内容简介
本书在数据挖掘领域介绍的内容，讲解细致，保留了相当的篇幅讲述数据挖掘各方面的基本概念和方法，如数据挖掘的概述、数据描述和处理、基本统计分析方法、常用的统计学和深度学。本书还介绍了数据挖掘技术应用实例，如数据挖掘技术在睡眠分期中的应用。因此既适合初学者学合专业人员参考。除含国内外教材中的内容和特点外，括了应用实例的介绍，其内容具有合理、丰富和的特点。尤其在数据挖掘应用实例方面，针对具体问题提出解决方案，并附有关键代码，对理解数据行数据分析、理解算法实现等有帮助。
目录
第1章 绪论 1.1 数据挖掘的定义 1.2 为什行数据挖掘 1.2.1 数据挖掘的背景 1.2.2 数据挖掘的意义 1.3 数据挖掘的应用 1.4 数据挖掘的对象和常用方法 1.4.1 数据挖掘的对象 1.4.2 数据挖掘的常用方法 1.5 数据挖掘的主要问题 1.6 数据挖掘在睡眠分期中的应用 1.6.1 睡眠分期的背景 1.6.2 常用睡眠分期数据库 1.6.3 睡眠分期中的数据挖掘 参考文献第2章 数据描述和预处理 2.1 数据描述 2.2 数据类型 2.2.1 数据的一般特 2.2.2 记录数据 2.2.3 基于图形的数据 2.2.4 有序数据 2.3 数据质量 2.4 数据可视化 2.4.1 柱形图 2.4.2 直方图与核密度估计图 2.4.3 箱形图 2.5 数据预处理 2.5.1 标准化 2.5.2 非线变换 2.5.3 归一化 2.5.4 离散化 2.6 睡眠分期中的数据描述和预处理 参考文献第3章 基本统计分析方法 3.1 正态分布参数的假设检验和区间估计 3.1.1 对均值肚的估计 3.1.2 对方差α2的假设检验和置信区间 3.2 两组数据的比较 3.2.1 数据成对 3.2.2 数据相互独立 3.3 二维数据检验 3.4 回归分析 3.4.1 主要定理 3.4.2 非线转换 3.4.3 分类属预测 3.5 方差分析 3.5.1 单因素方差分析 3.5.2 多因素ANOVA 3.6 睡眠脑电特征基本统计方法示例 参考文献第4章 决策树算法与森林 4.1 决策树模型与学r/> 4.1.1 决策树模型 4.1.2 决策树与if—then规则 4.1.3 决策树与条件概率分布 4.1.4 决策树学r/> 4.2 特征选择 4.2.1 特征选择的问题 4.2.2 信息增益 4.2.3 信息增益比 4.3 决策树的生成 4.3.1 ID3算法 4.3.2 C4.5 的生成算法 4.4 决策树的剪枝孵趸j”分类与回归树算法 4.5.1 CART的生成 4.5.2 CART剪枝算法 4.6 集成学机森林 4.6.1 集成学r/> 4.6.2 Bagging与森林 4.7 森林算法在睡眠分期中的应用 参考文献第5章 贝叶斯网络 5.1 朴素贝叶斯法的学类 5.1.1 基本方法 5.1.2 后验概率大化的含义 5.2 朴素贝叶斯的参数估计 5.2.1 极大似然估计 5.2.2 学类算法 5.2.3 贝叶斯估计 5.3 贝叶斯网络 5.3.1 模型表示 5.3.2 建立模型 5.3.3 使用贝叶斯信念网行推理示例 5.3.4 BBN的特点 5.4 贝叶斯网络在睡眠分期中的应用 参考文献第6章 支持向量机 6.1 线可分的SVM方法 6.2 线不可分的SVM方法 6.3 核函数 6.4 SVM在睡眠分期中的应用 参考文献第7章 神经网络算法 7.1 概述 7.1.1 人工神经网络发展历史 7.1.2 神经网络分类 7.2 单层神经网络 7.2.1 生物神经网络 7.2.2 人工神经网络 7.3 多层感知器和反向传播算法 7.3.1 反向传播算法和反向传播网络简介 7.3.3 误差反向传播 7.3.4 梯度消失问题及其解决办法 7.4 深度学r/> 7.4.1 深度学经网络 7.4.2 N——AlexNet模型 7.5 神经网络在睡眠分期中的应用 参考文献第8章 遗传算法 8.1 遗传算法的基本原理 8.1.1 遗传化的系统观 8.1.2 遗传算法的特点 8.1.3 遗传算法的基本术语 8.1.4 遗传算法的主要步骤 8.1.5 基本遗传算法的构成要素 8.2 遗传算法的基本实现技术 8.2.1 编码方法 8.2.2 适应度函数 8.2.3 选择算子 8.2.4 交叉算子 8.2.5 变异算子 8.2.6 遗传算法的运行参数 8.2.7 约束条件的法 8.3 遗传算法的优化举例 8.3.1 优化实例l 8.3.2 优化实例 参考文献第9章 聚类算法 9.1 K—Means聚类 9.2 Mean—Shift聚类 9.3 基于密度的聚类方法 9.3.1 算法优缺点 9.3.2 基本概念 9.3.3 I)BSCAN算法原理 9.4 基于高斯混合模型的期望大化聚类 9.5 聚类算法在睡眠分期中的应用 9.5.1 K—Means方法 9.5.2 DBSCAN方法 参考文献第10章 主成分分析 10.1 数据降维 10.2 主成分分析原理 10.2.1 PCA的理论推导 10.2.2 方差、协方差及协方差矩阵 10.3 PcA算法示例 10.4 PCA在睡眠分期中的应用 参考文献第1l章 其他数据挖掘算法 11.1 隐马尔可夫模型 11.1.1 什么样的问题需要HMM 11.1.2 HMM 11.1.3 一个HMM实例 11.1.4 HMM观测序列的生成 11.1.5 HMM的三个基本问题 11.1.6 代码示例 11.2 关联规则挖掘 11.2.1 关联规则介绍 11.2.2 Apriori算法 11.2.3 FP—growth算法 11.2.4 幸存者偏差 11.2.5 代码示例 参考文献
摘要与插图
第pan>章绪论
1.pan>数据挖掘的定义
数据挖掘(Data Mining)，通俗来讲是在大量的数据中发现有用的信息。随着信息技术的发展，每天都会产生大量的数据，可以说我们正处于一个大数据的时代。面对如此海量的数据，传统的分析方法已不再适用，这需要我们用新的技术工具从数据中找到隐藏的信息。数据挖掘这门新兴的学科涉及很多学科领域，它融合了统计学、人工智能、专家系统、智能数据库、知识获取、数据可视化及高能计算等领域。尽管目前对数据挖掘尚无明确的学科划定，从广义上来讲，数据挖掘先从巨大的数据体系或数据库里提炼出人们感兴趣的东西（可能在意料之中，也可能在意料之外）；或者说，从庞大的观察数据集中提炼并分析出不可轻易察觉或断言的关系，后给出一个有用的、可以理解的结论。简单地说，数据挖掘是在数据中发现数据之间的关系。数据挖掘也常被称为知识发现(Knowledge Discovery)，因此许多知识发现中的算法——比如人工智能算法，常常被用于数据挖掘的过程中。尽管“数据挖掘”和“知识发现”的称谓在学术界并行，然而在产业界、媒体和数据库研究界，“数据挖掘”这一术语比“知识发现”更流行，因为前者更能够吸引投资者的视线，从而推动数据挖掘的使用和发展[1]数据挖掘有以下三个特点：（pan>）数据量常常是巨大的。是否可以根据相关领域内的数据集找出数据关系即算法，使用数据还是数据或有目的地使用数据子集，能否地存取数据，这些问题都是数据挖掘工作者需要考虑的问题。（2）数据挖掘面临的数据常常是为其他目的而收集的数据。这为数据挖掘带来了一个问题，即收集数据时，可能没有收集一个或几个重要的变量，而这些变量在数据挖掘应用中被证明是有用的，甚是关重要的。（3)数据挖掘工作者常常不愿把先验知识预先嵌入算法内，因为这样等于做“假设检验”。数据挖掘常常要求算法可以主动地揭示一些数据的内在关系，结论的新颖是衡量数据挖掘算法好坏的一个重要标准。当然，这些新颖的结论必须是可以被人理解的，不应该是漫无边际的奇怪结论。
……
