数据挖掘技术及应用PDF|Epub|txt|kindle电子书版本网盘下载

数据挖掘技术及应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章　数据挖掘概述1

1.1　数据挖掘技术产生的动力1

1.1.1　数据爆炸问题1

1.1.2　数据过量而知识贫乏8

1.2　数据挖掘的概念与方法概述9

1.2.1　数据挖掘溯源及“尿布与啤酒”的故事9

1.2.2　数据挖掘的定义与特点11

1.2.3　数据挖掘的支撑技术12

1.2.4　数据挖掘与统计分析16

1.2.5　数据挖掘与机器学习18

1.2.7　数据仓库与联机分析处理19

1.2.6　数据挖掘与人工智能19

1.2.8　数据挖掘与决策支持系统、专家系统21

1.2.9　数据挖掘与知识发现22

1.3　数据挖掘的分类25

1.3.1　按挖掘的数据库类型分类25

1.3.2　按发现的知识类型分类28

1.3.3　按采用的技术类型分类29

1.3.4　按挖掘的深度分类30

1.3.5　按数据挖掘的应用领域分类30

1.4　数据挖掘的主要功能31

1.4.1　预测及验证功能31

1.4.2　描述功能32

1.5　数据挖掘的工具及软件33

1.5.1 Enterprise Miner34

1.5.2 Clementine35

1.5.3 Intelligent Miner35

1.5.4 MineSet36

1.5.5 DBMiner36

1.5.6 PolyAnalyst和TextAnalyst36

1.5.7 Explora37

1.5.8 KDW37

1.5.9　其他挖掘软件系统37

1.6　数据挖掘的专利38

1.7　数据挖掘技术的应用状况40

1.7.1　基于客户数据库的市场营销40

1.7.2　风险分析和欺诈检测43

1.7.3　在体育领域的应用44

1.7.4　数据挖掘技术在其他领域的应用45

1.8　本章小结47

本章参考文献48

思考题48

第2章　关联规则发现50

2.1　关联规则挖掘的典型问题——货篮数据分析53

2.2　关联规则挖掘的基本概念54

2.2.1　关联规则54

2.2.2　支持度和置信度55

2.3　二值型关联规则挖掘55

2.3.1　第一个关联规则挖掘算法——AIS58

2.3.2　基于SQL的关联规则挖掘算法——SETM60

2.3.3　关联规则挖掘的基本算法——Apriori61

2.3.4　关联规则挖掘的改进算法66

2.4　并行关联规则挖掘算法76

2.4.1　内存分布的并行挖掘算法77

2.4.2　共享内存的并行挖掘算法80

2.4.3　并行算法研究的若干问题81

2.5　数值型关联规则挖掘算法82

2.5.1　数值型关联规则挖掘算法83

2.5.2　模糊关联规则挖掘算法86

2.6　多层次关联规则挖掘91

2.6.1　同层关联规则的挖掘91

2.6.2　层间关联规则的挖掘95

2.7.1　阈值的动态调整98

2.7　增量式关联规则挖掘98

2.7.2　数据库的更新99

2.8　关联规则挖掘的其他问题103

2.9　关联规则挖掘在文献分析中的应用104

2.10　本章小结107

本章参考文献107

思考题109

第3章　数据分类111

3.1　决策树113

3.1.1　特征选择策略116

3.1.2　决策树构造的过度问题和解决方法122

3.1.4　决策树的测试124

3.1.3　分类规则的生成124

3.1.5　Bagging和Boosting技术125

3.1.6　可扩展的决策树分类算法128

3.1.7　常用的决策树算法概述132

3.1.8　训练样本的规模对决策树的影响133

3.2　神经网络139

3.2.1　神经网络的分类139

3.2.2　常用的神经网络140

3.2.3　基于神经网络的分类方法141

3.3　遗传算法146

3.3.1　基本概念147

3.3.2　遗传算子148

3.3.3　算法过程150

3.3.4　遗传算法的特点151

3.3.5　遗传算法在分类中的应用153

3.4　支持向量机153

3.4.1　支持向量机的原理154

3.4.2　支持向量机的改进算法157

3.4.3　支持向量机的应用158

3.5　其他分类方法158

3.5.1　粗糙集理论158

3.5.2　K-近邻算法161

3.5.3　贝叶斯分类163

3.5.4　简单距离分类166

3.5.5　基于关联规则的分类算法166

3.6.1　人脸辨识167

3.6　分类方法在人脸识别中的应用167

3.6.2　特征提取168

3.6.3　人脸识别169

3.6.4　人脸识别实例169

3.7　本章小结171

本章参考文献173

思考题175

第4章　聚类分析176

4.1　聚类和聚类分析176

4.2　数据类型177

4.3　相似度量方法179

4.3.1　距离179

4.3.2　相似系数180

4.3.3　属性的相似度量182

4.4　聚类方法的分类183

4.5　划分聚类方法184

4.5.1　K-means及扩展算法184

4.5.2　模糊划分聚类188

4.5.3　K-medoids及其扩展算法191

4.6　层次聚类方法193

4.7　基于空间索引的聚类方法197

4.7.1　基于密度的聚类197

4.7.2　网格聚类方法202

4.8　自组织神经网络203

4.8.1 自组织神经网络的定义203

4.8.2　自组织神经网络的学习过程204

4.8.3　SOM的评价208

4.8.4　自组织神经网络工具209

4.8.5　其他自组织神经网络算法213

4.8.6　自组织神经网络的应用217

4.9　其他聚类方法221

4.9.1　基于图的聚类221

4.9.2　启发式寻优方法222

4.9.3　基于模型的方法224

4.9.4　高维空间的聚类228

4.10　聚类方法的评价231

4.10.1　聚类的准确度231

4.10.2　聚类的同构度与异构度234

4.10.3　聚类算法的比较235

4.11　聚类应用案例238

4.11.1　一个模糊聚类的应用案例分析238

4.11.2　一个层次聚类的应用案例分析240

4.12　本章小结246

本章参考文献248

思考题250

第5章　统计预测方法与序列模式挖掘251

5.1　时间序列与序列模式252

5.2　时间序列预测的基本方法253

5.3　回归预测方法255

5.3.1　线性回归256

5.3.4　回归方程的显著性检验257

5.3.2　二次回归257

5.3.3　其他回归方程257

5.3.5　Logistic回归260

5.4　统计预测案例分析261

5.5　序列模式挖掘的基本概念与方法265

5.5.1　概念与问题描述266

5.5.2　序列模式挖掘方法268

5.5.3　大序列计算方法270

5.5.4　有时间约束的序列模式挖掘278

5.6　多层次序列模式挖掘方法279

5.6.1　定义与问题描述279

5.6.3　多概念层次序列模式挖掘算法280

5.6.2　多层次序列模式的性质280

5.7　多层次序列模式挖掘在供应链管理中的应用285

5.8　本章小结286

本章参考文献286

思考题287

第6章　Web上的数据挖掘288

6.1 Web上的数据288

6.2 Web上的数据挖掘289

6.2.1 Web内容挖掘291

6.2.2 Web使用模式挖掘294

6.2.3 Web结构挖掘295

6.3 Web中数据挖掘的应用296

6.3.1 发现Web客户的偏好与行为296

6.3.2 Web智能查询297

6.3.3 利用Web挖掘提高网络响应速度300

6.3.4 Web智能工具302

6.4 XML与数据挖掘305

6.4.1 XML简介305

6.4.2 PMML简介306

6.4.3 XML和Web挖掘307

6.5　电子商务的数据挖掘308

6.6　本章小结310

本章参考文献311

思考题312

7.1　数据挖掘工具313

7.1.1　数据挖掘工具的体系结构313

第7章　数据挖掘系统的设计与实现313

7.1.2　数据挖掘工具简介316

7.2　分布式环境下的集成数据挖掘系统335

7.2.1　分布式数据挖掘系统的解决方案336

7.2.2　统一的表示和存储机制337

7.2.3　有效的模型分析功能338

7.2.4　平台无关的接口339

7.2.5　动态的可扩展结构341

7.2.6　一个基于Web服务的分类原型系统343

7.3　本章小结352

本章参考文献352

思考题353

附录　数据挖掘产品特点与应用案例表354