知識發(fā)現(xiàn)

內容概要

知識發(fā)現(xiàn)是從數(shù)據(jù)集中識別出有效的、新穎的、潛在有用的，以及最終可理解的模式的非平凡過程。知識發(fā)現(xiàn)將信息變?yōu)橹R，從數(shù)據(jù)礦山中找到知識金塊，將為知識創(chuàng)新和知識經(jīng)濟的發(fā)展作出貢獻。    本書全面而又系統(tǒng)地介紹了知識發(fā)現(xiàn)的方法和技術，反映了當前知識發(fā)現(xiàn)研究的最新成果。    全書共分14章。第1章是緒論，介紹知識發(fā)現(xiàn)的重要概念和任務。第2章討論決策樹，它是歸納學習方法中最實用的一種技術。關聯(lián)規(guī)則挖掘是近幾年應用最為廣泛的方法，第3章將對重要的關聯(lián)規(guī)則挖掘算法進行討論。第4章討論范例推理，它是一種有效的實用技術。第5章探討模糊聚類法。第6章討論粗糙集。第7章是貝葉斯網(wǎng)絡，貝葉斯網(wǎng)絡可以處理不完整和帶有噪聲的數(shù)據(jù)集，它用概率測度的權重來描述數(shù)據(jù)間的相關性。第8章探討支持向量機，它在近幾年知識發(fā)現(xiàn)研究中是極其活躍的研究課題。第9章討論隱馬爾科夫模型。第10章是神經(jīng)網(wǎng)絡，書中著重介紹幾種實用的算法。第11章討論進化和遺傳算法。第12章介紹知識發(fā)現(xiàn)平臺MSMiner。接著，以Web知識發(fā)現(xiàn)、生物信息處理為例，介紹知識發(fā)現(xiàn)的應用。第13章關于Web知識發(fā)現(xiàn)。第14章介紹生物信息處理中基因組模式的發(fā)現(xiàn)。    本書內容新穎，認真總結了作者的科研成果，取材國內外最新資料，反映了當前該領域的研究水平。論述力求概念清晰，表達準確，突出理論聯(lián)系實際，通過實例說明原理，富有啟發(fā)性。本書對從事知識發(fā)現(xiàn)、數(shù)據(jù)挖掘、機器學習、人工智能研究和知識管理的科技人員具有重要參考價值，可以用作計算機、信息技術等專業(yè)博士生、碩士生的教材。

書籍目錄

前言第1章 緒論  1.1 知識  1.2 知識發(fā)現(xiàn)  1.3 知識發(fā)現(xiàn)的任務  1.4 知識發(fā)現(xiàn)的方法  1.5 知識發(fā)現(xiàn)的對象  1.6 知識發(fā)現(xiàn)與創(chuàng)新第2章 決策樹  2.1 歸納學習  2.2 決策樹學習  2.3 CLS學習算法  2.4 ID3學習算法  2.5 決策樹的改進算法  2.6 決策樹的評價  2.7 簡化決策樹  2.8 連續(xù)型屬性離散化  2.9 基于偏置變換的決策樹學習算法BSDT  2.10 歸納學習中的問題第3章 關聯(lián)規(guī)則  3.1 關聯(lián)規(guī)則挖掘概述  3.2 廣義模糊關聯(lián)規(guī)則的挖掘  3.3 挖掘關聯(lián)規(guī)則的數(shù)組方法  3.4 任意多表間關聯(lián)規(guī)則的并行挖掘  3.5 基于分布式系統(tǒng)的關聯(lián)規(guī)則挖掘算法  3.6 詞性標注規(guī)則的挖掘算法與應用第4章 基于范例的推理  4.1 概述  4.2 過程模型  4.3 范例的表示  4.4 范例的索引  4.5 范例的檢索  4.6 相似性關系  4.7 范例的復用  4.8 范例的保存  4.9 基于例示的學習  4.10 范例工程  4.11 范例約簡算法  4.12 中心漁場預報專家系統(tǒng)第5章 模糊聚類  5.1 概述  5.2 傳遞閉包法  5.3 FCMBP聚類法  5.4 系統(tǒng)聚類法  5.5 C－均值聚類法  5.6 聚類有效性  5.7 聚類方法的比較第6章 粗糙集  6.1 概述  6.2 知識的約簡  6.3 決策邏輯  6.4 決策表的約簡  6.5 粗糙集的擴展模型  6.6 粗糙集的實驗系統(tǒng)  6.7 粗糙集的展望第7章 貝葉斯網(wǎng)絡  7.1 概述  7.2 貝葉斯概率基礎  7.3 貝葉斯學習理論  7.4 簡單貝葉斯學習模型  7.5 貝葉斯網(wǎng)絡的建造  7.6 貝葉斯?jié)撛谡Z義模型  7.7 半監(jiān)督文本挖掘算法第8章 支持向量機  8.1 統(tǒng)計學習問題  8.2 學習過程的一致性  8.3 結構風險最小歸納原理  8.4 支持向量機  8.5 核函數(shù)  8.6 基于分類超曲面的海量數(shù)據(jù)分類方法第9章 隱馬爾科夫模型  9.1 馬爾科夫過程  9.2 隱馬爾科夫模型  9.3 似然概率和前反向算法  9.4 學習算法  9.5 基于狀態(tài)駐留時間的分段概率模型第10章 神經(jīng)網(wǎng)絡  10.1 概述  ……第11章 進化和遺傳算法第12章 知識發(fā)現(xiàn)平臺MSMiner第13章 Web知識發(fā)現(xiàn)第14章 生物信息知識發(fā)現(xiàn)參考文獻索引

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    知識發(fā)現(xiàn) PDF格式下載

---