本書有DRM加密保護,需使用HyRead閱讀軟體開啟
  • 知識發現
  • 點閱:3
  • 作者: 史忠植著
  • 出版社:清華大學出版社
  • 出版年:2011
  • 集叢名:中國計算機學會學術著作叢書
  • ISBN:9787302239574
  • 格式:JPG
  • 附註:簡體字版

內容簡介

本書系統地介紹了知識發現的方法和技術,反映了當前知識發現研究的最新成果和進展。

  • 第 1 章 绪论(第1頁)
    • 1.1 知识(第1頁)
    • 1.2 知识发现的过程(第3頁)
    • 1.3 知识发现的任务(第5頁)
    • 1.4 知识发现的方法(第8頁)
    • 1.5 知识发现的对象(第15頁)
    • 1.6 知识发现系统(第19頁)
  • 第 2 章 决策树(第25頁)
    • 2.1 归纳学习(第25頁)
    • 2.2 决策树学习(第26頁)
    • 2.3 CLS 学习算法(第29頁)
    • 2.4 ID3 学习算法(第30頁)
    • 2.5 决策树的改进算法(第35頁)
    • 2.6 决策树的评价(第38頁)
    • 2.7 简化决策树(第40頁)
    • 2.8 连续性属性离散化(第55頁)
    • 2.9 基于偏置变换的决策树学习算法 BSDT(第56頁)
    • 2.10 单变量决策树的井行处理(第68頁)
    • 2.11 归纳学习中的问题(第73頁)
  • 第 3 章 支持向量机(第74頁)
    • 3.1 统计学习问题(第74頁)
    • 3.2 学习过程的一致性(第75頁)
    • 3.3 结构风险最小归纳原理(第77頁)
    • 3.4 支持向量机(第80頁)
    • 3.5 核函数(第83頁)
    • 3.6 邻近支持向量机(第85頁)
    • 3.7 极端支持向量机(第88頁)
  • 第 4 章 迁移学习(第93頁)
    • 4.1 概述(第93頁)
    • 4.2 相似性关系(第94頁)
    • 4.3 归纳迁移学习(第98頁)
    • 4.4 推导迁移学习(第100頁)
    • 4.5 主动迁移学习(第101頁)
    • 4.6 多源领域知识的迁移学习(第106頁)
    • 4.7 强化学习中的迁移(第107頁)
  • 第 5 章 聚类分析(第111頁)
    • 5.1 概述(第111頁)
    • 5.2 相似性度量(第112頁)
    • 5.3 划分方法(第116頁)
    • 5.4 层次聚类方法(第119頁)
    • 5.5. 基于密度的聚类(第122頁)
    • 5.6 基于网格方法(第125頁)
    • 5.7 基于模型方法(第127頁)
    • 5.8 模糊聚类(第129頁)
    • 5.9 蚁群聚类方法(第132頁)
    • 5.10 聚类方法的评价(第137頁)
  • 第 6 章 关联规则(第140頁)
    • 6.1 概述(第140頁)
    • 6.2 基本概念(第141頁)
    • 6.3 二值型关联规则挖掘(第143頁)
    • 6.4 频繁模式树挖掘算法(第149頁)
    • 6.5 垂直挖掘算法(第152頁)
    • 6.6 挖掘关联规则的数组方法(第155頁)
    • 6.7 频繁闭项集的挖掘算法(第157頁)
    • 6.8 最大频繁项集挖掘算法(第159頁)
    • 6.9 增量式关联规则挖掘(第163頁)
    • 6.10 模糊关联规则的挖掘(第166頁)
    • 6.11 任意多表间关联规则的并行挖掘(第169頁)
    • 6.12 基于分布式系统的关联规则挖掘算法(第173頁)
  • 第 7 章 粗糙集(第184頁)
    • 7.1 概述(第184頁)
    • 7.2 知识的约简(第189頁)
    • 7.3 决策表的约简(第192頁)
    • 7.4 粗糙集的扩展模型(第203頁)
    • 7.5 粗糙集的实验系统(第206頁)
    • 7.6 粒度计算(第208頁)
  • 第 8 章 神经网络(第215頁)
    • 8.1 概述(第215頁)
    • 8.2 人工神经元及感知机模型(第217頁)
    • 8.3 前向神经网络(第220頁)
    • 8.4 径向基函数神经网络(第228頁)
    • 8.5 反馈神经网络(第235頁)
    • 8.6 随机神经网络(第247頁)
    • 8.7 自组织特征映射神经网络(第253頁)
  • 第 9 章 贝叶斯网络(第256頁)
    • 9.1 概述(第256頁)
    • 9.2 贝叶斯概率基础(第260頁)
    • 9.3 贝叶斯学习理论(第265頁)
    • 9.4 简单贝叶斯学习模型(第273頁)
    • 9.5 贝叶斯网络的建造(第278頁)
    • 9.6 贝叶斯潜在语义模型(第284頁)
    • 9.7 半监督文本挖掘算法(第288頁)
  • 第 10 章 隐马尔可夫模型(第295頁)
    • 10.1 马尔可夫过程(第295頁)
    • 10.2 隐马尔可夫模型(第296頁)
    • 10.3 评估问题(第299頁)
    • 10.4 Viterbi 算法(第301頁)
    • 10.5 学习算法(第303頁)
    • 10.6 嵌入式隐马尔可夫模型(第305頁)
    • 10.7 基于状态驻留时间的分段概率模型(第308頁)
  • 第 11 章 图挖掘(第312頁)
    • 11.1 概述(第312頁)
    • 11.2 图的基础知识(第315頁)
    • 11.3 频繁子图挖掘(第317頁)
    • 11.4 约束图模式挖掘(第322頁)
    • 11.5 图分类(第323頁)
    • 11.6 图模型(第327頁)
    • 11.7 图像标注模型(第333頁)
    • 11.8 社会网络分析(第337頁)
  • 第 12 章 进化计算(第346頁)
    • 12.1 概述(第346頁)
    • 12.2 进化系统理论的形式模型(第348頁)
    • 12.3 达尔文进化算法(第350頁)
    • 12.4 基本遗传算法(第351頁)
    • 12.5 遗传算法的数学理论(第355頁)
    • 12.6 遗传算法编码方法(第360頁)
    • 12.7 适应度函数(第364頁)
    • 12.8 遗传操作(第366頁)
    • 12.9 变长度染色体遗传算法(第372頁)
    • 12.10 小生境遗传算法(第373頁)
    • 12.11 混合遗传算法(第374頁)
    • 12.12 并行遗传算法(第376頁)
    • 12.13 分类器系统(第378頁)
  • 第 13 章 分布式知识发现(第384頁)
    • 13.1 概述(第384頁)
    • 13.2 分布式计算技术(第386頁)
    • 13.3 同构海量数据挖掘(第390頁)
    • 13.4 异构海量数据挖掘(第391頁)
    • 13.5 任务调度(第392頁)
    • 13.6 基于主体的分布式知识发现(第394頁)
    • 13.7 基于网格的分布式知识发现(第395頁)
    • 13.8 面向服务的分布式知识发现(第405頁)
    • 13.9 基于对等网的分布式知识发现(第407頁)
    • 13.10 基于云平台的分布式知识发现(第409頁)
  • 第 14 章 Web 知识发现(第413頁)
    • 14.1 概述(第413頁)
    • 14.2 Web 知识发现的任务(第416頁)
    • 14.3 Web 知识发现方法(第420頁)
    • 14.4 模型质量评价(第425頁)
    • 14.5 基于文本挖掘的汉语词性自动标注研究(第427頁)
    • 14.6 文本分类(第428頁)
    • 14.7 文本聚类(第432頁)
    • 14.8 文本摘要(第438頁)
    • 14.9 Web 主题建模(第439頁)
    • 14.10 用户兴趣挖掘(第445頁)
  • 第 15 章 认知神经科学知识发现(第447頁)
    • 15.1 概述(第447頁)
    • 15.2 脑功能成像分析(第449頁)
    • 15.3 同尘振荡(第450頁)
    • 15.4 特征捆绑(第453頁)
    • 15.5 神经元集群仿真(第459頁)
  • 参考文献(第461頁)
紙本書 NT$ 354
單本電子書
NT$ 248

還沒安裝 HyRead 3 嗎?馬上免費安裝~
QR Code