中图网

>

研究生/本科/专科教材

>

工学

数据挖掘原理与算法(第4版)

作者：毛国君、段立娟、贺文武

出版社：清华大学出版社出版时间：2023-08-01

开本：其他页数： 392

本类榜单：教材销量榜

中图价:¥54.4(7.8折) 定价 ~~¥69.8~~ 登录后可看到会员价

加入购物车收藏

运费6元，满39元免运费

?新疆、西藏除外

本类五星书更多>

>
中医基础理论

中医基础理论

¥51.7¥59
>
高校军事课教程

高校军事课教程

¥14.2¥38
>
思想道德与法治(2021年版)

思想道德与法治(2021年版)

¥8.8¥18
>
毛泽东思想和中国特色社会主义理论体系概论(2021年版)

毛泽东思想和中国特色社会主义理论体系概论(2021年版)

¥11¥25
>
中医内科学·全国中医药行业高等教育“十四五”规划教材

中医内科学·全国中医药行业高等教育“十四五”规划教材

¥85.1¥99
>
中医诊断学--新世纪第五版

中医诊断学--新世纪第五版

¥50.9¥58
>
中药学·全国中医药行业高等教育“十四五”规划教材

中药学·全国中医药行业高等教育“十四五”规划教材

¥85.1¥99

商品详情
商品评论(0条)

中图价:¥54.4 加入购物车

版权信息
本书特色
内容简介
目录

微信公众号

数据挖掘原理与算法(第4版) 版权信息

ISBN：9787302629207
条形码：9787302629207 ; 978-7-302-62920-7
装帧：平装-胶订
册数：暂无
重量：暂无
所属分类：
教材
>
研究生/本科/专科教材
>
工学

数据挖掘原理与算法(第4版) 本书特色

本书特色：
1. 本书在前三版的基础上，对数据挖掘的方法论和知识点进行了重新归纳，按照基础篇、提高篇和应用篇进行设计。
2. 本书内容相对全面，各章之间耦合度小，教师可根据学生类型、学时安排等进行选择性教学，读者也可进行选择性学习和查阅。
3. 本书作者们长期从事数据挖掘的研究和教学工作，熟知课程知识重点和难点，尽量保证本书的系统性、先进性和实用性。

数据挖掘原理与算法(第4版) 内容简介

本书是一本全面介绍数据挖掘基本原理、核心算法以及典型应用方法的专业书籍。第4版在前三版的基础上，对数据挖掘的方法论和知识点进行了重新归纳，按照基础篇、提高篇和应用篇进行设计。从方法论上说，数据挖掘是一个方法和原理逐步演变的过程。首先，*基础的数据挖掘方法主要有“关联规则”“分类”“聚类”，它们是数据挖掘的灵魂和基础，因此基础篇是了解和学习数据挖掘技术的入门知识。其次，随着数据挖掘技术研究和应用的深入，序列数据挖掘和深度神经网络得到充分研究。前者突破数据库的数据约束，面向时间序列发现有价值的知识模式；后者突破浅层神经网络的性能瓶颈，为多模态数据的自主挖掘提供新的解决途径。因此，“序列模式”和“深度神经网络”构成提高篇。*后，以互联网数据挖掘、空间数据挖掘构成应用篇。全书分为3篇共9章，各章相对独立，以利于读者选择性学习。在每章后面都专设一节对本章内容和文献引用情况进行归纳，以利于读者了解本章内容的知识点和检索原始参考资料。本书可作为计算机专业研究生或高年级本科生教材，也可作为从事计算机研究和开发人员的参考资料。作为教材，教师可以根据课时安排进行选择性教学。对于研究和开发人员，本书不仅是一本具有较高参考价值的专业书籍，而且也是学习典型算法及其原理的很好的教科书。

数据挖掘原理与算法(第4版) 目录

基础篇第1章绪论 1.1数据挖掘技术的产生与发展 1.1.1数据挖掘技术的商业需求分析 1.1.2数据挖掘产生的技术背景分析 1.1.3大数据时代的数据挖掘技术需求分析 1.2数据挖掘研究的发展趋势 1.3数据挖掘概念 1.3.1从商业角度看数据挖掘技术 1.3.2数据挖掘的技术含义 1.3.3数据挖掘研究的理论基础 1.4数据挖掘技术的分类问题 1.5数据挖掘常用的知识表示模式与方法 1.5.1广义知识挖掘 1.5.2关联知识挖掘 1.5.3类知识挖掘 1.5.4预测型知识挖掘 1.5.5特异型知识挖掘 1.6不同数据存储形式下的数据挖掘问题 1.6.1事务数据库中的数据挖掘 1.6.2关系型数据库中的数据挖掘 1.6.3数据仓库中的数据挖掘 1.6.4在关系模型基础上发展的新型数据库中的数据
挖掘 1.6.5面向应用的新型数据源中的数据挖掘 1.6.6Web数据源中的数据挖掘
1.7粗糙集方法及其在数据挖掘中的应用 1.7.1粗糙集的一些重要概念 1.7.2粗糙集应用举例 1.7.3粗糙集方法在KDD中的应用范围 1.8数据挖掘的应用分析 1.8.1数据挖掘与CRM 1.8.2数据挖掘与社会网络 1.8.3数据挖掘应用的成功案例分析 1.9本章小结和文献注释习题1 第2章知识发现过程与应用结构 2.1知识发现的基本过程 2.1.1数据抽取与集成技术要点 2.1.2数据清洗与预处理技术要点 2.1.3数据的选择与整理技术要点 2.1.4数据挖掘技术要点 2.1.5模式评估技术要点 2.2数据库中的知识发现处理过程模型 2.2.1阶梯处理过程模型 2.2.2螺旋处理过程模型 2.2.3以用户为中心的处理模型 2.2.4联机KDD模型 2.2.5支持多数据源多知识模式的KDD处理模型 2.3知识发现软件或工具的发展 2.3.1独立的知识发现软件 2.3.2横向的知识发现工具集 2.3.3纵向的知识发现解决方案 2.3.4KDD系统介绍 2.4知识发现项目的过程化管理 2.5数据挖掘语言介绍 2.5.1数据挖掘语言的分类 2.5.2数据挖掘查询语言 2.5.3数据挖掘建模语言 2.5.4通用数据挖掘语言 2.5.5DMQL挖掘查询语言介绍 2.6本章小结和文献注释习题2 第3章关联规则挖掘理论和算法 3.1基本概念与解决方法 3.2经典的频繁项目集生成算法分析 3.2.1项目集空间理论 3.2.2经典的发现频繁项目集算法 3.2.3关联规则生成算法 3.3Apriori算法的性能瓶颈问题 3.4Apriori的改进算法 3.4.1基于数据分割的方法 3.4.2基于散列的方法 3.4.3基于采样的方法 3.5项目集空间理论的发展 3.5.1Close算法 3.5.2FPtree算法 3.6项目集格空间和它的操作 3.7基于项目集操作的关联规则挖掘算法 3.7.1关联规则挖掘空间 3.7.2三个实用算子 3.7.3*大频繁项目集格的生成算法 3.7.4ISSDM算法执行示例 3.8改善关联规则挖掘质量问题 3.8.1用户主观层面 3.8.2系统客观层面 3.9约束数据挖掘问题 3.9.1约束在数据挖掘中的作用 3.9.2约束的类型 3.10时态约束关联规则挖掘 3.11关联规则挖掘中的一些更深入的问题 3.11.1多层次关联规则挖掘 3.11.2多维关联规则挖掘 3.11.3数量关联规则挖掘 3.12数量关联规则挖掘方法 3.12.1数量关联规则挖掘问题 3.12.2数量关联规则的分类 3.12.3数量关联规则挖掘的一般步骤 3.12.4数值属性离散化问题及算法 3.13本章小结和文献注释习题3 第4章分类方法 4.1分类的基本概念与步骤 4.2基于距离的分类算法 4.3决策树分类方法 4.3.1决策树基本算法概述 4.3.2ID3算法 4.3.3C4.5算法 4.4贝叶斯分类 4.4.1贝叶斯定理 4.4.2朴素贝叶斯分类 4.4.3EM算法 4.5规则归纳 4.5.1AQ算法 4.5.2CN2算法 4.5.3FOIL算法 4.6与分类有关的其他问题 4.6.1分类数据预处理 4.6.2分类器性能的表示与评估 4.7本章小结和文献注释习题4 第5章聚类方法 5.1概述 5.1.1聚类分析在数据挖掘中的应用 5.1.2聚类分析算法的概念与基本分类 5.1.3距离与相似性的度量 5.2划分聚类方法 5.2.1k平均算法 5.2.2PAM 5.2.3CLARANS算法 5.3层次聚类方法 5.3.1AGNES算法 5.3.2DIANA算法 5.3.3其他层次聚类方法 5.4密度聚类方法 5.5其他聚类方法 5.5.1STING算法 5.5.2SOM算法 5.5.3COBWEB算法 5.5.4模糊聚类算法FCM 5.6本章小结和文献注释习题5 提高篇第6章时间序列和序列模式挖掘 6.1时间序列及其应用 6.2传统的时间序列分析方法 6.3随机时间序列分析方法 6.3.1时间序列的平稳性 6.3.2平稳的随机时间序列分析模型 6.3.3非平稳的随机时间序列分析模型 6.3.4时间序列中相似性及其序列匹配方法 6.4基于离散傅里叶变换的时间序列相似性查找 6.4.1完全匹配 6.4.2子序列匹配 6.5基于规范变换的查找方法 6.5.1基本概念 6.5.2查找方法 6.6序列挖掘 6.6.1基本概念 6.6.2数据源的形式 6.6.3序列模式挖掘的一般步骤 6.7AprioriAll算法 6.8AprioriSome算法 6.9GSP算法 6.10本章小结和文献注释习题6 第7章神经网络与深度学习 7．1线性网络 7．1．1线性回归模型 7．1．2随机梯度下降 7．1．3神经网络 7．1．4softmax回归 7．1．5线性回归模型实践 7．1．6softmax回归模型实践 7．2多层感知器 7．2．1隐含层 7．2．2激活函数 7．2．3前向传播与反向传播 7．2．4暂退法 7．2．5多层感知器模型实践 7．3卷积神经网络 7．3．1卷积 7．3．2池化 7．3．3经典卷积神经网络LeNet 7．3．4LeNet实践 7．4深度卷积神经网络 7．4．1现代卷积神经网络AlexNet 7．4．2AlexNet实践 7．4．3含并行连接的卷积神经网络GoogleNet 7．4．4GoogleNet实践 7．4．5残差网络ResNet 7．4．6ResNet18实践 7．5PyTorch简介 7．5．1PyTorch安装 7．5．2Jupyter Notebook中PyTorch的初步实践 7．5．3自动微分 7．5．4数据集读写及相关自定义函数 7．6本章小结和文献注释习题7 应用篇第8章Web挖掘技术 8.1Web挖掘的意义 8.2Web挖掘的分类
8.3Web挖掘的含义 8.3.1Web挖掘与信息检索 8.3.2Web挖掘与信息抽取 8.4Web挖掘的数据来源 8.4.1服务器日志数据 8.4.2在线市场数据 8.4.3Web页面 8.4.4Web页面之间的超链接关系 8.4.5其他信息 8.5Web内容挖掘方法 8.5.1爬虫与Web内容挖掘 8.5.2虚拟的Web视图 8.5.3个性化与Web内容挖掘 8.5.4对Web页面内文本信息的挖掘 8.5.5对Web页面内多媒体信息挖掘 8.5.6Web页面内容的预处理 8.6Web访问信息挖掘方法 8.6.1Web访问信息挖掘的特点 8.6.2Web访问信息挖掘的意义 8.6.3Web访问信息挖掘的数据源 8.6.4Web访问信息挖掘的一般过程 8.6.5Web访问信息挖掘的数据清理 8.6.6用户识别方法 8.6.7会话识别方法 8.6.8其他预处理技术 8.6.9Web访问挖掘的应用方法 8.6.10Web访问信息挖掘的要素构成 8.6.11Web访问信息挖掘应用 8.7Web结构挖掘方法 8.7.1页面等级（分级）的评价方法 8.7.2PageRank算法 8.7.3权威页面和中心页面 8.7.4Web站点结构的预处理 8.8本章小结和文献注释习题8 第9章空间挖掘 9．1空间挖掘的意义 9．2空间数据概要 9．2．1空间数据的复杂性特征 9．2．2空间数据的查询问题 9．3空间数据组织 9．3．1*小包围矩形 9．3．2空间索引技术 9.3.3专题地图 9．4空间数据挖掘基础 9．4．1空间数据的基本操作 9．4．2空间实体间的距离度量 9．4．3空间数据挖掘的基本方法 9．5空间关联规则及其挖掘方法 9．5．1空间关联规则概述 9．5．2空间关联规则挖掘方法 9．6空间分类算法 9．6．1ID3在空间的扩展 9．6．2空间决策树的构建方法 9．7空间聚类算法 9．7．1空间近似聚类的CRH方法 9．7．2基于随机搜索的CLARANS扩展聚类方法 9．7．3大型空间数据库基于距离分布的聚类算法DBCLASD 9．7．4其他的空间聚类方法 9．8空间统计挖掘 9．9空间的概念泛化与特化 9．9．1逐步求精 9．9．2泛化 9．9．3统计学信息网格方法 9.10空间挖掘的其他问题 9.11空间数据挖掘原型系统介绍 9.12空间数据挖掘的研究现状 9.13空间数据挖掘的研究与发展方向 9.14空间数据挖掘与相关学科的关系 9.14.1空间数据挖掘与空间数据库 9.14.2空间数据挖掘与空间数据仓库 9.14.3空间数据挖掘与空间联机分析处理 9.14.4空间数据挖掘与地理信息系统 9.15数字地球 9.16本章小结和文献注释习题9 参考文献

展开全部

商品评论(0条)

写书评赚书币

暂无评论……

书友推荐