數(shù)據(jù)挖掘算法及其應(yīng)用研究

定　價：￥29.00

作　者：	蔡麗艷著
出版社：	電子科技大學出版社
叢編項：
標　簽：	計算機/網(wǎng)絡(luò) 數(shù)據(jù)倉庫與數(shù)據(jù)挖掘數(shù)據(jù)庫

購買這本書可以去

ISBN：	9787564714819	出版時間：	2013-02-01	包裝：	平裝
開本：	16開	頁數(shù)：	182	字數(shù)：

內(nèi)容簡介

　　數(shù)據(jù)挖掘是一個融合了數(shù)據(jù)庫技術(shù)、人工智能、機器學習、統(tǒng)計學、知識工程、面向?qū)ο蠓椒ǖ刃录夹g(shù)的多學科交叉的研究領(lǐng)域。今天，越來越多的人們投入數(shù)據(jù)挖掘技術(shù)的研究領(lǐng)域，各種算法的不斷改進和推陳出新，再加上高性能的關(guān)系數(shù)據(jù)庫技術(shù)以及數(shù)據(jù)倉庫技術(shù)的成熟，使得數(shù)據(jù)挖掘技術(shù)有了飛速的發(fā)展，并使數(shù)據(jù)挖掘技術(shù)進入了實用的階段?！稊?shù)據(jù)挖掘算法及其應(yīng)用研究》結(jié)合大量國內(nèi)外最近幾年數(shù)據(jù)挖掘的最新資料和作者的研究成果，系統(tǒng)地介紹了數(shù)據(jù)挖掘算法以及相關(guān)的技術(shù)及其在一些領(lǐng)域中的應(yīng)用。《數(shù)據(jù)挖掘算法及其應(yīng)用研究》共分2個部分，第1部分介紹數(shù)據(jù)挖掘算法，包括決策樹算法、貝葉斯網(wǎng)絡(luò)算法、人工神經(jīng)網(wǎng)絡(luò)、支持向量機、關(guān)聯(lián)規(guī)則、聚類分析以及一些數(shù)據(jù)挖掘的相關(guān)技術(shù)等。第2部分主要討論數(shù)據(jù)挖掘的應(yīng)用研究，包括在信用評估模型中的應(yīng)用和數(shù)據(jù)挖掘技術(shù)在決策支持系統(tǒng)中的應(yīng)用?！稊?shù)據(jù)挖掘算法及其應(yīng)用研究》的讀者可以是對數(shù)據(jù)挖掘感興趣的計算機專業(yè)人士，也可供數(shù)據(jù)挖掘、機器智能、商業(yè)數(shù)據(jù)分析等領(lǐng)域的科技人員和高校師生參考。

作者簡介

　　蔡麗艷，牡丹江師范學院工學院講師，碩士學位，在省級及國家級期刊發(fā)表論文共7篇，參編教材兩部，參與省級教育教學改革工程項目一項，參與牡丹江市科學技術(shù)計劃項目一項，主持牡丹江師范學院科學技術(shù)計劃項目一項。主要研究領(lǐng)域為數(shù)據(jù)庫應(yīng)用、數(shù)據(jù)挖掘。

圖書目錄

第1章概論
1.1 數(shù)據(jù)挖掘概念及其產(chǎn)生的背景
1.2 數(shù)據(jù)挖掘起源
1.3 數(shù)據(jù)挖掘任務(wù)
1.4 數(shù)據(jù)挖掘過程
1.5 數(shù)據(jù)挖掘解決的典型問題
1.6 數(shù)據(jù)挖掘常用工具及開發(fā)商

第2章決策樹算法
2.1 分類原理
2.2 決策樹算法概述
2.3 決策樹相關(guān)概念及定義
2.4 決策樹生成過程
2.5 決策樹算法特點
2.6 決策樹剪枝技術(shù)
2.7 決策樹算法國內(nèi)外研究現(xiàn)狀
2.8 ID3算法
2.9 C4.5算法
2.10 CART算法
2.11 SLIQ算法
2.12 SPRINT算法
2.13 PUBLIC算法
2.14 決策樹算法比較

第3章貝葉斯分類算法
3.1 貝葉斯分類理論
3.2 貝葉斯分類模型
3.3 貝葉斯分類模型的改進研究
3.4 貝葉斯網(wǎng)絡(luò)
3.5 貝葉斯網(wǎng)絡(luò)應(yīng)用實例

第4章人工神經(jīng)網(wǎng)絡(luò)算法
4.1 基本概念及特征
4.2 人工神經(jīng)網(wǎng)絡(luò)的分類
4.3 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史
4.4 人工神經(jīng)元模型
4.5 BP神經(jīng)網(wǎng)絡(luò)
4.6 BP神經(jīng)算法應(yīng)用實例

第5章支持向量機
5.1 概述
5.2 統(tǒng)計學習理論
5.3 支持向量機定義
5.4 核函數(shù)
5.5 支持向量機的訓練算法
5.6 支持向量機應(yīng)用實例

第6章關(guān)聯(lián)規(guī)則
6.1 關(guān)聯(lián)規(guī)則相關(guān)定義及基本概念
6.2 APRIORI算法
6.3 從頻繁項集到強關(guān)聯(lián)規(guī)則
6.4 提高APRIORI算法的效率
6.5 Web挖掘

第7章聚類分析
7.1 概述
7.2 數(shù)據(jù)結(jié)構(gòu)與數(shù)據(jù)類型
7.3 聚類準則函數(shù)
7.4 主要聚類算法
7.5 K-means聚類算法
7.6 K-means算法應(yīng)用實例

第8章數(shù)據(jù)挖掘相關(guān)技術(shù)
8.1 粗糙集技術(shù)
8.2 模糊集技術(shù)
8.3 數(shù)據(jù)倉庫

第9章一數(shù)據(jù)挖掘在信用評估模型中的應(yīng)用
9.1 我國商業(yè)銀行運用數(shù)據(jù)挖掘技術(shù)的必要性
9.2 信用的基本概念
9.3 信用風險的影響因素
9.4 風險評估的特點
9.5 信用評估模型的主要應(yīng)用技術(shù)
9.6 基于數(shù)據(jù)挖掘的農(nóng)戶小額貸款信用評估模型研究

第10章數(shù)據(jù)挖掘在決策支持系統(tǒng)中的應(yīng)用
10.1 決策支持系統(tǒng)
10.2 決策支持系統(tǒng)的主要特征及功能
10.3 智能決策支持系統(tǒng)
10.4 基于數(shù)據(jù)挖掘的房地產(chǎn)決策支持系統(tǒng)的開發(fā)
參考文獻