数据挖掘原理与技术【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

数据挖掘原理与技术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

目录1

第1章 绪论1

1-1 什么是数据挖掘1

1-2 为何进行数据挖掘2

1-3 数据挖掘和统计分析的关系3

1-4 数据挖掘与数据仓库的关系3

1-5 数据挖掘系统和4

其他系统的比较4

1-5-1 数据挖掘系统4

与专家系统的比较4

1-5-2 数据挖掘和OLAP6

的比较6

1-6 数据挖掘系统的分类6

2-1 问题定义与主题分析9

第2章数据挖掘过程9

2-2 数据准备10

2-2-1 数据清理10

2-2-2 数据集成11

2-2-3 数据选择12

2-2-4 数据变换13

2-2-5 数据归约13

2-2-6 数据质量分析16

2-3 建立模型17

2-3-1 模型是什么17

2-3-2 模型的精确度18

2-3-3 模型的验证19

2-4 模式评估19

2-4-1 模式是什么20

和验证21

2-4-2 挖掘结果的评价21

2-5 数据可视化和知识管理22

2-5-1 可视化表示22

2-5-2 知识管理23

第3章 关联规则25

3-1 概述25

3-1-1 啤酒和尿布问题25

3-1-2 基本概念25

3-2 关联规则26

3-2-1 概念分层26

3-2-2 兴趣度29

3-2-3 数据库中关联规则29

的发现29

的Apriori算法31

3-3 关联规则学习31

3-3-1 使用候选项集32

找频繁项集32

3-3-2 由频繁项集33

产生关联规则33

3-4 挖掘关联规则的多策略方法33

3-4-1 多层关联规则33

3-4-2 多维关联规则36

第4章 决策树37

4-1 什么是决策树37

4-2 决策树的原理37

4-2-1 归纳学习37

4-2-2 决策树的表示38

4-2-3 决策树学习38

4-2-4 ID3算法40

4-2-5 树剪枝45

4-3 决策树的应用46

4-3-1 规则提取46

4-3-2 分类46

4-4 决策树的优缺点47

第5章 聚类分析49

5-1 概述49

5-1-1 什么是聚类分析49

5-1-2 聚类分析的预备知识50

5-1-3 聚类方法的分类51

5-2 基于划分的聚类算法52

5-2-1 基于划分的评价函数53

5-2-2 k-平均方法53

5-2-3 k-中心点方法54

5-3 层次聚类55

5-3-1 凝聚方法55

5-3-2 分裂方法56

5-4 孤立点分析56

5-4-1 基于统计的56

孤立点检测56

5-4-2 基于距离的57

孤立点检测57

5-4-3 基于偏离的57

孤立点检测57

第6章 基于样例的学习59

6-1 概述59

6-2 k-最近邻算法59

6-2-2 k-最近邻算法60

6-2-1 基本思想60

6-2-3 距离加权最近邻算法61

6-3 基于样例的推理62

6-3-1 CBR过程63

6-3-2 样例的表示64

6-3-3 相似性关系66

6-3-4 样例的修正和调整67

第7章 贝叶斯学习69

7-1 贝叶斯理论69

7-1-1 贝叶斯理论的69

基本理念69

7-1-2 贝叶斯定理69

7-1-3 极大似然和最小误差平方假设71

7-2 朴素贝叶斯分类73

结构75

7-3 贝叶斯信念网络75

7-3-1 贝叶斯信念网络的75

7-3-2 贝叶斯信念网络的78

训练78

7-4 贝叶斯分类的应用78

第8章 粗糙集81

8-1 关于知识的观点81

8-2 粗糙集理论的知识发现83

8-3 决策表的定义85

8-4 数据离散化85

8-5 决策规则的获取87

8-6 粗糙集的化简88

8-6-1 属性的化简88

8-6-2 一致决策表的化简89

8-6-3 属性重要性度量93

9-1 什么是神经网络95

第9章 神经网络95

9-2 神经网络的表示和学习96

9-2-1 基本神经元模型97

9-2-2 基本的神经网络模型97

9-2-3 感知器99

9-2-4 神经网络的学习103

9-3 多层前馈神经网络105

9-3-1 前馈神经网络模型106

和表征能力106

9-3-2 后向传播算法106

9-3-3 后向传播法则的108

推导108

9-4 反馈式神经网络110

9-4-1 离散型神经网络112

9-4-2 连续型神经网络115

9-5 神经网络的应用之一117

——聚类117

第10章 遗传算法123

10-1 遗传算法概述123

10-1-1 基本思想和术语123

10-1-2 遗传算法的基础125

10-1-3 遗传算法的特点131

10-2 基本遗传算法133

10-3 遗传算法的实现技术135

10-3-1 编码方法135

10-3-2 适应性度量139

10-3-3 选择策略140

遗传算子143

10-3-4 交叉和变异143

10-4 遗传算法的理论分析144

10-4-1 模式定理144

10-4-2 积木块假设147

与欺骗问题147

10-4-3 隐并行性151

10-4-4 遗传算法的收敛性分析153

10-5 遗传算法的应用实例157

第11章 统计分析163

11-1 样本和统计推理163

11-1-1 通过概率分布163

和密度描述数据163

11-12 置信区间的推导165

回归模型168

11-2-1 具有线性结构的168

1 1-2 回归分析168

11-2-2 最小二乘法拟合169

11-2-3 多元线性回归171

11-2-4 非线性回归172

数据分析172

11-3 主成分分析172

11-3-1 高维数据综合173

简化的思想和原则173

11-3-2 主成分分析的算法推导173

第12章 文本和Web挖掘177

12-1 概述177

12-1-1 文本挖掘的任务177

12-1-2 Web挖掘的特点177

12-1-3 Web挖掘的任务178

空间表示179

12-2-1 文本的向量179

12-2 文本挖掘技术179

12-2-2 文本特征的提取180

12-2-3 文本信息挖掘系统182

12-3 Web数据挖掘技术182

12-3-1 Web结构挖掘183

12-3-2 Web使用记录的185

挖掘185

12-3-3 Web内容挖掘186

12-3-4 个人偏好建模186

12-4 文本和Web挖掘的应用187

12-4-1 文档分类187

12-4-2 自动推荐系统188

13-1-1 空间数据库191

13-1 空间数据挖掘191

和发展趋势191

第13章 数据挖掘的应用191

13-1-2 空间数据挖掘192

发现的知识类型192

13-1-3 空间数据挖掘方法193

13-2 图像检索和挖掘194

13-2-1 基于内容的检索195

13-2-2 图像数据库挖掘195

13-3 时间序列和序列检索196

13-3-1 序列模式分析196

13-3-2 时间序列数据197

13-3-3 趋势分析197

13-3-4 时序分析198

13-4 隐私面临的挑战199

系统的不足201

14-1-1 传统的信息201

实例分析201

14-1 商业智能概述201

第14章 商业智能解决方案201

14-1-2 什么是商业智能202

14-2 商业智能系统的203

处理流程和框架203

14-2-1 商业智能系统的203

处理流程203

14-2-2 商业智能204

系统的框架204

14-3 商业智能解决方案204

14-3-1 概述205

14-3-2 数据仓库205

14-3-3 数据仓库管理207

14-3-4 数据清洗和转换208

14-3-5 在线分析209

14-3-6 前端工具209

14-3-7 数据挖掘210

附录A IBM DB2 Intelligent211

Miner简介211

A-1 DB2 Intelligent Miner功能简介211

A-2 DB2 Intelligent Miner for Data使用简介212

A-2-1 业务定义212

A-2-2 定义数据对象213

A-3 创建模型216

A-4 模型应用222

A-5 创建统计函数228

A-6 解释挖掘结果231

参考文献233