知识发现2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

知识发现PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1知识1

1.2知识发现的过程3

1.3知识发现的任务5

1.4知识发现的方法8

1.4.1统计方法8

1.4.2机器学习10

1.4.3神经计算13

1.4.4可视化14

1.5知识发现的对象15

1.5.1数据库15

1.5.2文本16

1.5.3Web信息17

1.5.4空间数据18

1.5.5图像和视频数据19

1.6知识发现系统19

第2章 决策树25

2.1归纳学习25

2.2决策树学习26

2.3CLS学习算法29

2.4ID3学习算法30

2.4.1信息论简介30

2.4.2信息论在决策树学习中的意义及应用30

2.4.3 ID3算法31

2.4.4 ID3算法应用举例32

2.4.5 C4.5算法34

2.5决策树的改进算法35

2.5.1二叉树判定算法35

2.5.2按信息比值进行估计的方法36

2.5.3按分类信息估值37

2.5.4按划分距离估值的方法37

2.6决策树的评价38

2.7简化决策树40

2.7.1简化决策树的动机41

2.7.2决策树过大的原因41

2.7.3控制树的大小43

2.7.4修改测试属性空间45

2.7.5改进测试属性选择方法48

2.7.6对数据进行限制50

2.7.7改变数据结构51

2.8连续性属性离散化55

2.9基于偏置变换的决策树学习算法BSDT56

2.9.1偏置的形式化56

2.9.2表示偏置变换58

2.9.3算法描述59

2.9.4过程偏置变换60

2.9.5基于偏置变换的决策树学习算法BSDT63

2.9.6经典案例库维护算法TCBM63

2.9.7偏置特征抽取算法64

2.9.8改进的决策树生成算法GSD65

2.9.9实验结果67

2.10单变量决策树的并行处理68

2.10.1并行决策树算法68

2.10.2串行算法的并行化71

2.11归纳学习中的问题73

第3章 支持向量机74

3.1统计学习问题74

3.1.1经验风险74

3.1.2 VC维75

3.2学习过程的一致性75

3.2.1学习过程一致性的经典定义75

3.2.2学习理论的重要定理76

3.2.3 VC熵76

3.3结构风险最小归纳原理77

3.4支持向量机80

3.4.1线性可分80

3.4.2线性不可分82

3.5核函数83

3.5.1多项式核函数83

3.5.2径向基函数84

3.5.3多层感知机84

3.5.4动态核函数84

3.6邻近支持向量机85

3.7极端支持向量机88

第4章 迁移学习93

4.1概述93

4.2相似性关系94

4.2.1语义相似性95

4.2.2结构相似性96

4.2.3样本相似性96

4.2.4相似性计算97

4.3归纳迁移学习98

4.3.1基于采样的归纳迁移98

4.3.2基于特征的归纳迁移99

4.3.3基于参数的归纳迁移100

4.4推导迁移学习100

4.4.1基于采样的知识迁移100

4.4.2基于特征的知识迁移101

4.5主动迁移学习101

4.5.1主动学习101

4.5.2主动迁移学习算法103

4.5.3迁移学习分类器104

4.5.4决策函数105

4.6多源领域知识的迁移学习106

4.7强化学习中的迁移107

4.7.1行为迁移107

4.7.2知识迁移109

第5章 聚类分析111

5.1概述111

5.2相似性度量112

5.2.1相似系数112

5.2.2属性的相似度量115

5.3划分方法116

5.3.1 k均值算法116

5.3.2 k中心点算法117

5.3.3大型数据库的划分方法117

5.4层次聚类方法119

5.4.1 BIRCH算法120

5.4.2 CURE算法120

5.4.3 ROCK算法121

5.5基于密度的聚类122

5.6基于网格方法125

5.7基于模型方法127

5.8模糊聚类129

5.8.1传递闭包法129

5.8.2动态直接聚类法129

5.8.3最大树法130

5.9蚁群聚类方法132

5.9.1基本模型132

5.9.2 LF算法133

5.9.3基于群体智能的聚类算法CSI134

5.9.4混合聚类算法CSIM136

5.10聚类方法的评价137

第6章 关联规则140

6.1概述140

6.2基本概念141

6.3二值型关联规则挖掘143

6.3.1 AIS算法143

6.3.2 SETM算法144

6.3.3 Apriori算法146

6.3.4 Apriori算法的改进148

6.4频繁模式树挖掘算法149

6.5垂直挖掘算法152

6.6挖掘关联规则的数组方法155

6.7频繁闭项集的挖掘算法157

6.8最大频繁项集挖掘算法159

6.9增量式关联规则挖掘163

6.10模糊关联规则的挖掘166

6.11任意多表间关联规则的并行挖掘169

6.11.1问题的形式描述169

6.11.2单表内大项集的并行计算170

6.11.3任意多表间大项集的生成171

6.11.4跨表间关联规则的提取172

6.12基于分布式系统的关联规则挖掘算法173

6.12.1候选集的生成174

6.12.2候选数据集的本地剪枝175

6.12.3候选数据集的全局剪枝178

6.12.4合计数轮流检测179

6.12.5分布式挖掘关联规则的算法180

第7章 粗糙集184

7.1概述184

7.1.1知识的分类观点186

7.1.2新型的隶属关系187

7.1.3概念的边界观点188

7.2知识的约简189

7.2.1一般约简189

7.2.2相对约简190

7.2.3知识的依赖性191

7.3决策表的约简192

7.3.1属性的依赖性192

7.3.2一致决策表的约简192

7.3.3非一致决策表的约简199

7.4粗糙集的扩展模型203

7.4.1可变精度粗糙集模型204

7.4.2相似模型205

7.4.3基于粗糙集的非单调逻辑205

7.4.4与其他数学工具的结合206

7.5粗糙集的实验系统206

7.6粒度计算208

7.6.1模糊集模型209

7.6.2粗糙集模型210

7.6.3商空间理论模型210

7.6.4相容粒度空间模型211

第8章 神经网络215

8.1概述215

8.1.1基本的神经网络模型215

8.1.2神经网络的学习方法216

8.2人工神经元及感知机模型217

8.2.1基本神经元217

8.2.2感知机模型219

8.3前向神经网络220

8.3.1前向神经网络模型220

8.3.2多层前向神经网络的误差反向传播（BP）算法221

8.3.3BP算法的若干改进224

8.4径向基函数神经网络228

8.4.1插值问题229

8.4.2正则化问题230

8.4.3RBF网络学习方法232

8.5反馈神经网络235

8.5.1离散型 Hopfield 网络235

8.5.2连续型Hopfield网络243

8.5.3Hopfield网络应用245

8.5.4双向联想记忆模型245

8.6随机神经网络247

8.6.1模拟退火算法247

8.6.2玻尔兹曼机250

8.7自组织特征映射神经网络253

8.7.1网络的拓扑结构253

8.7.2网络自组织算法254

8.7.3监督学习255

第9章 贝叶斯网络256

9.1概述256

9.1.1贝叶斯网络的发展历史256

9.1.2贝叶斯方法的基本观点257

9.1.3贝叶斯网络在数据挖掘中的应用258

9.2贝叶斯概率基础260

9.2.1概率论基础260

9.2.2贝叶斯概率263

9.3贝叶斯学习理论265

9.3.1几种常用的先验分布选取方法266

9.3.2计算学习机制269

9.3.3贝叶斯问题求解270

9.4简单贝叶斯学习模型273

9.4.1简单贝叶斯模型273

9.4.2简单贝叶斯模型的提升275

9.4.3提升简单贝叶斯分类的计算复杂性277

9.5贝叶斯网络的建造278

9.5.1贝叶斯网络的结构及建立方法278

9.5.2学习贝叶斯网络的概率分布279

9.5.3学习贝叶斯网络的网络结构281

9.6贝叶斯潜在语义模型284

9.7半监督文本挖掘算法288

9.7.1网页聚类288

9.7.2对含有潜在类别主题词的文档的类别标注289

9.7.3基于简单贝叶斯模型学习标注和未标注样本290

第10章 隐马尔可夫模型295

10.1马尔可夫过程295

10.2隐马尔可夫模型296

10.3评估问题299

10.3.1前向算法299

10.3.2后向算法300

10.4 Viterbi算法301

10.5学习算法303

10.6嵌人式隐马尔可夫模型305

10.7基于状态驻留时间的分段概率模型308

第11章 图挖掘312

11.1概述312

11.2图的基础知识315

11.2.1图同构316

11.2.2频繁子图317

11.3频繁子图挖掘317

11.3.1基于Apriori的算法317

11.3.2基于模式增长的算法319

11.4约束图模式挖掘322

11.4.1特殊的子图挖掘322

11.4.2基于约束的子结构模式挖掘322

11.5图分类323

11.5.1基于核的图分类方法323

11.5.2最优核矩阵学习324

11.5.3组合维核方法324

11.6图模型327

11.7图像标注模型333

11.7.1混合生成式和判别式模型的图像语义标注框架333

11.7.2构造集群分类器链334

11.8社会网络分析337

11.8.1中心度分析337

11.8.2子群分析339

11.8.3社会网络分析的应用341

11.8.4社会网络分析软件342

第12章 进化计算346

12.1概述346

12.2进化系统理论的形式模型348

12.3达尔文进化算法350

12.4基本遗传算法351

12.4.1基本遗传算法的构成要素351

12.4.2基本遗传算法的一般框架352

12.5遗传算法的数学理论355

12.5.1模式定理355

12.5.2积木块假设358

12.5.3隐并行性359

12.6遗传算法编码方法360

12.6.1二进制编码方法361

12.6.2格雷码编码方法361

12.6.3浮点数编码方法362

12.6.4符号编码方法363

12.6.5多参数级联编码方法363

12.6.6多参数杂交编码方法363

12.7适应度函数364

12.8遗传操作366

12.8.1选择算子366

12.8.2杂交算子369

12.8.3变异算子371

12.8.4反转操作372

12.9变长度染色体遗传算法372

12.10小生境遗传算法373

12.11混合遗传算法374

12.12并行遗传算法376

12.13分类器系统378

第13章 分布式知识发现384

13.1概述384

13.2分布式计算技术386

13.3同构海量数据挖掘390

13.4异构海量数据挖掘391

13.5任务调度392

13.6基于主体的分布式知识发现394

13.7基于网格的分布式知识发现395

13.7.1Knowledge Grid396

13.7.2Weka4WS398

13.7.3DataMiningGrid401

13.7.4GridMiner403

13.8面向服务的分布式知识发现405

13.8.1SODDM405

13.8.2Anteater406

13.9基于对等网的分布式知识发现407

13.10基于云平台的分布式知识发现409

第14章 Web知识发现413

14.1概述413

14.2Web知识发现的任务416

14.2.1Web内容挖掘417

14.2.2Web结构挖掘418

14.2.3Web使用挖掘419

14.3Web知识发现方法420

14.3.1文本的特征表示421

14.3.2TFIDF向量表示法421

14.3.3特征子集的选取424

14.4模型质量评价425

14.5基于文本挖掘的汉语词性自动标注研究427

14.6文本分类428

14.7文本聚类432

14.7.1层次凝聚法432

14.7.2平面划分法433

14.7.3简单贝叶斯聚类算法434

14.7.4k-近邻聚类算法435

14.7.5分级聚类435

14.7.6基于概念的文本聚类436

14.8文本摘要438

14.9Web主题建模439

14.10用户兴趣挖掘445

第15章 认知神经科学知识发现447

15.1概述447

15.2脑功能成像分析449

15.3同步振荡450

15.4特征捆绑453

15.4.1带噪声的神经元发放方式455

15.4.2神经元输人的贝叶斯耦合方式455

15.4.3神经元之间的竞争关系457

15.5神经元集群仿真459

参考文献461