数据挖掘技术与应用
出版时间:
2021-06
版次:
1
ISBN:
9787568292573
定价:
68.00
装帧:
平装
开本:
16开
纸张:
胶版纸
6人买过
-
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
4.5 “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 集成学习和森林
4.6.1 集成学习
4.6.2 Bagging与森林
4.7 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 N――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算法
11.2.4 幸存者偏差
11.2.5 代码示例
参考文献
-
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
4.5 “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 集成学习和森林
4.6.1 集成学习
4.6.2 Bagging与森林
4.7 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 N――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算法
11.2.4 幸存者偏差
11.2.5 代码示例
参考文献
查看详情
-
全新
浙江省嘉兴市
平均发货12小时
成功完成率94.83%
-
全新
江苏省无锡市
平均发货13小时
成功完成率95.15%
-
全新
河北省保定市
平均发货18小时
成功完成率87.89%
-
全新
河北省保定市
平均发货28小时
成功完成率91.56%
-
全新
江苏省南京市
平均发货6小时
成功完成率94.78%
-
全新
北京市丰台区
平均发货28小时
成功完成率87.16%
-
全新
河北省保定市
平均发货16小时
成功完成率81.32%
-
全新
广东省广州市
平均发货16小时
成功完成率88.82%
-
全新
广东省广州市
平均发货17小时
成功完成率91.2%
-
全新
浙江省嘉兴市
平均发货9小时
成功完成率95.31%
-
全新
广东省广州市
平均发货15小时
成功完成率90.27%
-
全新
广东省广州市
平均发货7小时
成功完成率94.72%
-
全新
北京市西城区
平均发货17小时
成功完成率91.48%
-
全新
北京市通州区
平均发货9小时
成功完成率89.11%
-
全新
广东省广州市
平均发货23小时
成功完成率87.5%
-
全新
河北省保定市
平均发货26小时
成功完成率81.13%
-
全新
四川省成都市
平均发货15小时
成功完成率92.07%
-
全新
广东省广州市
平均发货16小时
成功完成率91.42%
-
全新
江苏省南京市
平均发货12小时
成功完成率84.89%
-
全新
江苏省南京市
平均发货12小时
成功完成率84.89%
-
数据挖掘技术与应用
按标题名购买,批量下载图片有时不对应,多本图片为其中一本,有问题请联系客服。
全新
河北省保定市
平均发货27小时
成功完成率88.29%
-
全新
江苏省无锡市
平均发货9小时
成功完成率95.14%
-
全新
四川省成都市
平均发货10小时
成功完成率96.21%
-
全新
北京市西城区
平均发货12小时
成功完成率94.22%
-
九品
江西省南昌市
平均发货10小时
成功完成率93.28%
-
全新
天津市西青区
平均发货14小时
成功完成率95.1%
-
全新
河北省保定市
平均发货14小时
成功完成率92.41%
-
全新
天津市河东区
平均发货24小时
成功完成率90.05%
-
全新
北京市朝阳区
平均发货9小时
成功完成率97.84%
-
全新
河北省保定市
平均发货21小时
成功完成率83.45%
-
全新
北京市房山区
平均发货17小时
成功完成率71.77%
-
全新
北京市朝阳区
平均发货14小时
成功完成率94.21%
-
全新
天津市西青区
平均发货16小时
成功完成率79.41%
-
全新
广东省广州市
平均发货7小时
成功完成率89.39%
-
数据挖掘技术与应用
正版现货,品相完好,套书默认发一本,若是多种封面版本的书,请咨询客服再下单,有批发需求的联系客服
九品
北京市海淀区
平均发货24小时
成功完成率83.83%
-
全新
山东省济宁市
平均发货39小时
成功完成率75.32%
-
数据挖掘技术与应用
新华书店全新正版书籍。书名与图片不一致的,以书名为准。个别套装书为单本价格,详情请咨询客服下单。
全新
河北省沧州市
平均发货15小时
成功完成率75.38%
-
九品
江西省吉安市
平均发货48小时
成功完成率86.82%
-
九品
河北省保定市
平均发货7小时
成功完成率96.39%
-
数据挖掘技术与应用
所有图书均为正版新书,库存书,ISBN匹配图片偶尔会有误差,订单以ISBN码为准,套装@合集价格低的实为单本,版本有疑问先咨询下再下单
全新
河南省开封市
平均发货18小时
成功完成率84.23%
-
全新
广东省广州市
平均发货17小时
成功完成率90.85%
-
九五品
河北省保定市
平均发货8小时
成功完成率97.26%
-
全新
天津市西青区
平均发货14小时
成功完成率91.05%
-
九五品
江西省南昌市
平均发货9小时
成功完成率93.83%