数据挖掘学习方法

编者：王玲

出版时间：2017-08

定价：32元

ISBN：978-7-5024-7545-1

内容简介

本书系统地介绍了数据挖掘的方法和技术，主要内容包括：决策树挖掘；关联规则挖掘；逻辑回归；神经网络；聚类分析；支持向量机；降维；异常检测等。每一章都会涉及学习要点、学习难点和思考题，希望能使学生对数据挖掘的整体结构、理论、概念、技术和方法有深入的认识和了解；掌握数据挖掘的技术、方法及数据挖掘应用系统开发，了解数据仓库和数据挖掘技术的研究问题、现状及未来的研究方向。并且结合具体案例的分析，实现数据挖掘的功能。希望学生在创新意识、科研能力等方面得到提高。本教材可供自动化及相关专业本科生及研究生使用，也可供从事自动化技术的科技人员参考。

目录

第１章数据挖掘概述

１.１数据挖掘的定义及含义

１.２数据挖掘的作用

１.３数据挖掘和数据仓库

１.４数据挖掘和在线分析处理

１.５数据挖掘、机器学习和统计

１.６软硬件发展对数据挖掘的影响

１.７数据挖掘的类型和研究内容

思考题与习题

第２章数据仓库

２.１什么是数据仓库

２.２数据仓库的一般结构

２.３多维数据的分析

２.４数据仓库的分析与设计

２.５数据仓库的开发过程

思考题与习题

第３章聚类

３.１Ｋ均值算法

３.２层次聚类算法

３.３ＳＯＭ聚类算法

３.４ＦＣＭ聚类算法

３.５几种聚类算法的分析

思考题与习题

第４章关联规则挖掘

４.１关联规则挖掘

４.２关联规则挖掘的相关算法

４.３关联规则的应用

思考题与习题

第５章决策树算法

５.１决策树算法概述

５.２决策树表示法

５.３决策树学习的学习过程

５.４基本的决策树学习算法

５.５ ＩＤ３算法的基本原理

５.６ Ｃ４５算法的基本原理

思考题与习题

第６章逻辑回归

６.１分类问题

６.２分类问题建模

６.３判定边界

６.４代价函数

６.５多类分类

６.６类偏斜的误差度量

６.７查全率和查准率之间的权衡

思考题与习题

第７章多变量线性回归

７.１多维特征

７.２多变量梯度下降

７.３特征缩放

７.４学习率

思考题与习题

第８章神经网络

８.１神经网络概述

８.２神经网络模型的构建

８.３神经网络示例

８.４神经网络的代价函数

８.５反向传播算法

８.６梯度检验

８.７综合

思考题与习题

第９章支持向量机

９.１优化目标

９.２支持向量机判定边界

９.３核函数

９.４逻辑回归与支持向量机

９.５支持向量回归

思考题与习题

第１０章降维

１０.１数据压缩

１０.２数据可视化

１０.３主要成分分析

１０.４主要成分分析算法

１０.５选择主要成分的数量

１０.６应用主要成分分析

思考题与习题

第１１章异常检测

１１.１异常点的密度估计

１１.２异常检测

１１.３ 评价一个异常检测系统

１１.４  异常检测与监督学习对比

１１.５  选择特征

１１.６ 多元高斯分布

思考题与习题

第１２章推荐系统

１２.１问题形式化

１２.２基于内容的推荐系统

１２.３协同过滤算法

１２.４均值归一化

思考题与习题

第１３章大规模数据挖掘算法

１３.１大型数据集的学习

１３.２随机梯度下降法

１３.３微型批量梯度下降

１３.４随机梯度下降收敛

１３.５在线学习

１３.６映射化简和数据并行

思考题与习题

第１４章数据挖掘算法的案例分析

１４.１Ｒ语言的简介

１４.２案例：基于回归树预测海藻数量及分析水样化学参数

思考题与习题

参考文献