數(shù)據(jù)挖掘原理與算法（第二版）

定　價(jià)：￥29.00

作　者：	毛國(guó)君、段立娟、等
出版社：	清華大學(xué)出版社
叢編項(xiàng)：	重點(diǎn)大學(xué)計(jì)算機(jī)專業(yè)系列教材
標(biāo)　簽：	數(shù)據(jù)處理系統(tǒng)

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787302158769	出版時(shí)間：	2007-12-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	329	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)是一本全面介紹數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)技術(shù)的專業(yè)書(shū)籍，它系統(tǒng)地闡述了數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)技術(shù)的產(chǎn)生、發(fā)展、應(yīng)用以及相關(guān)概念、原理和算法，對(duì)數(shù)據(jù)挖掘中的主要技術(shù)分支，包括關(guān)聯(lián)規(guī)則、分類(lèi)、聚類(lèi)、序列、空間以及web挖掘等進(jìn)行了理淪剖析和算法描述。本書(shū)的許多內(nèi)容是作者們?cè)诠プx博士學(xué)位期間的工作總結(jié)，一方面，對(duì)于相關(guān)概念和技術(shù)的闡述盡量先從理論分析人手，在此基礎(chǔ)上進(jìn)行技術(shù)歸納；另一方面，為了保證技術(shù)的系統(tǒng)性，所有的挖掘模型和算法描述都在統(tǒng)一的技術(shù)歸納框架下進(jìn)行。同時(shí)，為了避免抽象算法描述給讀者帶來(lái)的理解困難，本書(shū)的所有典型算法都通過(guò)具體跟蹤執(zhí)行實(shí)例來(lái)進(jìn)一步說(shuō)明。本書(shū)共分8章，各章相對(duì)獨(dú)立成篇，以利于讀者選擇性學(xué)習(xí)。在每章后面都設(shè)置專門(mén)一節(jié)來(lái)對(duì)本章內(nèi)容和文獻(xiàn)引用情況進(jìn)行歸納，它不僅可以幫助讀者對(duì)相關(guān)內(nèi)容進(jìn)行整理，而且也起到對(duì)本內(nèi)容相關(guān)文獻(xiàn)的注釋性索引功能。第1章是緒論，系統(tǒng)地介紹了數(shù)據(jù)挖掘產(chǎn)生的商業(yè)和技術(shù)背景，從不同側(cè)面剖析了數(shù)據(jù)挖掘的概念和應(yīng)用價(jià)值；第2章給出了知識(shí)發(fā)現(xiàn)的過(guò)程分析和應(yīng)用體系結(jié)構(gòu)設(shè)計(jì)；第3章對(duì)關(guān)聯(lián)規(guī)則挖掘的原理和算法進(jìn)行全面闡述；第4章給出分類(lèi)的主要理論和算法描述；第5章討論聚類(lèi)的常用技術(shù)和算法；第6章對(duì)時(shí)間序列分析技術(shù)和序列挖掘算法進(jìn)行論述；第7章系統(tǒng)地介紹了Web挖掘的主要研究領(lǐng)域和相關(guān)技術(shù)及算法；第8章是對(duì)空間數(shù)據(jù)挖掘技術(shù)和算法的分析和講述。本書(shū)可作為計(jì)算機(jī)專業(yè)研究生或高年級(jí)本科生教材，也可以作為從事計(jì)算機(jī)研究和開(kāi)發(fā)人員的參考資料。作為教材，教師可以根據(jù)課時(shí)安排進(jìn)行選擇性教學(xué)。為了更好地讓教師進(jìn)行選擇性教學(xué)，本書(shū)配有專門(mén)的教師用書(shū)，對(duì)內(nèi)容的重點(diǎn)、難點(diǎn)和課時(shí)分配給出了對(duì)應(yīng)的建議，對(duì)重要的和難度較大的習(xí)題進(jìn)行了分析和解答。對(duì)于研究人員，本書(shū)是一本高參考價(jià)值的專業(yè)書(shū)籍。對(duì)于軟件技術(shù)人員，可以把它當(dāng)作提高用書(shū)或參考資料，一些算法可以通過(guò)改造用于實(shí)際的應(yīng)用系統(tǒng)中。

作者簡(jiǎn)介

暫缺《數(shù)據(jù)挖掘原理與算法（第二版）》作者簡(jiǎn)介

圖書(shū)目錄

第1章緒論
1.1數(shù)據(jù)挖掘技術(shù)的產(chǎn)生與發(fā)展
1.1.1數(shù)據(jù)挖掘技術(shù)的商業(yè)需求分析
1.1.2數(shù)據(jù)挖掘產(chǎn)生的技術(shù)背景分析
1.2數(shù)據(jù)挖掘研究的發(fā)展趨勢(shì)
1.3數(shù)據(jù)挖掘概念
1.3.1從商業(yè)角度看數(shù)據(jù)挖掘技術(shù)
1.3.2數(shù)據(jù)挖掘的技術(shù)含義
1.3.3數(shù)據(jù)挖掘研究的理論基礎(chǔ)
1.4數(shù)據(jù)挖掘技術(shù)的分類(lèi)問(wèn)題
1.5數(shù)據(jù)挖掘常用的知識(shí)表示模式與方法
1.5.1廣義知識(shí)挖掘
1.5.2關(guān)聯(lián)知識(shí)挖掘
1.5.3類(lèi)知識(shí)挖掘
1.5.4預(yù)測(cè)型知識(shí)挖掘
1.5.5特異型知識(shí)挖掘
1.6不同數(shù)據(jù)存儲(chǔ)形式下的數(shù)據(jù)挖掘問(wèn)題
1.6.1事務(wù)數(shù)據(jù)庫(kù)中的數(shù)據(jù)挖掘
1.6.2關(guān)系型數(shù)據(jù)庫(kù)中的數(shù)據(jù)挖掘
1.6.3數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)挖掘
1.6.4在關(guān)系模型基礎(chǔ)上發(fā)展的新型數(shù)據(jù)庫(kù)中的數(shù)據(jù)
挖掘
1.6.5面向應(yīng)用的新型數(shù)據(jù)源中的數(shù)據(jù)挖掘
1.6.6Web數(shù)據(jù)源中的數(shù)據(jù)挖掘
1.7粗糙集方法及其在數(shù)據(jù)挖掘中的應(yīng)用
1.7.1粗糙集的一些重要概念
1.7.2粗糙集應(yīng)用舉例
1.7.3粗糙集方法在KDD中的應(yīng)用范圍
1.8數(shù)據(jù)挖掘的應(yīng)用分析
1.8.1數(shù)據(jù)挖掘與CRM
1.8.2數(shù)據(jù)挖掘應(yīng)用的成功案例分析
1.9本章小結(jié)和文獻(xiàn)注釋
習(xí)題1
第2章知識(shí)發(fā)現(xiàn)過(guò)程與應(yīng)用結(jié)構(gòu)
2.1知識(shí)發(fā)現(xiàn)的基本過(guò)程
2.1.1數(shù)據(jù)抽取與集成技術(shù)要點(diǎn)
2.1.2數(shù)據(jù)清洗與預(yù)處理技術(shù)要點(diǎn)
2.1.3數(shù)據(jù)的選擇與整理技術(shù)要點(diǎn)
2.1.4數(shù)據(jù)挖掘技術(shù)要點(diǎn)
2.1.5模式評(píng)估技術(shù)要點(diǎn)
2.2數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)處理過(guò)程模型
2.2.1階梯處理過(guò)程模型
2.2.2螺旋處理過(guò)程模型
2.2.3以用戶為中心的處理模型
2.2.4聯(lián)機(jī)KDD模型
2.2.5支持多數(shù)據(jù)源多知識(shí)模式的KDD處理模型
2.3知識(shí)發(fā)現(xiàn)軟件或工具的發(fā)展
2.3.1獨(dú)立的知識(shí)發(fā)現(xiàn)軟件
2.3.2橫向的知識(shí)發(fā)現(xiàn)工具集
2.3.3縱向的知識(shí)發(fā)現(xiàn)解決方案
2.3.4KDD系統(tǒng)介紹
2.4知識(shí)發(fā)現(xiàn)項(xiàng)目的過(guò)程化管理
2.5數(shù)據(jù)挖掘語(yǔ)言介紹
2.5.1數(shù)據(jù)挖掘語(yǔ)言的分類(lèi)
2.5.2數(shù)據(jù)挖掘查詢語(yǔ)言
2.5.3數(shù)據(jù)挖掘建模語(yǔ)言
2.5.4通用數(shù)據(jù)挖掘語(yǔ)言
2.5.5DMQL挖掘查詢語(yǔ)言介紹
2.6本章小結(jié)和文獻(xiàn)注釋
習(xí)題2
第3章關(guān)聯(lián)規(guī)則挖掘理論和算法
3.1基本概念與解決方法
3.2經(jīng)典的頻繁項(xiàng)目集生成算法分析
3.2.1項(xiàng)目集空間理論
3.2.2經(jīng)典的發(fā)現(xiàn)頻繁項(xiàng)目集算法
3.2.3關(guān)聯(lián)規(guī)則生成算法
3.3Apriori算法的性能瓶頸問(wèn)題
3.4Apriori的改進(jìn)算法
3.4.1基于數(shù)據(jù)分割（Partition）的方法
3.4.2基于散列（Hash）的方法
3.4.3基于采樣（Sampling）的方法
3.5對(duì)項(xiàng)目集空間理論的發(fā)展
3.5.1Close算法
3.5.2FPtree算法
3.6項(xiàng)目集格空間和它的操作
3.7基于項(xiàng)目集操作的關(guān)聯(lián)規(guī)則挖掘算法
3.7.1關(guān)聯(lián)規(guī)則挖掘空間
3.7.2三個(gè)實(shí)用算子
3.7.3最大頻繁項(xiàng)目集格的生成算法
3.7.4ISSDM算法執(zhí)行示例
3.8改善關(guān)聯(lián)規(guī)則挖掘質(zhì)量問(wèn)題
3.8.1用戶主觀層面
3.8.2系統(tǒng)客觀層面
3.9約束數(shù)據(jù)挖掘問(wèn)題
3.9.1約束在數(shù)據(jù)挖掘中的作用
3.9.2約束的類(lèi)型
3.10時(shí)態(tài)約束關(guān)聯(lián)規(guī)則挖掘
3.11關(guān)聯(lián)規(guī)則挖掘中的一些更深入的問(wèn)題
3.11.1多層次關(guān)聯(lián)規(guī)則挖掘
3.11.2多維關(guān)聯(lián)規(guī)則挖掘
3.11.3數(shù)量關(guān)聯(lián)規(guī)則挖掘
3.12數(shù)量關(guān)聯(lián)規(guī)則挖掘方法
3.12.1數(shù)量關(guān)聯(lián)規(guī)則挖掘問(wèn)題
3.12.2數(shù)量關(guān)聯(lián)規(guī)則的分類(lèi)
3.12.3數(shù)量關(guān)聯(lián)規(guī)則挖掘的一般步驟
3.12.4數(shù)值屬性離散化問(wèn)題及算法
3.13本章小結(jié)和文獻(xiàn)注釋
習(xí)題3
第4章分類(lèi)方法
4.1分類(lèi)的基本概念與步驟
4.2基于距離的分類(lèi)算法
4.3決策樹(shù)分類(lèi)方法
4.3.1決策樹(shù)基本算法概述
4.3.2ID3算法
4.3.3C4.5算法
4.4貝葉斯分類(lèi)
4.4.1貝葉斯定理
4.4.2樸素貝葉斯分類(lèi)
4.4.3EM算法
4.5規(guī)則歸納
4.5.1AQ算法
4.5.2CN2 算法
4.5.3FOIL算法
4.6與分類(lèi)有關(guān)的其他問(wèn)題
4.6.1分類(lèi)數(shù)據(jù)預(yù)處理
4.6.2分類(lèi)器性能的表示與評(píng)估
4.7本章小結(jié)和文獻(xiàn)注釋
習(xí)題4
第5章聚類(lèi)方法
5.1概述
5.1.1聚類(lèi)分析在數(shù)據(jù)挖掘中的應(yīng)用
5.1.2聚類(lèi)分析算法的概念與基本分類(lèi)
5.1.3距離與相似性的度量
5.2劃分聚類(lèi)方法
5.2.1k平均算法
5.2.2PAM
5.2.3其他方法
5.3層次聚類(lèi)方法
5.3.1AGNES算法
5.3.2DIANA算法
5.3.3其他聚類(lèi)方法
5.4密度聚類(lèi)方法
5.5其他聚類(lèi)方法
5.5.1STING算法
5.5.2SOM算法
5.5.3COBWEB算法
5.5.4模糊聚類(lèi)算法FCM
5.6本章小結(jié)和文獻(xiàn)注釋
習(xí)題5
第6章時(shí)間序列和序列模式挖掘
6.1時(shí)間序列及其應(yīng)用
6.2時(shí)間序列預(yù)測(cè)的常用方法
6.2.1確定性時(shí)間序列預(yù)測(cè)方法
6.2.2隨機(jī)時(shí)間序列預(yù)測(cè)方法
6.2.3其他方法
6.3基于ARMA模型的序列匹配方法
6.3.1基本概念
6.3.2利用基本概念建立模型
6.3.3構(gòu)造判別函數(shù)
6.4基于離散傅里葉變換的時(shí)間序列相似性查找
6.4.1完全匹配
6.4.2子序列匹配
6.5基于規(guī)范變換的查找方法
6.5.1基本概念
6.5.2查找方法
6.6序列挖掘
6.6.1基本概念
6.6.2數(shù)據(jù)源的形式
6.6.3序列模式挖掘的一般步驟
6.7AprioriAll 算法
6.8AprioriSome 算法
6.9GSP算法
6.10本章小結(jié)和文獻(xiàn)注釋
習(xí)題6
第7章Web挖掘技術(shù)
7.1Web挖掘的意義
7.2Web挖掘的分類(lèi)
7.3Web挖掘的含義
7.3.1Web挖掘與信息檢索
7.3.2Web挖掘與信息抽取
7.4Web挖掘的數(shù)據(jù)來(lái)源
7.4.1服務(wù)器日志數(shù)據(jù)
7.4.2在線市場(chǎng)數(shù)據(jù)
7.4.3Web頁(yè)面
7.4.4Web頁(yè)面超鏈接關(guān)系
7.4.5其他信息
7.5Web內(nèi)容挖掘方法
7.5.1爬蟲(chóng)與Web內(nèi)容挖掘
7.5.2虛擬的Web視圖
7.5.3個(gè)性化與Web內(nèi)容挖掘
7.5.4對(duì)Web頁(yè)面內(nèi)文本信息的挖掘
7.5.5對(duì)Web頁(yè)面內(nèi)多媒體信息挖掘
7.5.6Web頁(yè)面內(nèi)容的預(yù)處理
7.6Web訪問(wèn)信息挖掘方法
7.6.1Web訪問(wèn)信息挖掘的特點(diǎn)
7.6.2Web訪問(wèn)信息挖掘的意義
7.6.3Web訪問(wèn)信息挖掘的數(shù)據(jù)源
7.6.4Web訪問(wèn)信息挖掘的預(yù)處理
7.6.5其他信息的預(yù)處理技術(shù)
7.6.6在Web訪問(wèn)挖掘中的常用技術(shù)
7.6.7Web訪問(wèn)信息挖掘的要素構(gòu)成
7.6.8利用Web訪問(wèn)信息挖掘?qū)崿F(xiàn)用戶建模
7.6.9利用Web訪問(wèn)信息挖掘發(fā)現(xiàn)導(dǎo)航模式
7.6.10利用Web訪問(wèn)信息挖掘改進(jìn)訪問(wèn)效率
7.6.11利用Web訪問(wèn)信息挖掘進(jìn)行個(gè)性化服務(wù)
7.6.12利用Web訪問(wèn)信息挖掘進(jìn)行商業(yè)智能發(fā)現(xiàn)
7.6.13利用Web訪問(wèn)信息挖掘進(jìn)行用戶移動(dòng)模式發(fā)現(xiàn)
7.6.14利用協(xié)作推薦的方法實(shí)現(xiàn)實(shí)時(shí)個(gè)性化推薦的例子
7.7Web結(jié)構(gòu)挖掘方法
7.7.1頁(yè)面重要性的評(píng)價(jià)方法
7.7.2頁(yè)面等級(jí)
7.7.3權(quán)威頁(yè)面和中心頁(yè)面
7.7.4Web站點(diǎn)結(jié)構(gòu)的預(yù)處理
7.8本章小結(jié)和文獻(xiàn)注釋
習(xí)題7
第8章空間挖掘
8.1引言
8.2空間數(shù)據(jù)概要
8.2.1空間數(shù)據(jù)的復(fù)雜性特征
8.2.2空間查詢問(wèn)題
8.2.3空間數(shù)據(jù)結(jié)構(gòu)
8.2.4專題地圖
8.3空間數(shù)據(jù)挖掘基礎(chǔ)
8.4空間統(tǒng)計(jì)學(xué)
8.5泛化與特化
8.5.1逐步求精
8.5.2泛化
8.5.3最臨近方法
8.5.4統(tǒng)計(jì)信息網(wǎng)格方法STING
8.6空間規(guī)則
8.7空間分類(lèi)算法
8.7.1ID3擴(kuò)展
8.7.2空間決策樹(shù)
8.8空間聚類(lèi)算法
8.8.1基于隨機(jī)搜索的聚類(lèi)方法CLARANS擴(kuò)展
8.8.2大型空間數(shù)據(jù)庫(kù)基于距離分布的聚類(lèi)算法DBCLASD
8.8.3BANG
8.8.4小波聚類(lèi)
8.8.5近似值
8.9空間挖掘的其他問(wèn)題
8.10空間數(shù)據(jù)挖掘原型系統(tǒng)介紹
8.11空間數(shù)據(jù)挖掘的研究現(xiàn)狀
8.12空間數(shù)據(jù)挖掘的研究與發(fā)展方向
8.13空間數(shù)據(jù)挖掘與相關(guān)學(xué)科的關(guān)系
8.13.1空間數(shù)據(jù)挖掘與空間數(shù)據(jù)庫(kù)
8.13.2空間數(shù)據(jù)挖掘與空間數(shù)據(jù)倉(cāng)庫(kù)
8.13.3空間數(shù)據(jù)挖掘與空間聯(lián)機(jī)分析處理
8.13.4空間數(shù)據(jù)挖掘與地理信息系統(tǒng)
8.14數(shù)字地球
8.15本章小結(jié)和文獻(xiàn)注釋
習(xí)題8
參考文獻(xiàn)