数据挖掘算法与应用PDF|Epub|txt|kindle电子书版本网盘下载

数据挖掘算法与应用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

目录1

第1章　概论1

1.1 数据挖掘的定义和范畴1

1.2 数据及其度量2

1.3 数据挖掘的过程6

1.4 数据挖掘的任务和建模8

1.5 数据挖掘的算法12

1.6 聚类分析16

1.7 分类23

1.8 主模式提取和孤立点挖掘26

1.9 数据挖掘的应用27

1.10　数据挖掘的软件及开发商32

1.11　展望39

第1篇　数据挖掘算法45

第2章　决策树算法45

2.1 决策树基本算法45

2.2 ID3算法52

2.3 C4.5算法55

2.4 CART算法57

2.5 SLIQ算法63

2.6 SPRINT算法70

第3章　神经网络算法76

3.1 概述76

3.2 人工神经元和单层神经网络80

3.3 多层感知器和反向传播算法82

3.4 多层神经网络算法分析86

3.5 改进反向传播的一些实用技术97

3.6 径向基函数网络99

3.7 竞争学习和侧抑制101

3.8 自组织特征图103

3.9 反馈网络106

3.10　随机算法和Boltzmann网络107

3.11　神经网络在金融市场中的应用109

第4章　基因算法110

4.1　基因算法的基本原理110

4.2　基因算法分析116

4.3　基因算法应用举例121

4.4　小结128

第5章　基本统计分析方法129

5.1 正态分布参数的假设检验和区间估计129

5.2　两组数据的比较133

5.3　二维数据检验141

5.4 回归分析142

5.5　方差分析150

5.6　互联网股市信息强度的统计分类及其在股价波动上的预测152

第6章 贝叶斯网络方法164

6.1 主观概率164

6.2　贝叶斯定理、先验和后验165

6.3　beta分布和Dirichlet分布166

6.4　贝叶斯网络167

6.5 贝叶斯网络学习169

6.6　不完全数据情形下的学习170

6.7 贝叶斯网络有监督学习171

6.8　贝叶斯网络无监督学习174

7.1 概述176

第7章　支持向量机176

7.2　线性可分问题的SVM方法177

7.3　线性不可分问题的SVM方法179

7.4　核函数180

7.5　libSVM仿真平台181

7.6　支持向量机方法在识别伪造信用卡中的应用182

第8章　其他数据挖掘方法184

8.1　主成分分析184

8.2　近邻法187

8.3　期望值最大化方法189

8.4　隐Markov模型190

8.5　K-均值聚类193

8.6　K-中心点算法193

8.7　关联规则挖掘194

第2篇　数据挖掘相关技术205

第9章　数据仓库205

9.1　概述205

9.2　数据仓库设计209

9.3　联机分析处理212

9.4　数据仓库应用举例215

第10章　模糊处理技术219

10.1 特征函数和隶属度函数219

10.2　λ-截集222

10.3　模型识别223

10.4　模糊关系223

10.5　模糊聚类226

11.2　不可分辨关系233

11.1　概述233

第11章　粗糙集技术233

11.3　下近似和上近似234

11.4　近似精度、粗糙集隶属函数235

11.5　模糊集与粗糙集236

11.6　粗糙集技术在数据挖掘中的应用236

第12章 目标优化技术239

12.1　概述239

12.2　无约束非线性规划240

12.3　有约束非线性规划244

12.4　大规模优化问题的分解算法246

第3篇　数据挖掘应用251

第13章　互联网数据挖掘251

13.1　互联网数据挖掘的分类和特点251

13.2　互联网金融数据挖掘255

13.3　互联网金融数据挖掘和金融市场的关系259

第14章　互联网金融信息搜索引擎263

14.1　概述263

14.2　金融定点收割引擎265

14.3　金融爬虫搜索引擎267

14.4　金融信息搜索引擎应用实例270

14.5　搜索引擎定价275

第15章 互联网信息流时间序列挖掘284

15.1　金融信息流概述284

15.2　时间序列的统计模型285

15.3　时间序列模式的挖掘290

15.4　互联网金融信息流时间序列298

15.5　互联网金融信息流强度时间序列挖掘问题300

参考文献304