数据挖掘与知识发现2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

数据挖掘与知识发现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

第一章 绪论1

1.1 引言1

目录1

1.2 KDD与数据挖掘2

1.2.1 KDD定义2

1.2.2 KDD过程3

1.2.3 数据库技术发展与数据挖掘4

1.3 数据挖掘的对象与环境6

1.3.1 数据与系统特征6

1.3.2 数据结构6

1.3.3 数据库系统7

1.4.2 粗糙集10

1.4 数据挖掘方法与相关领域10

1.4.1 数据挖掘相关领域10

1.4.3 聚类11

1.4.4 关联规则11

1.4.5 决策树12

1.4.6 模糊集13

1.4.7 规则归纳13

1.4.8 进化计算14

1.5 KDD系统与应用15

本章小结17

习题一17

2.1.1 填补空缺值18

2.1 数据清理18

第二章 数据预处理与数据仓库18

2.1.2 消除噪声数据19

2.1 3实现数据一致性20

2.2 数据集成与转换20

2.2.1 数据集成20

2.2.2 数据转换21

2.3 数据归约与浓缩22

2.3.1 数据立方体聚集22

2.3.2 维归约23

2.3.3 数据压缩24

2.3.4 数值归约25

2.4.1 概念分层的概念28

2.4 概念分层28

2.4.2 概念分层的类型29

2.4.3 数值数据的概念分层与离散化30

2.4.4 分类数据的概念分层31

2.5 数据仓库与多维数据模型32

2.5.1 数据仓库的概念32

2.5.2 数据仓库中的数据组织33

2.5.3 数据立方体36

2.5.4 多维数据库模式37

2.6 数据仓库与数据挖掘39

2.6.1 数据仓库应用39

2.6.2 数据挖掘和数据仓库的关系40

习题二41

本章小结41

3.1 近似空间43

3.1.1 近似空间与不可分辨关系43

第三章 粗糙集43

3.1.2 知识与知识库44

3.2 近似与粗糙集46

3.2.1 近似与粗糙集的基本概念46

3.2.2 粗糙集的基本性质48

3.3 粗糙集的特征描述48

3.3.1 近似精度48

33.2 粗糙集隶属函数49

3.3 3拓扑特征50

3.4.1 约简和核51

3.4 知识约简51

3.4.2 相对约简和相对核52

3.5 知识的依赖性53

3.6 信息系统54

3.6.1 信息系统的定义54

3.6.2 分辨矩阵与分辨函数56

3.7 决策表57

3.8 决策规则60

3.9 扩展的粗糙集模型61

3.9.1 可变精度粗糙集模型（VPRS）61

3.9.2 相似模型61

习题三62

本章小结62

第四章 模糊集65

4.1 模糊集定义与隶属函数65

4.1.1 模糊集定义与隶属函数65

4.1.2 模糊集合的表示法67

4.2 模糊集的基本运算68

4.3 分解定理与扩展原理70

4.4 模糊集的特征73

4.5 模糊集的度量74

4.5.1 模糊度74

4.5.2 模糊集间的距离75

4.6.1 模糊关系定义76

4.6 模糊关系76

4.5.3 模糊集的贴近度76

4.6.2 模糊关系的运算与性质77

4.6 3模糊等价关系与模糊相似关系79

4.7 模糊聚类分析79

4.7.1 模糊划分80

4.7.2 模糊相似系数的标定方法80

4.7.3 模糊聚类分析83

4.7.4 传递闭包法85

4.7.5 最大树法86

4.7.6 模糊C－均值聚类（FCM）88

4.8 模糊集与粗糙集90

习题四91

本章小结91

第五章 聚类分析93

5.1 聚类分析简介93

5.2 聚类分析中的数据类型95

5.3 划分方法97

53.1 k-均值算法97

5.3.2 k-中心点算法98

5.3.3 EM算法100

5.4 层次方法102

5.4.1 凝聚的和分裂的层次聚类102

5.4.2 利用层次方法进行平衡迭代归约和聚类104

5.4.4 采用动态建模技术的层次聚类算法105

5.4.3 利用代表点聚类105

5.5 基于密度的方法108

5.6 基于网格的方法111

5.7 基于模型的聚类方法114

5.8 孤立点分析115

本章小结116

习题五116

第六章 关联规则118

6.1 引言118

6.2 关联规则基本模型118

6.2.1 关联规则基本模型118

6.2.2 Apriori算法119

6.2.3 LIG算法122

6.2.4 FP算法128

6.3.1 多级关联规则132

6.3 多级关联规则与多维关联规则132

6.3.2 多维关联规则134

6.4 关联规则价值衡量与发展139

6.4.1 规则价值衡量139

6.4.2 基于约束的关联规则140

6.4.3 关联规则新进展142

本章小结144

习题六144

7.1 人工神经元及人工神经网络模型146

7.1.1 M-P模型146

第七章 人工神经网络146

7.1.2 人工神经元的形式化描述147

7.1.3 神经网络的分类149

7.1.4 人工神经网络的学习方式149

7.2 前向神经网络150

7.2.1 感知器150

7.2.2 多层前向神经网络的BP算法151

7.2.3 径向基函数神经网络156

7.3 反馈神经网络157

7.3.1 前向神经网络与反馈神经网络的比较157

7.3.2 反馈神经网络模型157

7.3.3 离散型Hopfie1d神经网络159

7.3.4 连续型Hopfie1d神经网络160

7.3.5 Boltzmann机162

7.4 自组织竞争神经网络模型163

7.5 基于人工神经网络的数据挖掘166

本章小结166

习题七166

第八章 分类与预测167

8.1 简介167

8.2 决策树167

8.2.1 决策树学习167

8.2.2 决策树的剪枝172

8.2.3 决策树算法的改进173

8.2.4 决策树算法的可伸缩性174

8.3.1 贝叶斯公式175

8.3 贝叶斯分类175

8.3.2 朴素贝叶斯分类176

8.3.3 贝叶斯网络178

8.3.4 学习贝叶斯网络181

8.4 基于遗传算法分类182

8.4.1 遗传算法的发展182

8.4.2 遗传算法的基本原理183

8.4.3 基本遗传算法187

8.4.4 遗传算法的基本实现技术189

8.5 分类法的评估193

8.5.1 评估分类法的精度193

8.6 预测194

8.5.2 提高分类法的精度194

8.6.1 时间序列预测模型195

8.6.2 线性回归和多元回归197

8.6.3 非线性回归204

8.6.4 其他回归模型204

8.6.5 马尔可夫链204

本章小结207

习题八208

第九章 多媒体数据挖掘210

9.1 简介210

9.2 多媒体数据库211

9.2.1 MM-DBMS体系结构211

9.2.2 数据模型212

9.2.3 MM-DBMS的功能213

9.3 挖掘多媒体数据215

9.3.1 概述215

9.3.2 文本挖掘215

9.3.3 图像挖掘217

9.3.4 视频挖掘218

9.3.5 音频挖掘220

9.3.6 复合类型数据的挖掘222

本章小结223

习题九223

参考文献224

名词索引227