数据挖掘算法原理与实现 第2版 ,王振武编著 清华大学出版社

数据挖掘算法原理与实现 第2版 ,王振武编著 ,P224 ,2017.01 目录 第1章 绪论 1.1 数据挖掘的概念 1.2 数据挖掘的历史及发展 1.3 数据挖掘的研究内容及功能 1.3.1 数据挖掘的研究内容 1.3.2 数据挖掘的功能 1.4 数据挖掘的常用技术及工具 1.4.1 数据挖掘的常用技术 1.4.2 数据挖掘的工具 1.5 数据挖掘的应用热点 1.6 小结 思考题 第2章 数据预处理 2.1 数据预处理的目的 2.2 数据清理 2.2.1 填充缺失值 2.2.2 光滑噪声数据 2.2.3 数据清理过程 2.3 数据集成和数据变换 2.3.1 数据集成 2.3.2 数据变换 2.4 数据规约 2.4.1 数据立方体聚集 2.4.2 维规约 2.4.3 数据压缩 2.4.4 数值归约 2.4.5 数据离散化与概念分层 2.5 特征选择与提取 2.5.1 特征选择 2.5.2 特征提取 2.6 小结 思考题 第3章 关联规则挖掘 3.1 基本概念 3.2 关联规则挖掘算法——Apriori算法原理 3.3 Apriori算法实例分析 3.4 Apriori算法源程序分析 3.5 Apriori算法的特点及应用 3.5.1 Aprio ri算法特点 3.5.2 Apriori算法应用 3.6 小结 思考题 第4章 决策树分类算法 4.1 基本概念 4.1.1 决策树分类算法概述 4.1.2 决策树基本算法概述 4.2 决策树分类算法——ID3算法原理 4.2.1 ID3算法原理 4.2.2 熵和信息增益 4.2.3 ID3算法 4.3 ID3算法实例分析 4.4 ID3算法源程序分析 4.5 ID3算法的特点及应用 4.5.1 ID3算法特点 4.5.2 ID3算法应用 4.6 决策树分类算法——C4.5算法原理 4.6.1 C4.5算法 4.6.2 C4.5算法的伪代码 4.7 C4.5算法实例分析 4.8 C4.5算法源程序分析 4.9 C4.5算法的特点及应用 4.9.1 C4.5算法特点 4.9.2 C4.5算法应用 4.10 小结 思考题 第5章 贝叶斯分类算法 5.1 基本概念 5.1.1 主观概率 5.1.2 贝叶斯定理 5.2 贝叶斯分类算法原理 5.2.1 朴素贝叶斯分类模型 5.2.2 贝叶斯信念网络 5.3 贝叶斯算法实例分析 5.3.1 朴素贝叶斯分类器 5.3 5.4 贝叶斯算法源程序分析 5.5 贝叶斯算法特点及应用 5.5.1 朴素贝叶斯分类算法 5.5.2 贝叶斯信念网 思考题 第6章 人工神经网络算法 6.1 基本概念 6.1.1 生物神经元模型 6.1.2 人工神经元模型 6.1.3 主要的神经网络模型 6.2 BP算法原理 6.2.1 Delta学习规则的基本原理 6.2.2 BP网络的结构 6.2.3 BP网络的算法描述 6.2.4 标准BP网络的工作过程 6.3 BP算法实例分析 6.4 BP算法源程序分析 6.5 BP算法的特点及应用 6.5.1 BP算法特点 6.5.2 BP算法应用 6.6 小结 思考题 第7章 支持向量机 7.1 基本概念 7.1.1 支持向量机理论基础 7.1.2 统计学习核心理论 7.1.3 学习过程的一致性条件 7.1.4 函数集的VC维 7.1.5 泛化误差界 7.1.6 结构风险最小化归纳原理 7.2 支持向量机原理 7.2.1 支持向量机核心理论 7.2.2 最大间隔分类超平面 7.2.3 支持向量机 7.2.4 核函数分类 7.3 支持向量机实例分析 7.4 支持向量机的特点及应用 7.4.1 支持向量机的特点 7.4.2 支持向量机的应用 7.5 小结 思考题 第8章 K-means聚类算法 8.1 简介 8.2 K-means聚类算法原理 8.3 K-means聚类算法实例分析 8.4 K-means聚类算法源程序分析 8.5 K-means聚类算法的特点及应用 8.5.1 K-means聚类算法的特点 8.5.2 K-means聚类算法的应用 8.6 小结 思考题 第9章 K-中心点聚类算法 9.1 简介 9.2 K-中心点聚类算法原理 9.3 K-中心点聚类算法实例分析 9.4 K-中心点聚类算法源程序分析 9.5 K-中心点聚类算法的特点及应用 9.5.1 K-中心点聚类算法的特点 9.5.2 K-中心点聚类算法的应用 9.6 小结 第10章 神经网络聚类方法：SOM 10.1 简介 10.2 竞争学习算法基础 10.2.1 自组织神经网络结构 10.2.2 自组织神经网络的原理 10.3 SOM算法原理 10.3.1 SOM网络的拓扑结构 10.3.2 SOM权值调整域