数据挖掘算法原理与实现（第3版·微课版）

　　 
　　第1章绪论1
　　1.1数据挖掘的概念1
　　1.2数据挖掘的历史及发展1
　　1.3数据挖掘的研究内容及功能5
　　1.3.1数据挖掘的研究内容5
　　1.3.2数据挖掘的功能6
　　1.4数据挖掘的常用技术及工具9
　　1.4.1数据挖掘的常用技术9
　　1.4.2数据挖掘的工具12
　查看完整　　

　　本书对数据挖掘的基本算法进行了系统介绍，不仅介绍了每种算法的基本原理，而且配有大量例题以及源代码，并对源代码进行了分析。这种理论与实践相结合的方式有助于读者较好地理解和掌握抽象的数据挖掘算法。 全书共11章，内容涵盖了数据预处理、关联规则挖掘算法、分类算法和聚类算法，具体章节包括绪论、数据预处理、关联规则挖掘、决策树分类算法、贝叶斯分类算法、人工神经网络算法、支持向量机、Kmeans聚类算法、K中心点聚类算法、神经网络聚类算法：SOM，以及数据挖掘的发展等内容。 本书可作为高等院校数据挖掘课程的教材，也可作为从事数据挖掘工作以及其他相关工程技术工作人员的参考书。

　　 
　　第1章绪论1
　　1.1数据挖掘的概念1
　　1.2数据挖掘的历史及发展1
　　1.3数据挖掘的研究内容及功能5
　　1.3.1数据挖掘的研究内容5
　　1.3.2数据挖掘的功能6
　　1.4数据挖掘的常用技术及工具9
　　1.4.1数据挖掘的常用技术9
　　1.4.2数据挖掘的工具12
　　1.5数据挖掘的应用热点13
　　1.6小结15
　　思考题15第2章数据预处理16
　　2.1数据预处理的目的16
　　2.2数据清理18
　　2.2.1填充缺失值18
　　2.2.2光滑噪声数据18
　　2.2.3数据清理过程19
　　2.3数据集成和数据变换20
　　2.3.1数据集成20
　　2.3.2数据变换21
　　2.4数据归约23
　　2.4.1数据立方体聚集23
　　2.4.2维归约23
　　2.4.3数据压缩24
　　2.4.4数值归约25
　　2.4.5数据离散化与概念分层28
　　2.5特征选择与提取31
　　2.5.1特征选择31
　　2.5.2特征提取32
　　2.6小结33
　　思考题34第3章关联规则挖掘35
　　3.1基本概念35
　　3.2关联规则挖掘算法——Apriori算法原理36
　　3.3Apriori算法实例分析38
　　3.4Apriori算法源程序分析41
　　3.5Apriori算法的特点及应用49
　　3.5.1Apriori算法特点49
　　3.5.2Apriori算法应用50
　　3.6小结51
　　思考题51第4章决策树分类算法53
　　4.1基本概念53
　　4.1.1决策树分类算法概述53
　　4.1.2决策树分类算法步骤53
　　4.2决策树分类算法——ID3算法原理55
　　4.2.1ID3算法原理55
　　4.2.2熵和信息增益56
　　4.2.3ID3算法58
　　4.3ID3算法实例分析59
　　4.4ID3算法源程序分析63
　　4.5ID3算法的特点及应用70
　　4.5.1ID3算法特点70
　　4.5.2ID3算法应用71
　　4.6决策树分类算法——C4.5算法原理71
　　4.6.1C4.5算法71
　　4.6.2C4.5算法的伪代码73
　　4.7C4.5算法实例分析74
　　4.8C4.5算法源程序分析76
　　4.9C4.5算法的特点及应用98
　　4.9.1C4.5算法特点98
　　4.9.2C4.5算法应用98
　　4.10小结99
　　思考题99第5章贝叶斯分类算法100
　　5.1基本概念100
　　5.1.1主观概率100
　　5.1.2贝叶斯定理101
　　5.2贝叶斯分类算法原理1082
　　5.2.1朴素贝叶斯分类模型102
　　5.2.2贝叶斯信念网络104
　　5.3贝叶斯算法实例分析107
　　5.3.1朴素贝叶斯分类器107
　　5.3.2贝叶斯信念网络应用109
　　5.4贝叶斯算法源程序分析111
　　5.5贝叶斯算法特点及应用116
　　5.5.1朴素贝叶斯分类算法116
　　5.5.2贝叶斯信念网117
　　思考题118第6章人工神经网络算法119
　　6.1基本概念119
　　6.1.1生物神经元模型119
　　6.1.2人工神经元模型120
　　6.1.3主要的神经网络模型121
　　6.2BP算法原理123
　　6.2.1Delta学习规则的基本原理123
　　6.2.2BP神经网络的结构123
　　6.2.3BP神经网络的算法描述124
　　6.2.4标准BP神经网络的工作过程126
　　6.3BP算法实例分析127
　　6.4BP算法源程序分析131
　　6.5BP算法的特点及应用139
　　6.5.1BP算法特点139
　　6.5.2BP算法应用141
　　6.6小结141
　　思考题141第7章支持向量机143
　　7.1基本概念143
　　7.1.1支持向量机理论基础143
　　7.1.2统计学习核心理论143
　　7.1.3学习过程的一致性条件143
　　7.1.4函数集的VC维144
　　7.1.5泛化误差界145
　　7.1.6结构风险最小化归纳原理145
　　7.2支持向量机原理146
　　7.2.1支持向量机核心理论146
　　7.2.2最大间隔分类超平面146
　　7.2.3支持向量机实现147
　　7.2.4核函数分类150
　　7.3支持向量机实例分析151
　　7.4支持向量机的特点及应用153
　　7.4.1支持向量机的特点153
　　7.4.2支持向量机的应用154
　　7.5小结155
　　思考题155第8章Kmeans聚类算法156
　　8.1简介156
　　8.2Kmeans聚类算法原理156
　　8.3Kmeans聚类算法实例分析158
　　8.4Kmeans聚类算法源程序分析161
　　8.5Kmeans聚类算法的特点及应用167
　　8.5.1Kmeans聚类算法的特点167
　　8.5.2Kmeans聚类算法的应用168
　　8.6小结168
　　思考题169第9章K中心点聚类算法170
　　9.1简介170
　　9.2K中心点聚类算法原理170
　　9.3K中心点聚类算法实例分析171
　　9.4K中心点聚类算法源程序分析172
　　9.5K中心点聚类算法的特点及应用179
　　9.5.1K中心点聚类算法的特点179
　　9.5.2K中心点聚类算法的应用179
　　9.6小结179
　　思考题180第10章神经网络聚类算法SOM181
　　10.1简介181
　　10.2竞争学习算法基础181
　　10.2.1SOM网络的结构181
　　10.2.2SOM网络的原理182
　　10.3SOM算法原理184
　　10.3.1SOM网络的拓扑结构184
　　10.3.2SOM权值调整域185
　　10.3.3SOM网络运行原理186
　　10.3.4学习方法186
　　10.4SOM算法实例分析187
　　10.4.1问题描述187
　　10.4.2网络设计及学习结果188
　　10.4.3结果输出188
　　10.5SOM算法源程序分析189
　　10.6SOM算法的特点及应用198
　　10.6.1SOM算法的特点198
　　10.6.2SOM算法的应用198
　　10.7小结199
　　思考题199第11章数据挖掘的发展200
　　11.1Web数据挖掘200
　　11.1.1Web数据挖掘定义200
　　11.1.2Web数据挖掘分类200
　　11.1.3Web数据挖掘的数据源201
　　11.1.4Web数据挖掘中知识的分类203
　　11.1.5Web数据挖掘的关键问题204
　　11.2空间数据挖掘205
　　11.2.1空间数据挖掘的定义与特点205
　　11.2.2空间数据挖掘的体系结构205
　　11.2.3空间数据挖掘可获得的知识类型206
　　11.2.4空间数据挖掘的方法208
　　11.3流数据挖掘211
　　11.3.1流数据的特点211
　　11.3.2流数据挖掘关键技术211
　　11.3.3流数据挖掘的实际应用及前景213
　　11.4数据挖掘与可视化技术213
　　11.4.1什么是可视化213
　　11.4.2数据可视化技术分类215
　　11.4.3数据挖掘可视化技术的应用217
　　11.5小结218
　　思考题218参考文献219
^ 收 起　　

　　本书对数据挖掘的基本算法进行了系统介绍，不仅介绍了每种算法的基本原理，而且配有大量例题以及源代码，并对源代码进行了分析。这种理论与实践相结合的方式有助于读者较好地理解和掌握抽象的数据挖掘算法。 全书共11章，内容涵盖了数据预处理、关联规则挖掘算法、分类算法和聚类算法，具体章节包括绪论、数据预处理、关联规则挖掘、决策树分类算法、贝叶斯分类算法、人工神经网络算法、支持向量机、Kmeans聚类算法、K中心点聚类算法、神经网络聚类算法：SOM，以及数据挖掘的发展等内容。 本书可作为高等院校数据挖掘课程的教材，也可作为从事数据挖掘工作以及其他相关工程技术工作人员的参考书。