大数据模型与应用 微课版
全新正版 极速发货
￥ 58.76 6.5折 ￥ 89.8 全新
库存3件
广东广州
认证卖家担保交易快速发货售后保障
作者陈燕、李瑶、魏惠梅、王立娟
出版社清华大学出版社
ISBN9787302642640
出版时间2023-12
装帧平装
开本16开
定价89.8元
货号1203188034
上书时间2024-11-13
商品详情
- 品相描述：全新
- 商品描述
-
目录
第1章常用的算法模型及应用——大数据建模的预备知识1
1.1概述1
1.2最小生成树及其算法与应用1
1.2.1生成树与最小生成树2
1.2.2最小生成树算法与应用3
1.3求优选流问题18
1.3.1优选流问题概述18
1.3.2优选流问题的解决方案19
1.4有向无环图及其应用24
1.4.1有向无环图概述24
1.4.2拓扑排序25
1.4.3关键路径32
1.5网页排序算法及应用42
1.5.1网页排序算法概述42
1.5.2网页排序应用示例42
1.6求最短路径45
1.6.1最短路径概述45
1.6.2Dijkstra算法46
1.6.3Floyd(弗洛伊德)算法48
1.7图的遍历53
1.7.1深度优先搜索遍历53
1.7.2广度优先搜索遍历56
1.8汉诺塔问题的求解61
1.8.1汉诺塔问题概述61
1.8.2汉诺塔问题对应的算法61
1.9迷宫问题的求解63
1.9.1迷宫问题概述63
1.9.2迷宫问题求解程序65
1.10阿克曼函数算法的求解与阅读70
1.10.1阿克曼函数概述70
1.10.2阿克曼函数的递归算法70
1.10.3阿克曼函数对应程序与阅读方法70
小结72
习题72
第2章预测模型74
2.1预测模型介绍74
2.2回归分析预测模型76
2.2.1一元线性回归预测模型76
2.2.2多元线性回归预测模型82
2.2.3非线性回归预测模型89
2.3时间序列预测模型93
2.3.1移动平均模型93
2.3.2指数平滑模型97
2.4生长曲线预测模型103
2.4.1皮尔模型103
2.4.2龚珀兹模型107
2.4.3林德诺模型112
2.5组合模型116
2.5.1沿海港口货物吞吐量组合预测计算116
2.5.2沿海港口货物吞吐量对比分析117
2.6马尔可夫预测模型119
小结121
习题121
第3章关联规则模型与应用124
3.1关联规则的解释、理论与相关术语124
3.1.1关联规则的解释124
3.1.2关联规则的理论及相关术语125
3.1.3Apriori算法介绍127
3.2关联规则举例128
3.3关联规则的创新应用研究143
3.3.1基于Hadoop环境下Map-Reduce流程的应用143
3.3.2基于FP-tree的频繁项集的挖掘方法143
小结150
习题151
第4章分类分析模型及应用152
4.1分类模型概述152
4.1.1分类模型概念与相关术语152
4.1.2分类模型评估与选择153
4.2决策树分类模型163
4.2.1决策树分类模型与算法流程163
4.2.2决策树分类模型示例174
4.2.3运用Python实现决策树分类模型（ID3算法）的运行程序177
4.2.4决策树分类模型的剪枝处理184
4.2.5决策树分类模型中的连续与缺失值处理189
4.2.6多变量决策树193
4.2.7决策树分类模型的特性196
4.3贝叶斯分类模型196
4.3.1朴素贝叶斯分类模型的算法原理196
4.3.2朴素贝叶斯分类模型示例201
4.3.3运用Python实现朴素贝叶斯分类模型的运行程序204
4.3.4贝叶斯分类模型小结208
4.4逻辑回归分类模型208
4.4.1回归理论模型与逻辑回归分类模型的算法原理209
4.4.2梯度下降法213
4.4.3逻辑回归分类模型示例218
4.4.4Python实现逻辑回归分类模型226
4.4.5逻辑回归分类模型小结230
4.5K-近邻（KNN）分类模型231
4.5.1KNN分类模型的算法原理231
4.5.2KNN分类模型示例233
4.5.3Python实现KNN分类模型236
4.5.4KNN分类模型小结239
4.6支持向量机分类模型239
4.6.1SVM分类模型的算法原理239
4.6.2SMO算法示例262
4.6.3Python实现支持向量机分类模型276
4.6.4支持向量机分类模型小结284
习题286
第5章聚类分析模型及应用288
5.1聚类概述288
5.1.1聚类的定义和分类288
5.1.2聚类分析中的相关概念291
5.1.3聚类分析的应用293
5.1.4聚类性能度量295
5.2K-Means聚类算法305
5.2.1K-Means聚类算法思想305
5.2.2K-Means聚类算法过程305
5.2.3K-Means聚类算法示例307
5.2.4Python实现K-Means聚类算法316
5.2.5K-Means聚类算法小结322
5.3DBSCAN聚类算法322
5.3.1密度聚类算法思想322
5.3.2DBSCAN算法原理325
5.3.3DBSCAN聚类算法示例329
5.3.4Python实现DBSCAN聚类算法339
5.3.5DBSCAN聚类算法小结343
5.4AGNES聚类算法345
5.4.1层次聚类思想345
5.4.2AGNES算法原理349
5.4.3AGNES聚类算法示例350
5.4.4Python实现AGNES聚类算法363
5.4.5AGNES聚类算法小结367
5.5高斯混合聚类算法368
5.5.1EM聚类算法原理369
5.5.2高斯混合聚类算法原理376
5.5.3高斯混合聚类算法示例386
5.5.4Python实现高斯混合聚类算法396
5.5.5高斯混合聚类算法小结402
5.6LVQ聚类算法403
5.6.1LVQ聚类算法原理403
5.6.2LVQ聚类算法示例407
5.6.3Python实现LVQ聚类算法414
5.6.4LVQ聚类算法小结418
5.7CLIQUE聚类算法418
5.7.1CLIQUE算法原理418
5.7.2CLIQUE聚类算法示例426
5.7.3Python实现CLIQUE聚类算法432
5.7.4CLIQUE聚类算法小结447
5.8本章小结448
5.8.1聚类与分类的区别448
5.8.2聚类分析的新趋势和新算法450
习题451
第6章大数据应用工具与模型及热点内容研究453
6.1概述453
6.2基础数据库建设项目与Lucene的应用453
6.2.1基础数据库建设项目与关键技术453
6.2.2Lucene的应用462
6.3基于道路交通安全的数据挖掘模型应用研究472
6.4大数据研究的热点内容481
6.4.1交通运输大数据与城市计算的框架481
6.4.2基于引用聚类的多文档自动文摘方法研究482
小结491
参考文献493
内容摘要
本书介绍的算法和模型分为四个主要方面: 常用的模型、预测模型、分类与聚类算法、大数据的应用与热点内容研究。学习大数据模型与应用课程的意义在于: 让学者了解数据模型的建模方法，实现编程的方法与技巧，各类算法对应程序的阅读方法，以达到熟练掌握大数据各类模型的实现方法。本书可作为数据科学与大数据技术、大数据管理与应用专业、计算机类、信息管理类、电子商务、综合管理类专业的本科教材，也可作为其他相关专业的数据建模教材或者选修教材。本书文字通俗易懂，便于自学，也可作为从事计算机应用、大数据相关专业研究等科技人员基础建模的工具书。
主编推荐
"覆盖了大数据及相关专业的数学建模的基础理论和重要的知识点。
配有超星网课课件、习题解答、重点与难点的微课。
作为计算机及相关本科专业大数据建模的教科书与工具书。
主要的模型和例题带有手算的演算全过程，通俗易懂，也便于自学。
"
— 没有更多了 —
以下为对购买帮助不大的评价