紹了知識發(fā)現(xiàn)的方法和技術(shù)，反映了當前知識發(fā)現(xiàn)研究的最新成果和進展。全書共分15章。第1章是緒論，概述知識發(fā)現(xiàn)的重要概念和發(fā)展過程。下面三章重點討論分類問題，包括決策樹、支持向量機和遷移學習。第5章闡述聚類分析。第6章是關(guān)聯(lián)規(guī)則。第7章討論粗糙集和粒度計算。第8章介紹神經(jīng)網(wǎng)絡(luò)，書中著重介紹幾種實用的算法。第9章探討貝葉斯網(wǎng)絡(luò)。第10章討論隱馬爾可夫模型。第11章探討圖挖掘。第12章討論進化計算和遺傳算法。第13章探討分布式知識發(fā)現(xiàn)，它使海量數(shù)據(jù)挖掘成為可能。最后兩章以web知識發(fā)現(xiàn)、認知神經(jīng)科學為例，介紹知識發(fā)現(xiàn)的應(yīng)用。書中內(nèi)容新穎，認真總結(jié)了作者的科研成果，取材國內(nèi)外最新資料，反映了當前該領(lǐng)域的研究水平。論述力求概念清晰，表達準確，算法豐富，突出理論聯(lián)系實際，富有啟發(fā)性?！吨R發(fā)現(xiàn)》可以用作高等院校有關(guān)專業(yè)的研究生和高年級本科生的知識發(fā)現(xiàn)、數(shù)據(jù)挖掘、機器學習等課程教材，也可供從事知識發(fā)現(xiàn)、數(shù)據(jù)挖掘、機器學習、智能信息處理、模式識別、智能控制研究和知識管理的科技人員閱讀參考。

作者簡介

暫缺《知識發(fā)現(xiàn)（第二版）》作者簡介

圖書目錄

第1章　緒論
　1．1　知識
　1．2　知識發(fā)現(xiàn)的過程
　1．3　知識發(fā)現(xiàn)的任務(wù)
　1．4　知識發(fā)現(xiàn)的方法
　　1．4．1　統(tǒng)計方法
　　1．4．2　機器學習
　　1．4．3　神經(jīng)計算
　　1．4．4　可視化
　1．5　知識發(fā)現(xiàn)的對象
　　1．5．1　數(shù)據(jù)庫
　　1．5．2　文本
　　1．5．3　Web信息
　　1．5．4　空間數(shù)據(jù)
　　1．5．5　圖像和視頻數(shù)據(jù)
　1．6　知識發(fā)現(xiàn)系統(tǒng)
第2章　決策樹
　2．1　歸納學習
　2．2　決策樹學習
　2．3　CLS學習算法
　2．4　ID3學習算法
　　2．4．1　信息論簡介
　　2．4．2　信息論在決策樹學習中的意義及應(yīng)用
　　2．4．3　ID3算法
　　2．4．4　ID3算法應(yīng)用舉例
　　2．4．5　C4．5算法
　2．5　決策樹的改進算法
　　2．5．1　二叉樹判定算法
　　2．5．2　按信息比值進行估計的方法
　　2．5．3　按分類信息估值
　　2．5．4　按劃分距離估值的方法
　2．6　決策樹的評價
　2．7　簡化決策樹
　　2．7．1　簡化決策樹的動機
　　2．7．2　決策樹過大的原因
　　2．7．3　控制樹的大小
　　2．7．4　修改測試屬性空間
　　2．7．5　改進測試屬性選擇方法
　　2．7．6　對數(shù)據(jù)進行限制
　　2．7．7　改變數(shù)據(jù)結(jié)構(gòu)
　2．8　連續(xù)性屬性離散化
　2．9　基于偏置變換的決策樹學習算法BSDT
　　2．9．1　偏置的形式化
　　2．9．2　表示偏置變換
　　2．9．3　算法描述
　　2．9．4　過程偏置變換
　　2．9．5　基于偏置變換的決策樹學習算法BSDT
　　2．9．6　經(jīng)典案例庫維護算法TCBM
　　2．9．7　偏置特征抽取算法
　　2．9．8　改進的決策樹生成算法GSD
　　2．9．9　實驗結(jié)果
　2．10　單變量決策樹的并行處理
　　2．10．1　并行決策樹算法
　　……
第3章　支持向量機
第4章　遷移學習
第5章　聚類分析
第6章　關(guān)聯(lián)規(guī)則
第7章　粗糙集
第8章　神經(jīng)網(wǎng)絡(luò)
第9章　貝葉斯網(wǎng)絡(luò)
第10章　隱馬爾可夫模型
第11章　圖挖掘
第12章　進化計算
第13章　分布式知識發(fā)現(xiàn)
第14章　Web知識發(fā)現(xiàn)
第15章　認知神經(jīng)科學知識發(fā)現(xiàn)
參考文獻