成功加入购物车
胡可云 著 / 清华大学出版社 / 2008-04 / 平装
售价 ¥ 9.80 4.1折
定价 ¥24.00
品相 九品
优惠 满包邮
延迟发货说明
上书时间2019-01-28
卖家超过10天未登录
高等学校计算机科学与技术教材:数据挖掘理论与应用
《高等学校计算机科学与技术教材·数据挖掘理论与应用》从数据挖掘理论与数据挖掘应用过程两个方面介绍了数据挖掘的最新成果。在理论部分,《高等学校计算机科学与技术教材·数据挖掘理论与应用》介绍了数据挖掘技术所涉及的基本概念、主流技术和最新成果;在应用部分,《高等学校计算机科学与技术教材·数据挖掘理论与应用》结合具体的实例系统论述了商业理解、数据预处理、建模、模型部署等整个数据挖掘流程。
《高等学校计算机科学与技术教材·数据挖掘理论与应用》既可以作为大学本科生和研究生的补充教材,也可以作为企业实施数据挖掘和商务智能的实战指导;既可以作为初次接触数据挖掘技术的入门读物,也可以作为高级研究人员的参考书。
第1章导论1.1 数据挖掘概述1.1.1 数据挖掘的背景1.1.2 数据挖掘的定义1.1.3 数据挖掘的应用1.2 数据挖掘的一般过程1.2.1 数据挖掘中的数据集1.2.2 数据挖掘的任务1.2.3 数据挖掘过程1.3 数据挖掘的一般方法1.3.1分类预测型方法1.3.2描述型方法1.3.3文本/Web挖掘方法理论篇第2章分类方法2.1决策树2.1.1决策树基本概念2.1.2决策树构造过程2.1.3决策树的扩展2.2前馈神经网络2.2.1基本概念2.2.2BP训练过程2.2.3RBF网络2.3基于规则的方法2.3.1AQ算法2.3.2C45rules2.3.3RIPPER2.4支持向量机2.4.1核函数2.4.2线性可分模式下的最优超平面2.4.3线性不可分模式下的最优超平面2.4.4支持向量机2.5 贝叶斯分类2.5.1 贝叶斯理论和极大后验假设2.5.2 贝叶斯网络和贝叶斯分类器2.5.3 几种常见的贝叶斯分类器模型2.5.4 贝叶斯分类器应用举例2.6 粗糙集方法2.6.1 粗糙集概念2.6.2 粗糙集基本算法2.6.3 粗糙集方法的扩展2.7其他分类方法2.7.1回归分析2.7.2k-最近邻分类方法2.7.3组合学习方法第3章 聚类方法3.1 聚类方法概述3.1.1 聚类分析中的常见数据类型3.1.2 对聚类算法的一些典型要求3.1.3 主要的聚类方法3.2 划分聚类3.2.1k-均值算法3.2.2二分k-均值聚类方法3.2.3k-中心点算法3.3层次聚类3.3.1凝聚的和分裂的层次聚类3.3.2BIRCH算法3.3.3CuRE算法3.3.4ROCK算法3.3.5Chameleon3.4基于密度的聚类3.4.1DBSCAN算法3.4.2OPTICS算法3.5Kohonen聚类3.5.1自组织神经网络3.5.2Kohonen自组织映射3.6孤立点分析3.6.1 基于统计的孤立点检测3.6.2 基于距离的孤立点检测3.6.3 基于偏离的孤立点检测方法3.7概念格3.7.1 基本概念3.7.2 概念格的建造3.7.3 规则提取第4章关联分析4.1 基本概念与挖掘过程4.1.1 基本概念4.1.2 关联规则挖掘过程4.2 频繁项集挖掘算法4.2.1Apriori算法4.2.2Apriori算法的改进4.2.3FP_Growth算法4.3 关联规则生成算法4.4 频繁闭项集挖掘4.5 关联规则的扩展4.5.1 多层次关联规则4.5.2 多维关联规则4.5.3 定量关联规则4.5.4 加权关联规则4.5.5 序列模式分析第5章文本与Web挖掘5.1 文本挖掘5.1.1 文本预处理5.1.2 文本检索5.1.3 文本分类5.1.4 文本聚类5.1.5 文本摘要5.2Web挖掘5.2.1概述5.2.2Web内容挖掘5.2.3Web结构挖掘5.2.4Web使用挖掘应用篇第6章业务理解6.1 需求分析6.1.1 需求分析的内容6.1.2 需求分析的方法6.1.3 需求分析的结果6.1.4 需求分析的注意事项6.2 实例:客户细分项目的需求分析6.2.1 客户细分项目的内容6.2.2 分析方法6.2.3 分析结果第7章 数据预处理7.1 数据理解7.2 数据准备7.2.1 数据整理与合并7.2.2 数据抽样7.2.3 训练集和测试集的划分方法7.2.4 类标签的确定7.3 数据描述7.3.1 单变量描述方法7.3.2 多变量描述方法7.4 数据清理7.4.1 缺值处理7.4.2 探测异常点与噪声清除7.5 变量变换与合成7.5.1 连续变量归一化7.5.2 离散变量的数值化7.5.3 连续变量离散化7.5.4 变量变换7.5.5 变量合成7.6 变量选择7.6.1 概述7.6.2 包装方法7.6.3 过滤方法7.6.4 主成分及因子分析7.7一些算法对预处理的要求7.8实例:客户流失项目的数据预处理7.8.1 数据理解和数据准备7.8.2 数据描述和清理7.8.3 数据变换与选择第8章建模8.1算法选择8.2模型参数调整8.3模型评估和性能比较8.3.1分类模型的评估方法8.3.2聚类模型的评估方法8.4模型导出8.5实例客户流失项目的建模8.5.1算法选择8.5.2参数调整8.5.3性能评估8.5.4模型导出第9章模型部署与维护9.1模型部署9.2模型维护9.3客户流失项目的模型部署与维护附录A主要数据挖掘软件简介A1SASEnterpriseMinerA1.1概述A1.2数据挖掘过程及模块A2SPSSClementineA2.1概述A2.2数据挖掘过程及模块A3IBMIntelligentMinerA3.1概述A3.2数据挖掘过程及模块A4其他常见数据挖掘工具参考文献
展开全部
配送说明
...
相似商品
为你推荐
开播时间:09月02日 10:30