数据挖掘技术与应用
全新正版 极速发货
￥ 45.53 6.7折 ￥ 68 全新
库存4件
广东广州
认证卖家担保交易快速发货售后保障
作者编者:由育阳|责编:孙澍
出版社北京理工大学
ISBN9787568292573
出版时间2021-06
装帧其他
开本其他
定价68元
货号1202438991
上书时间2024-06-15
商品详情
- 品相描述：全新
- 商品描述
-
目录
第1章 绪论
1.1 数据挖掘的定义
1.2 为什么进行数据挖掘
1.2.1 数据挖掘的背景
1.2.2 数据挖掘的意义
1.3 数据挖掘的应用
1.4 数据挖掘的对象和常用方法
1.4.1 数据挖掘的对象
1.4.2 数据挖掘的常用方法
1.5 数据挖掘的主要问题
1.6 数据挖掘在睡眠分期中的应用
1.6.1 睡眠分期的背景
1.6.2 常用睡眠分期数据库
1.6.3 睡眠分期中的数据挖掘
参考文献
第2章 数据描述和预处理
2.1 数据描述
2.2 数据类型
2.2.1 数据的一般特性
2.2.2 记录数据
2.2.3 基于图形的数据
2.2.4 有序数据
2.3 数据质量
2.4 数据可视化
2.4.1 柱形图
2.4.2 直方图与核密度估计图
2.4.3 箱形图
2.5 数据预处理
2.5.1 标准化
2.5.2 非线性变换
2.5.3 归一化
2.5.4 离散化
2.6 睡眠分期中的数据描述和预处理
参考文献
第3章 基本统计分析方法
3.1 正态分布参数的假设检验和区间估计
3.1.1 对均值肚的估计
3.1.2 对方差α2的假设检验和置信区间
3.2 两组数据的比较
3.2.1 数据成对
3.2.2 数据相互独立
3.3 二维数据检验
3.4 回归分析
3.4.1 主要定理
3.4.2 非线性转换
3.4.3 分类属性预测
3.5 方差分析
3.5.1 单因素方差分析
3.5.2 多因素ANOVA
3.6 睡眠脑电特征基本统计方法示例
参考文献
第4章 决策树算法与随机森林
4.1 决策树模型与学习
4.1.1 决策树模型
4.1.2 决策树与if—then规则
4.1.3 决策树与条件概率分布
4.1.4 决策树学习
4.2 特征选择
4.2.1 特征选择的问题
4.2.2 信息增益
4.2.3 信息增益比
4.3 决策树的生成
4.3.1 ID3算法
4.3.2 C4.5 的生成算法
4.4 决策树的剪枝
孵趸j”分类与回归树算法
4.5.1 CART的生成
4.5.2 CART剪枝算法
4.6 集成学习和随机森林
4.6.1 集成学习
4.6.2 Bagging与随机森林
4.7 随机森林算法在睡眠分期中的应用
参考文献
第5章 贝叶斯网络
5.1 朴素贝叶斯法的学习与分类
5.1.1 基本方法
5.1.2 后验概率最大化的含义
5.2 朴素贝叶斯的参数估计
5.2.1 极大似然估计
5.2.2 学习与分类算法
5.2.3 贝叶斯估计
5.3 贝叶斯网络
5.3.1 模型表示
5.3.2 建立模型
5.3.3 使用贝叶斯信念网络进行推理示例
5.3.4 BBN的特点
5.4 贝叶斯网络在睡眠分期中的应用
参考文献
第6章 支持向量机
6.1 线性可分的SVM方法
6.2 线性不可分的SVM方法
6.3 核函数
6.4 SVM在睡眠分期中的应用
参考文献
第7章 神经网络算法
7.1 概述
7.1.1 人工神经网络发展历史
7.1.2 神经网络分类
7.2 单层神经网络
7.2.1 生物神经网络
7.2.2 人工神经网络
7.3 多层感知器和反向传播算法
7.3.1 反向传播算法和反向传播网络简介
7.3.3 误差反向传播
7.3.4 梯度消失问题及其解决办法
7.4 深度学习
7.4.1 深度学习与神经网络
7.4.2 CNN——AlexNet模型
7.5 神经网络在睡眠分期中的应用
参考文献
第8章 遗传算法
8.1 遗传算法的基本原理
8.1.1 遗传与进化的系统观
8.1.2 遗传算法的特点
8.1.3 遗传算法的基本术语
8.1.4 遗传算法的主要步骤
8.1.5 基本遗传算法的构成要素
8.2 遗传算法的基本实现技术
8.2.1 编码方法
8.2.2 适应度函数
8.2.3 选择算子
8.2.4 交叉算子
8.2.5 变异算子
8.2.6 遗传算法的运行参数
8.2.7 约束条件的处理方法
8.3 遗传算法的优化举例
8.3.1 优化实例l
8.3.2 优化实例
参考文献
第9章 聚类算法
9.1 K—Means聚类
9.2 Mean—Shift聚类
9.3 基于密度的聚类方法
9.3.1 算法优缺点
9.3.2 基本概念
9.3.3 I)BSCAN算法原理
9.4 基于高斯混合模型的期望最大化聚类
9.5 聚类算法在睡眠分期中的应用
9.5.1 K—Means方法
9.5.2 DBSCAN方法
参考文献
第10章 主成分分析
10.1 数据降维
10.2 主成分分析原理
10.2.1 PCA的理论推导
10.2.2 方差、协方差及协方差矩阵
10.3 PcA算法示例
10.4 PCA在睡眠分期中的应用
参考文献
第1l章 其他数据挖掘算法
11.1 隐马尔可夫模型
11.1.1 什么样的问题需要HMM
11.1.2 HMM
11.1.3 一个HMM实例
11.1.4 HMM观测序列的生成
11.1.5 HMM的三个基本问题
11.1.6 代码示例
11.2 关联规则挖掘
11.2.1 关联规则介绍
11.2.2 Apriori算法
11.2.3 FP—growth算
内容摘要
本书在数据挖掘领域介绍的内容全面，讲解细致，保留了相当的篇幅讲述数据挖掘各方面的基本概念和方法，如数据挖掘的概述、数据描述和处理、基本统计分析方法、常用的统计学习算法和深度学习算法。本书还介绍了数据挖掘技术应用实例，如数据挖掘技术在睡眠分期中的应用。因此既适合初学者学习又适合专业人员参考。除了包含国内外教材中的内容和特点外，还包括了应用实例的介绍，其内容具有合理性、丰富性和先进性的特点。尤其在数据挖掘应用实例方面，针对具体问题提出解决方案，并附有关键代码，对理解数据、进行数据分析、理解算法实现等非常有帮助。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价