扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
深度学习
-
>
Unreal Engine 4蓝图完全学习教程
-
>
深入理解计算机系统-原书第3版
-
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)
数据挖掘理论.方法与应用 版权信息
- ISBN：9787121246333
- 条形码：9787121246333 ; 978-7-121-24633-3
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>>
数据挖掘理论.方法与应用 本书特色
本书共分10章。第1章介绍了数据挖掘方法的历史，另外讨论了统计学习的一般模型。第2、3、4章介绍了三种数据挖掘模型：人工神经网络、支持向量机和隐马尔可夫模型。第5章介绍了一种新型支持向量诱导回归模型，第6章介绍了一种基于快速训练算法的hmm/svm混合系统，第7章介绍了分解向前算法及pca/ica降维svm模型，第8章介绍了不对称支持向量机改进算法，第9章介绍了一种基于隐马尔可夫模型的多重序列分析方法，第10章介绍了一类基于svm/rbf的气象模型预测系统。
数据挖掘理论.方法与应用 内容简介
本书是站在数据挖掘的独特角度对神经网络、支持向量机和隐马尔可夫理论这三个重要的理论与方法进行重新剖析，并进行方法论基础上的应用，通过讲故事似的生动而系统地阐述数据挖掘的本质，来引领读者对数据挖掘的深入理解和应用。
数据挖掘理论.方法与应用 目录
第1章 绪论 1
1.1 研究背景 2
1.2 数据挖掘的基本数学问题 5
1.2.1 相关概念 5
1.2.2 统计学习的一般模型 10
1.3 数据的变换 11
参考文献 13
第2章 神经网络挖掘理论 19
2.1 神经智能 19
2.2 生物神经元和人工神经元 21
2.2.1 生物神经元 21
2.2.2 人工神经元 23
2.2.3 建立数学模型 24
2.2.4 单层与多层网络结构 27
2.2.5 网络学习方式 32
2.2.6 经典学习规则 34
2.3 lms和sda方法 35
2.3.1 平均平方误差函数 36
2.3.2 lms和sda算法 39
2.4 后向传播算法 43
2.4.1 概况 43
2.4.2 多层网络bp算法 44
参考文献 50
第3章 基于支持向量的挖掘理论 52
3.1 支持向量与分类超平面 52
3.1.1 一维情形 52
3.1.2 二维情形 54
3.1.3 三维情形 56
3.1.4 n维情形（ ） 57
3.1.5 核函数（内积回旋）思想 58
3.1.6 核函数定义 63
3.2 风险控制策略 65
3.2.1 vc维概念 65
3.2.2 经验风险*小化原则 66
3.2.3 结构风险*小化原则 67
3.3 样本被错分的讨论 68
3.3.1 *大间隔分类超平面 68
3.3.2 数据被错分的条件 70
3.4 *优化策略 71
3.5 分类与回归 74
3.5.1 分类算法 74
3.5.2 回归算法 78
3.5.3 解的全局*优讨论 80
3.6 几种经典算法描述 82
3.6.1 分解算法 82
3.6.2 分块算法 83
3.6.3 序贯*小化算法 84
3.6.4 核函数构造算法 85
参考文献 85
第4章 隐马尔可夫挖掘理论 87
4.1 马尔可夫思想 87
4.2 隐马尔可夫链 90
4.3 隐马尔可夫模型 94
4.3.1 隐马尔可夫模型定义 94
4.3.2 三个基本算法 95
参考文献 102
第5章 新型支持向量诱导回归模型及应用 104
5.1 新型支持向量诱导回归模型 104
5.1.1 不敏感损失函数 104
5.1.2 系统模型 106
5.2 时间序列分析的相空间重构 108
5.2.1 相空间重构 108
5.2.2 性能评价指标 109
5.2.3 重构模式的近似算法 110
5.3 预测置信度估计 110
5.4 实验结果 111
5.4.1 参数的确定 111
5.4.2 预测指数分析 112
5.4.3 预测结果 113
5.4.4 svm和传统神经网络的比较 115
5.4.5 讨论 116
参考文献 117
第6章 基于快速训练算法的hmm/svm混合系统 118
6.1 l值定义 118
6.2 快速训练算法和hmm/svm混合过滤模型 119
6.2.1 基于hmm的快速训练算法 119
6.2.2 hmm/svm的双层混合系统模型 120
6.3 实验结果 121
6.3.1 数据的获取及序列的编码 122
6.3.2 dna的两类和多类分类识别 123
6.3.3 讨论 126
参考文献 127
第7章 分解向前算法及pca/ica降维svm模型 129
7.1 主成分分析（pca）的数学模型 129
7.2 独立成分分析（ica）的数学模型 131
7.3 分解向前支持向量机 133
7.3.1 三个距离区域 133
7.3.2 分解向前算法 134
7.3.3 dfsvm算法复杂度分析 136
7.3.4 pca-dfsvm及ica-dfsvm降维模型 137
7.4 实验结果 138
7.4.1 scop数据库 138
7.4.2 实验1 138
7.4.3 实验2 139
7.4.4 各项实验指标比较 140
7.4.5 讨论 141
参考文献 141
第8章 不对称支持向量机改进算法及应用 143
8.1 不对称支持向量机 143
8.1.1 样本的不对称性 143
8.1.2 不对称支持向量机算法 143
8.1.3 不对称svm分类迭代模型 146
8.2 几种多分类问题的算法复杂度估计 146
8.3 实验结果 149
8.3.1 实验1 150
8.3.2 实验2 151
8.3.3 misvm和标准svm实验指标比较 153
参考文献 155
第9章 基于隐马尔可夫模型的多重序列分析 156
9.1 研究背景 156
9.2 多重序列比对 157
9.2.1 多重序列比对的描述 157
9.2.2 特征序列 158
9.3 隐马尔可夫模型的序列描述 158
9.4 建立多重序列隐马尔可夫轮廓图 160
9.5 实验结果和讨论 161
9.5.1 pfam数据库简介 161
9.5.2 建立隐马尔可夫模型 162
9.5.3 检验hmms模型 162
9.5.4 用hmms进行蛋白质家族的模式分类 163
9.6 关于模型的局限性讨论 164
参考文献 165
第10章 一类基于svm/rbf的气象模型预测系统 167
10.1 支持向量机回归模型 167
10.1.1 回归支持向量机 167
10.1.2 模型中几个重要参数分析 168
10.2 温度序列数据分析 169
10.3 决策函数的确定 170
10.4 预测结果分析 171
10.5 结论 173
参考文献 173
1.1 研究背景 2
1.2 数据挖掘的基本数学问题 5
1.2.1 相关概念 5
1.2.2 统计学习的一般模型 10
1.3 数据的变换 11
参考文献 13
第2章 神经网络挖掘理论 19
2.1 神经智能 19
2.2 生物神经元和人工神经元 21
2.2.1 生物神经元 21
2.2.2 人工神经元 23
2.2.3 建立数学模型 24
2.2.4 单层与多层网络结构 27
2.2.5 网络学习方式 32
2.2.6 经典学习规则 34
2.3 lms和sda方法 35
2.3.1 平均平方误差函数 36
2.3.2 lms和sda算法 39
2.4 后向传播算法 43
2.4.1 概况 43
2.4.2 多层网络bp算法 44
参考文献 50
第3章 基于支持向量的挖掘理论 52
3.1 支持向量与分类超平面 52
3.1.1 一维情形 52
3.1.2 二维情形 54
3.1.3 三维情形 56
3.1.4 n维情形（ ） 57
3.1.5 核函数（内积回旋）思想 58
3.1.6 核函数定义 63
3.2 风险控制策略 65
3.2.1 vc维概念 65
3.2.2 经验风险*小化原则 66
3.2.3 结构风险*小化原则 67
3.3 样本被错分的讨论 68
3.3.1 *大间隔分类超平面 68
3.3.2 数据被错分的条件 70
3.4 *优化策略 71
3.5 分类与回归 74
3.5.1 分类算法 74
3.5.2 回归算法 78
3.5.3 解的全局*优讨论 80
3.6 几种经典算法描述 82
3.6.1 分解算法 82
3.6.2 分块算法 83
3.6.3 序贯*小化算法 84
3.6.4 核函数构造算法 85
参考文献 85
第4章 隐马尔可夫挖掘理论 87
4.1 马尔可夫思想 87
4.2 隐马尔可夫链 90
4.3 隐马尔可夫模型 94
4.3.1 隐马尔可夫模型定义 94
4.3.2 三个基本算法 95
参考文献 102
第5章 新型支持向量诱导回归模型及应用 104
5.1 新型支持向量诱导回归模型 104
5.1.1 不敏感损失函数 104
5.1.2 系统模型 106
5.2 时间序列分析的相空间重构 108
5.2.1 相空间重构 108
5.2.2 性能评价指标 109
5.2.3 重构模式的近似算法 110
5.3 预测置信度估计 110
5.4 实验结果 111
5.4.1 参数的确定 111
5.4.2 预测指数分析 112
5.4.3 预测结果 113
5.4.4 svm和传统神经网络的比较 115
5.4.5 讨论 116
参考文献 117
第6章 基于快速训练算法的hmm/svm混合系统 118
6.1 l值定义 118
6.2 快速训练算法和hmm/svm混合过滤模型 119
6.2.1 基于hmm的快速训练算法 119
6.2.2 hmm/svm的双层混合系统模型 120
6.3 实验结果 121
6.3.1 数据的获取及序列的编码 122
6.3.2 dna的两类和多类分类识别 123
6.3.3 讨论 126
参考文献 127
第7章 分解向前算法及pca/ica降维svm模型 129
7.1 主成分分析（pca）的数学模型 129
7.2 独立成分分析（ica）的数学模型 131
7.3 分解向前支持向量机 133
7.3.1 三个距离区域 133
7.3.2 分解向前算法 134
7.3.3 dfsvm算法复杂度分析 136
7.3.4 pca-dfsvm及ica-dfsvm降维模型 137
7.4 实验结果 138
7.4.1 scop数据库 138
7.4.2 实验1 138
7.4.3 实验2 139
7.4.4 各项实验指标比较 140
7.4.5 讨论 141
参考文献 141
第8章 不对称支持向量机改进算法及应用 143
8.1 不对称支持向量机 143
8.1.1 样本的不对称性 143
8.1.2 不对称支持向量机算法 143
8.1.3 不对称svm分类迭代模型 146
8.2 几种多分类问题的算法复杂度估计 146
8.3 实验结果 149
8.3.1 实验1 150
8.3.2 实验2 151
8.3.3 misvm和标准svm实验指标比较 153
参考文献 155
第9章 基于隐马尔可夫模型的多重序列分析 156
9.1 研究背景 156
9.2 多重序列比对 157
9.2.1 多重序列比对的描述 157
9.2.2 特征序列 158
9.3 隐马尔可夫模型的序列描述 158
9.4 建立多重序列隐马尔可夫轮廓图 160
9.5 实验结果和讨论 161
9.5.1 pfam数据库简介 161
9.5.2 建立隐马尔可夫模型 162
9.5.3 检验hmms模型 162
9.5.4 用hmms进行蛋白质家族的模式分类 163
9.6 关于模型的局限性讨论 164
参考文献 165
第10章 一类基于svm/rbf的气象模型预测系统 167
10.1 支持向量机回归模型 167
10.1.1 回归支持向量机 167
10.1.2 模型中几个重要参数分析 168
10.2 温度序列数据分析 169
10.3 决策函数的确定 170
10.4 预测结果分析 171
10.5 结论 173
参考文献 173
展开全部
书友推荐
- >
小考拉的故事-套装共3册
小考拉的故事-套装共3册
¥36.7¥68.0 - >
二体千字文
二体千字文
¥14.0¥40.0 - >
回忆爱玛侬
回忆爱玛侬
¥23.0¥32.8 - >
有舍有得是人生
有舍有得是人生
¥17.1¥45.0 - >
推拿
推拿
¥12.2¥32.0 - >
伯纳黛特,你要去哪(2021新版)
伯纳黛特,你要去哪(2021新版)
¥15.9¥49.8 - >
名家带你读鲁迅:朝花夕拾
名家带你读鲁迅:朝花夕拾
¥10.5¥21.0 - >
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
企鹅口袋书系列·伟大的思想20:论自然选择(英汉双语)
¥6.3¥14.0
本类畅销
-
一本书读懂大数据
¥13.5¥36 -
4.23文创礼盒A款--“作家言我精神状态”
¥42.3¥206 -
4.23文创礼盒B款--“作家言我精神状态”
¥42.3¥206 -
一句顶一万句 (印签版)
¥40.4¥68 -
百年书评史散论
¥14.9¥38 -
1980年代:小说六记
¥52.8¥69
