掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
深度學(xué)習(xí)
-
>
Unreal Engine 4藍圖完全學(xué)習(xí)教程
-
>
深入理解計算機系統(tǒng)-原書第3版
-
>
Word/Excel PPT 2013辦公應(yīng)用從入門到精通-(附贈1DVD.含語音視頻教學(xué)+辦公模板+PDF電子書)
數(shù)據(jù)挖掘理論.方法與應(yīng)用 版權(quán)信息
- ISBN：9787121246333
- 條形碼：9787121246333 ; 978-7-121-24633-3
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
數(shù)據(jù)挖掘理論.方法與應(yīng)用 本書特色
本書共分10章。第1章介紹了數(shù)據(jù)挖掘方法的歷史，另外討論了統(tǒng)計學(xué)習(xí)的一般模型。第2、3、4章介紹了三種數(shù)據(jù)挖掘模型：人工神經(jīng)網(wǎng)絡(luò)、支持向量機和隱馬爾可夫模型。第5章介紹了一種新型支持向量誘導(dǎo)回歸模型，第6章介紹了一種基于快速訓(xùn)練算法的hmm/svm混合系統(tǒng)，第7章介紹了分解向前算法及pca/ica降維svm模型，第8章介紹了不對稱支持向量機改進算法，第9章介紹了一種基于隱馬爾可夫模型的多重序列分析方法，第10章介紹了一類基于svm/rbf的氣象模型預(yù)測系統(tǒng)。
數(shù)據(jù)挖掘理論.方法與應(yīng)用 內(nèi)容簡介
本書是站在數(shù)據(jù)挖掘的獨特角度對神經(jīng)網(wǎng)絡(luò)、支持向量機和隱馬爾可夫理論這三個重要的理論與方法進行重新剖析，并進行方法論基礎(chǔ)上的應(yīng)用，通過講故事似的生動而系統(tǒng)地闡述數(shù)據(jù)挖掘的本質(zhì)，來引領(lǐng)讀者對數(shù)據(jù)挖掘的深入理解和應(yīng)用。
數(shù)據(jù)挖掘理論.方法與應(yīng)用 目錄
第1章 緒論 1
1.1 研究背景 2
1.2 數(shù)據(jù)挖掘的基本數(shù)學(xué)問題 5
1.2.1 相關(guān)概念 5
1.2.2 統(tǒng)計學(xué)習(xí)的一般模型 10
1.3 數(shù)據(jù)的變換 11
參考文獻 13
第2章 神經(jīng)網(wǎng)絡(luò)挖掘理論 19
2.1 神經(jīng)智能 19
2.2 生物神經(jīng)元和人工神經(jīng)元 21
2.2.1 生物神經(jīng)元 21
2.2.2 人工神經(jīng)元 23
2.2.3 建立數(shù)學(xué)模型 24
2.2.4 單層與多層網(wǎng)絡(luò)結(jié)構(gòu) 27
2.2.5 網(wǎng)絡(luò)學(xué)習(xí)方式 32
2.2.6 經(jīng)典學(xué)習(xí)規(guī)則 34
2.3 lms和sda方法 35
2.3.1 平均平方誤差函數(shù) 36
2.3.2 lms和sda算法 39
2.4 后向傳播算法 43
2.4.1 概況 43
2.4.2 多層網(wǎng)絡(luò)bp算法 44
參考文獻 50
第3章 基于支持向量的挖掘理論 52
3.1 支持向量與分類超平面 52
3.1.1 一維情形 52
3.1.2 二維情形 54
3.1.3 三維情形 56
3.1.4 n維情形（ ） 57
3.1.5 核函數(shù)（內(nèi)積回旋）思想 58
3.1.6 核函數(shù)定義 63
3.2 風(fēng)險控制策略 65
3.2.1 vc維概念 65
3.2.2 經(jīng)驗風(fēng)險*小化原則 66
3.2.3 結(jié)構(gòu)風(fēng)險*小化原則 67
3.3 樣本被錯分的討論 68
3.3.1 *大間隔分類超平面 68
3.3.2 數(shù)據(jù)被錯分的條件 70
3.4 *優(yōu)化策略 71
3.5 分類與回歸 74
3.5.1 分類算法 74
3.5.2 回歸算法 78
3.5.3 解的全局*優(yōu)討論 80
3.6 幾種經(jīng)典算法描述 82
3.6.1 分解算法 82
3.6.2 分塊算法 83
3.6.3 序貫*小化算法 84
3.6.4 核函數(shù)構(gòu)造算法 85
參考文獻 85
第4章 隱馬爾可夫挖掘理論 87
4.1 馬爾可夫思想 87
4.2 隱馬爾可夫鏈 90
4.3 隱馬爾可夫模型 94
4.3.1 隱馬爾可夫模型定義 94
4.3.2 三個基本算法 95
參考文獻 102
第5章 新型支持向量誘導(dǎo)回歸模型及應(yīng)用 104
5.1 新型支持向量誘導(dǎo)回歸模型 104
5.1.1 不敏感損失函數(shù) 104
5.1.2 系統(tǒng)模型 106
5.2 時間序列分析的相空間重構(gòu) 108
5.2.1 相空間重構(gòu) 108
5.2.2 性能評價指標(biāo) 109
5.2.3 重構(gòu)模式的近似算法 110
5.3 預(yù)測置信度估計 110
5.4 實驗結(jié)果 111
5.4.1 參數(shù)的確定 111
5.4.2 預(yù)測指數(shù)分析 112
5.4.3 預(yù)測結(jié)果 113
5.4.4 svm和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的比較 115
5.4.5 討論 116
參考文獻 117
第6章 基于快速訓(xùn)練算法的hmm/svm混合系統(tǒng) 118
6.1 l值定義 118
6.2 快速訓(xùn)練算法和hmm/svm混合過濾模型 119
6.2.1 基于hmm的快速訓(xùn)練算法 119
6.2.2 hmm/svm的雙層混合系統(tǒng)模型 120
6.3 實驗結(jié)果 121
6.3.1 數(shù)據(jù)的獲取及序列的編碼 122
6.3.2 dna的兩類和多類分類識別 123
6.3.3 討論 126
參考文獻 127
第7章 分解向前算法及pca/ica降維svm模型 129
7.1 主成分分析（pca）的數(shù)學(xué)模型 129
7.2 獨立成分分析（ica）的數(shù)學(xué)模型 131
7.3 分解向前支持向量機 133
7.3.1 三個距離區(qū)域 133
7.3.2 分解向前算法 134
7.3.3 dfsvm算法復(fù)雜度分析 136
7.3.4 pca-dfsvm及ica-dfsvm降維模型 137
7.4 實驗結(jié)果 138
7.4.1 scop數(shù)據(jù)庫 138
7.4.2 實驗1 138
7.4.3 實驗2 139
7.4.4 各項實驗指標(biāo)比較 140
7.4.5 討論 141
參考文獻 141
第8章 不對稱支持向量機改進算法及應(yīng)用 143
8.1 不對稱支持向量機 143
8.1.1 樣本的不對稱性 143
8.1.2 不對稱支持向量機算法 143
8.1.3 不對稱svm分類迭代模型 146
8.2 幾種多分類問題的算法復(fù)雜度估計 146
8.3 實驗結(jié)果 149
8.3.1 實驗1 150
8.3.2 實驗2 151
8.3.3 misvm和標(biāo)準(zhǔn)svm實驗指標(biāo)比較 153
參考文獻 155
第9章 基于隱馬爾可夫模型的多重序列分析 156
9.1 研究背景 156
9.2 多重序列比對 157
9.2.1 多重序列比對的描述 157
9.2.2 特征序列 158
9.3 隱馬爾可夫模型的序列描述 158
9.4 建立多重序列隱馬爾可夫輪廓圖 160
9.5 實驗結(jié)果和討論 161
9.5.1 pfam數(shù)據(jù)庫簡介 161
9.5.2 建立隱馬爾可夫模型 162
9.5.3 檢驗hmms模型 162
9.5.4 用hmms進行蛋白質(zhì)家族的模式分類 163
9.6 關(guān)于模型的局限性討論 164
參考文獻 165
第10章 一類基于svm/rbf的氣象模型預(yù)測系統(tǒng) 167
10.1 支持向量機回歸模型 167
10.1.1 回歸支持向量機 167
10.1.2 模型中幾個重要參數(shù)分析 168
10.2 溫度序列數(shù)據(jù)分析 169
10.3 決策函數(shù)的確定 170
10.4 預(yù)測結(jié)果分析 171
10.5 結(jié)論 173
參考文獻 173
1.1 研究背景 2
1.2 數(shù)據(jù)挖掘的基本數(shù)學(xué)問題 5
1.2.1 相關(guān)概念 5
1.2.2 統(tǒng)計學(xué)習(xí)的一般模型 10
1.3 數(shù)據(jù)的變換 11
參考文獻 13
第2章 神經(jīng)網(wǎng)絡(luò)挖掘理論 19
2.1 神經(jīng)智能 19
2.2 生物神經(jīng)元和人工神經(jīng)元 21
2.2.1 生物神經(jīng)元 21
2.2.2 人工神經(jīng)元 23
2.2.3 建立數(shù)學(xué)模型 24
2.2.4 單層與多層網(wǎng)絡(luò)結(jié)構(gòu) 27
2.2.5 網(wǎng)絡(luò)學(xué)習(xí)方式 32
2.2.6 經(jīng)典學(xué)習(xí)規(guī)則 34
2.3 lms和sda方法 35
2.3.1 平均平方誤差函數(shù) 36
2.3.2 lms和sda算法 39
2.4 后向傳播算法 43
2.4.1 概況 43
2.4.2 多層網(wǎng)絡(luò)bp算法 44
參考文獻 50
第3章 基于支持向量的挖掘理論 52
3.1 支持向量與分類超平面 52
3.1.1 一維情形 52
3.1.2 二維情形 54
3.1.3 三維情形 56
3.1.4 n維情形（ ） 57
3.1.5 核函數(shù)（內(nèi)積回旋）思想 58
3.1.6 核函數(shù)定義 63
3.2 風(fēng)險控制策略 65
3.2.1 vc維概念 65
3.2.2 經(jīng)驗風(fēng)險*小化原則 66
3.2.3 結(jié)構(gòu)風(fēng)險*小化原則 67
3.3 樣本被錯分的討論 68
3.3.1 *大間隔分類超平面 68
3.3.2 數(shù)據(jù)被錯分的條件 70
3.4 *優(yōu)化策略 71
3.5 分類與回歸 74
3.5.1 分類算法 74
3.5.2 回歸算法 78
3.5.3 解的全局*優(yōu)討論 80
3.6 幾種經(jīng)典算法描述 82
3.6.1 分解算法 82
3.6.2 分塊算法 83
3.6.3 序貫*小化算法 84
3.6.4 核函數(shù)構(gòu)造算法 85
參考文獻 85
第4章 隱馬爾可夫挖掘理論 87
4.1 馬爾可夫思想 87
4.2 隱馬爾可夫鏈 90
4.3 隱馬爾可夫模型 94
4.3.1 隱馬爾可夫模型定義 94
4.3.2 三個基本算法 95
參考文獻 102
第5章 新型支持向量誘導(dǎo)回歸模型及應(yīng)用 104
5.1 新型支持向量誘導(dǎo)回歸模型 104
5.1.1 不敏感損失函數(shù) 104
5.1.2 系統(tǒng)模型 106
5.2 時間序列分析的相空間重構(gòu) 108
5.2.1 相空間重構(gòu) 108
5.2.2 性能評價指標(biāo) 109
5.2.3 重構(gòu)模式的近似算法 110
5.3 預(yù)測置信度估計 110
5.4 實驗結(jié)果 111
5.4.1 參數(shù)的確定 111
5.4.2 預(yù)測指數(shù)分析 112
5.4.3 預(yù)測結(jié)果 113
5.4.4 svm和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的比較 115
5.4.5 討論 116
參考文獻 117
第6章 基于快速訓(xùn)練算法的hmm/svm混合系統(tǒng) 118
6.1 l值定義 118
6.2 快速訓(xùn)練算法和hmm/svm混合過濾模型 119
6.2.1 基于hmm的快速訓(xùn)練算法 119
6.2.2 hmm/svm的雙層混合系統(tǒng)模型 120
6.3 實驗結(jié)果 121
6.3.1 數(shù)據(jù)的獲取及序列的編碼 122
6.3.2 dna的兩類和多類分類識別 123
6.3.3 討論 126
參考文獻 127
第7章 分解向前算法及pca/ica降維svm模型 129
7.1 主成分分析（pca）的數(shù)學(xué)模型 129
7.2 獨立成分分析（ica）的數(shù)學(xué)模型 131
7.3 分解向前支持向量機 133
7.3.1 三個距離區(qū)域 133
7.3.2 分解向前算法 134
7.3.3 dfsvm算法復(fù)雜度分析 136
7.3.4 pca-dfsvm及ica-dfsvm降維模型 137
7.4 實驗結(jié)果 138
7.4.1 scop數(shù)據(jù)庫 138
7.4.2 實驗1 138
7.4.3 實驗2 139
7.4.4 各項實驗指標(biāo)比較 140
7.4.5 討論 141
參考文獻 141
第8章 不對稱支持向量機改進算法及應(yīng)用 143
8.1 不對稱支持向量機 143
8.1.1 樣本的不對稱性 143
8.1.2 不對稱支持向量機算法 143
8.1.3 不對稱svm分類迭代模型 146
8.2 幾種多分類問題的算法復(fù)雜度估計 146
8.3 實驗結(jié)果 149
8.3.1 實驗1 150
8.3.2 實驗2 151
8.3.3 misvm和標(biāo)準(zhǔn)svm實驗指標(biāo)比較 153
參考文獻 155
第9章 基于隱馬爾可夫模型的多重序列分析 156
9.1 研究背景 156
9.2 多重序列比對 157
9.2.1 多重序列比對的描述 157
9.2.2 特征序列 158
9.3 隱馬爾可夫模型的序列描述 158
9.4 建立多重序列隱馬爾可夫輪廓圖 160
9.5 實驗結(jié)果和討論 161
9.5.1 pfam數(shù)據(jù)庫簡介 161
9.5.2 建立隱馬爾可夫模型 162
9.5.3 檢驗hmms模型 162
9.5.4 用hmms進行蛋白質(zhì)家族的模式分類 163
9.6 關(guān)于模型的局限性討論 164
參考文獻 165
第10章 一類基于svm/rbf的氣象模型預(yù)測系統(tǒng) 167
10.1 支持向量機回歸模型 167
10.1.1 回歸支持向量機 167
10.1.2 模型中幾個重要參數(shù)分析 168
10.2 溫度序列數(shù)據(jù)分析 169
10.3 決策函數(shù)的確定 170
10.4 預(yù)測結(jié)果分析 171
10.5 結(jié)論 173
參考文獻 173
展開全部
書友推薦
- >
有舍有得是人生
- >
推拿
- >
李白與唐代文化
- >
月亮與六便士
- >
經(jīng)典常談
- >
小考拉的故事-套裝共3冊
- >
姑媽的寶刀
- >
【精裝繪本】畫給孩子的中國神話
本類暢銷
