知識(shí)發(fā)現(xiàn)

前言
第1章 緒論
1.1 知識(shí)
1.2 知識(shí)發(fā)現(xiàn)
1.3 知識(shí)發(fā)現(xiàn)的任務(wù)
1.3.1 數(shù)據(jù)總結(jié)
1.3.2 概念描述
1.3.3 分類
1.3.4 聚類
1.3.5 相關(guān)性分析
1.3.6 偏差分析
1.3.7 建模
1.4 知識(shí)發(fā)現(xiàn)的方法
1.4.1 統(tǒng)計(jì)方法
1.4.2 機(jī)器學(xué)習(xí)
1.4.3 神經(jīng)計(jì)算
1.4.4 可視化
1.5 知識(shí)發(fā)現(xiàn)的對(duì)象
1.5.1 數(shù)據(jù)庫
1.5.2 文本
1.5.3 Web信息
1.5.4 空間數(shù)據(jù)
1.5.5 圖像和視頻數(shù)據(jù)
1.6 知識(shí)發(fā)現(xiàn)與創(chuàng)新
第2章 決策樹
2.1 歸納學(xué)習(xí)
2.2 決策樹學(xué)習(xí)
2.3 CLS學(xué)習(xí)算法
2.4 ID3學(xué)習(xí)算法
2.4.1 信息論簡(jiǎn)介
2.4.2 信息論在決策樹學(xué)習(xí)中的意義及應(yīng)用
2.4.3 ID3算法
2.4.4 ID3算法應(yīng)用舉例
2.5 決策樹的改進(jìn)算法
2.5.1 二叉樹判定算法
2.5.2 按信息比值進(jìn)行估計(jì)的方法
2.5.3 按分類信息估值
2.5.4 按劃分距離估值的方法
2.6 決策樹的評(píng)價(jià)
2.7 簡(jiǎn)化決策樹
2.7.1 簡(jiǎn)化決策樹的動(dòng)機(jī)
2.7.2 決策樹過大的原因
2.7.3 控制樹的大小
2.7.4 修改測(cè)試屬性空間
2.7.5 改進(jìn)測(cè)試屬性選擇方法
2.7.6 對(duì)數(shù)據(jù)進(jìn)行限制
2.7.7 改變數(shù)據(jù)結(jié)構(gòu)
2.8 連續(xù)型屬性離散化
2.9 基于偏置變換的決策樹學(xué)習(xí)算法BSDT
2.9.1 偏置的形式化
2.9.2 表示偏置變換
2.9.3 算法描述
2.9.4 過程偏置變換
2.9.5 基于偏置變換的決策樹學(xué)習(xí)算法BSDT
2.9.6 經(jīng)典范例庫維護(hù)算法TCBM
2.9.7 偏置特征抽取算法
2.9.8 改進(jìn)的決策樹生成算法GSD
2.9.9 實(shí)驗(yàn)結(jié)果
2.10 歸納學(xué)習(xí)中的問題
第3章 關(guān)聯(lián)規(guī)則
3.1 關(guān)聯(lián)規(guī)則挖掘概述
3.1.1 關(guān)聯(lián)規(guī)則的意義和度量
3.1.2 經(jīng)典的挖掘算法
3.2 廣義模糊關(guān)聯(lián)規(guī)則的挖掘
3.3 挖掘關(guān)聯(lián)規(guī)則的數(shù)組方法
3.4 任意多表間關(guān)聯(lián)規(guī)則的并行挖掘
3.4.1 問題的形式描述
3.4.2 單表內(nèi)大項(xiàng)集的并行計(jì)算
3.4.3 任意多表間大項(xiàng)集的生成
3.4.4 跨表間關(guān)聯(lián)規(guī)則的提取
3.5 基于分布式系統(tǒng)的關(guān)聯(lián)規(guī)則挖掘算法
3.5.1 候選集的生成
3.5.2 候選數(shù)據(jù)集的局部剪枝
3.5.3 候選數(shù)據(jù)集的全局剪枝
3.5.4 合計(jì)數(shù)輪流檢測(cè)
3.5.5 分布式挖掘關(guān)聯(lián)規(guī)則的算法
3.6 詞性標(biāo)注規(guī)則的挖掘算法與應(yīng)用
3.6.1 漢語詞性標(biāo)注
3.6.2 問題的描述
3.6.3 挖掘算法
3.6.4 試驗(yàn)結(jié)果
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
4.3.1 語義記憶單元
4.3.2 記憶網(wǎng)
4.4 范例的索引
4.5 范例的檢索
4.6 相似性關(guān)系
4.6.1 語義相似性
4.6.2 結(jié)構(gòu)相似性
4.6.3 目標(biāo)特征
4.6.4 個(gè)體相似性
4.6.5 相似性計(jì)算
4.7 范例的復(fù)用
4.8 范例的保存
4.9 基于例示的學(xué)習(xí)
4.9.1 基于例示學(xué)習(xí)的任務(wù)
4.9.2 IB1算法
4.9.3 降低存儲(chǔ)要求
4.10 范例工程
4.11 范例約簡(jiǎn)算法
4.12 中心漁場(chǎng)預(yù)報(bào)專家系統(tǒng)
4.12.1 問題分析與范例表示
4.12.2 相似性度量
4.12.3 索引與檢索
4.12.4 基于框架的修正
4.12.5 實(shí)驗(yàn)結(jié)果
第5章 模糊聚類
5.1 概述
5.1.1 聚類結(jié)果的表示
5.1.2 模糊聚類的一般模型
5.2 傳遞閉包法
5.2.1 模糊相似系數(shù)的標(biāo)定
5.2.2 傳遞閉包法
5.2.3 動(dòng)態(tài)直接聚類法
5.2.4 最大樹法
5.3 FCMBP聚類法
5.3.1 問題背景
5.3.2 Fuzzy等價(jià)標(biāo)準(zhǔn)型
5.3.3 置換等價(jià)類與平移等價(jià)類的記數(shù)公式
5.3.4 Xn的結(jié)構(gòu)
5.3.5 模糊最優(yōu)等價(jià)陣的存在性
5.3.6 最優(yōu)模糊等價(jià)陣的算法步驟
5.3.7 基于FCMBP模糊聚類的語音識(shí)別
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
6.1.1 知識(shí)的分類觀點(diǎn)
6.1.2 新型的隸屬關(guān)系
6.1.3 概念的邊界觀點(diǎn)
6.2 知識(shí)的約簡(jiǎn)
6.2.1 一般約簡(jiǎn)
6.2.2 相對(duì)約簡(jiǎn)
6.2.3 知識(shí)的依賴性
6.3 決策邏輯
6.3.1 決策表的公式化定義
6.3.2 決策邏輯語言
6.3.3 決策邏輯語言的語義
6.3.4 決策邏輯的推演
6.3.5 規(guī)范表達(dá)形式
6.3.6 決策規(guī)則和決策算法
6.3.7 決策規(guī)則中的一致性和不分明性
6.4 決策表的約簡(jiǎn)
6.4.1 屬性的依賴性
6.4.2 一致決策表的約簡(jiǎn)
6.4.3 非一致決策表的約簡(jiǎn)
6.5 粗糙集的擴(kuò)展模型
6.5.1 可變精度粗糙集模型
6.5.2 相似模型
6.5.3 基于粗糙集的非單調(diào)邏輯
6.5.4 與其他數(shù)學(xué)工具的結(jié)合
6.6 粗糙集的實(shí)驗(yàn)系統(tǒng)
6.7 粗糙集的展望
第7章 貝葉斯網(wǎng)絡(luò)
7.1 概述
7.1.1 貝葉斯網(wǎng)絡(luò)的發(fā)展歷史
7.1.2 貝葉斯方法的基本觀點(diǎn)
7.1.3 貝葉斯網(wǎng)絡(luò)在數(shù)據(jù)挖掘中的應(yīng)用
7.2 貝葉斯概率基礎(chǔ)
7.2.1 概率論基礎(chǔ)
7.2.2 貝葉斯概率
7.3 貝葉斯學(xué)習(xí)理論
7.3.1 幾種常用的先驗(yàn)分布選取方法
7.3.2 計(jì)算學(xué)習(xí)機(jī)制
7.3.3 貝葉斯問題求解
7.4 簡(jiǎn)單貝葉斯學(xué)習(xí)模型
7.4.1 簡(jiǎn)單貝葉斯學(xué)習(xí)模型
7.4.2 簡(jiǎn)單貝葉斯模型的提升
7.4.3 提升簡(jiǎn)單貝葉斯分類的計(jì)算復(fù)雜性
7.5 貝葉斯網(wǎng)絡(luò)的建造
7.5.1 貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)及建立方法
7.5.2 學(xué)習(xí)貝葉斯網(wǎng)絡(luò)的概率分布
7.5.3 學(xué)習(xí)貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)
7.6 貝葉斯?jié)撛谡Z義模型
7.7 半監(jiān)督文本挖掘算法
7.7.1 網(wǎng)頁聚類
7.7.2 對(duì)含有潛在類別主題詞的文檔的類別標(biāo)注
7.7.3 基于簡(jiǎn)單貝葉斯模型學(xué)習(xí)標(biāo)注和未標(biāo)注樣本
第8章 支持向量機(jī)
8.1 統(tǒng)計(jì)學(xué)習(xí)問題
8.1.1 經(jīng)驗(yàn)風(fēng)險(xiǎn)
8.1.2 VC維
8.2 學(xué)習(xí)過程的一致性
8.2.1 學(xué)習(xí)一致性的經(jīng)典定義
8.2.2 學(xué)習(xí)理論的重要定理
8.2.3 VC熵
8.3 結(jié)構(gòu)風(fēng)險(xiǎn)最小歸納原理
8.4 支持向量機(jī)
8.4.1 線性可分
8.4.2 線性不可分
8.5 核函數(shù)
8.5.1 多項(xiàng)式核函數(shù)
8.5.2 徑向基函數(shù)
8.5.3 多層感知機(jī)
8.5.4 動(dòng)態(tài)核函數(shù)
8.6 基于分類超曲面的海量數(shù)據(jù)分類方法
8.6.1 Jordan曲線定理
8.6.2 SVM直接方法基本思想
8.6.3 實(shí)現(xiàn)算法
8.6.4 實(shí)驗(yàn)結(jié)果分析
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
9.3.1 前向算法
9.3.2 反向算法
9.3.3 Viterbi算法
9.3.4 計(jì)算期望
9.4 學(xué)習(xí)算法
9.4.1 EM算法
9.4.2 梯度下降
9.4.3 Viterbi學(xué)習(xí)
9.5 基于狀態(tài)駐留時(shí)間的分段概率模型
9.5.1 SDSPM模型的構(gòu)成
第10章 神經(jīng)網(wǎng)絡(luò)
10.1 概述
10.1.1 基本的神經(jīng)網(wǎng)絡(luò)模型
10.1.2 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法
10.2 人工神經(jīng)元及感知機(jī)模型
10.2.1 基本神經(jīng)元
10.2.2 感知機(jī)模型
10.3 前向神經(jīng)網(wǎng)絡(luò)
10.3.1 前向神經(jīng)網(wǎng)絡(luò)模型
10.3.2 多層前向神經(jīng)網(wǎng)絡(luò)的誤差反向傳播（BP）算法
10.3.3 BP算法的若干改進(jìn)
10.4 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
10.4.1 插值問題
10.4.2 正規(guī)化問題
10.4.3 RBF網(wǎng)絡(luò)學(xué)習(xí)方法
10.5 反饋神經(jīng)網(wǎng)絡(luò)
10.5.1 離散Hopfield網(wǎng)絡(luò)
10.5.2 連續(xù)Hopfield網(wǎng)絡(luò)
10.5.3 Hopfield網(wǎng)絡(luò)應(yīng)用
10.5.4 雙向聯(lián)想記憶模型
10.6 隨機(jī)神經(jīng)網(wǎng)絡(luò)
10.6.1 模擬退火算法
10.6.2 玻爾茲曼機(jī)
10.7 自組織特征映射神經(jīng)網(wǎng)絡(luò)
10.7.1 網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)
10.7.2 網(wǎng)絡(luò)自組織算法
10.7.3 有教師學(xué)習(xí)
第11章 進(jìn)化和遺傳算法
11.1 概述
11.2 基本遺傳算法
11.2.1 基本遺傳算法的構(gòu)成要素
11.2.2 基本遺傳算法的一般框架
11.3 遺傳算法的數(shù)學(xué)理論
11.3.1 模式定理
11.3.2 積木塊假設(shè)
11.3.3 遺傳算法欺騙問題
11.3.4 隱并行性
11.4 遺傳算法的基本實(shí)現(xiàn)技術(shù)
11.4.1 編碼方法
11.4.2 適應(yīng)度函數(shù)
11.4.3 選擇算子
11.4.4 交叉算子
11.4.5 變異算子
11.4.6 約束條件的處理方法
11.5 遺傳算法的高級(jí)實(shí)現(xiàn)技術(shù)
11.5.1 反轉(zhuǎn)操作
11.5.2 變長(zhǎng)度染色體遺傳算法
11.5.3 小生境遺傳算法
11.5.4 混合遺傳算法
11.5.5 改進(jìn)遺傳算法
11.6 并行遺傳算法
11.7 遺傳算法應(yīng)用
11.7.1 優(yōu)化神經(jīng)網(wǎng)絡(luò)連接權(quán)值
11.7.2 用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)連接結(jié)構(gòu)
第12章 知識(shí)發(fā)現(xiàn)平臺(tái)MSMiner
12.1 概述
12.2 數(shù)據(jù)倉(cāng)庫
12.2.1 數(shù)據(jù)倉(cāng)庫含義
12.2.2 元數(shù)據(jù)
12.2.3 OLAP
12.2.4 數(shù)據(jù)倉(cāng)庫和數(shù)據(jù)挖掘技術(shù)的結(jié)合
12.3 MSMiner的體系結(jié)構(gòu)
12.3.1 數(shù)據(jù)挖掘模型
12.3.2 系統(tǒng)功能
12.3.3 體系結(jié)構(gòu)
12.4 元數(shù)據(jù)管理
12.4.1 MSMiner元數(shù)據(jù)的內(nèi)容
12.4.2 MSMiner元數(shù)據(jù)庫
12.4.3 MSMiner元數(shù)據(jù)對(duì)象模型
12.5 數(shù)據(jù)倉(cāng)庫管理器
12.5.1 MSMiner數(shù)據(jù)倉(cāng)庫的基本結(jié)構(gòu)
12.5 2 主題
12.5.3 數(shù)據(jù)抽取和集成
12.5.4 數(shù)據(jù)抽取和集成的元數(shù)據(jù)
12.5.5 數(shù)據(jù)倉(cāng)庫建模及OLAP的實(shí)現(xiàn)
12.6 算法庫管理
12.6.1 數(shù)據(jù)挖掘算法的元數(shù)據(jù)
12.6.2 可擴(kuò)展性的實(shí)現(xiàn)
12.6.3 挖掘算法的接口規(guī)范
12.7 數(shù)據(jù)挖掘任務(wù)規(guī)劃
12.7.1 面向?qū)ο蟮臄?shù)據(jù)挖掘任務(wù)模型
12.7.2 數(shù)據(jù)挖掘任務(wù)模型的處理
12.8 關(guān)系數(shù)據(jù)庫知識(shí)發(fā)現(xiàn)查詢語言KDSQI
12.8.1 知識(shí)對(duì)象
12.8.2 知識(shí)發(fā)現(xiàn)查詢語言定義
12.8.3 擴(kuò)充的CREATE命令語句
12.8.4 擴(kuò)充的SELECT命令語句
第13章 Web知識(shí)發(fā)現(xiàn)
13.1 概述
13.2 Web知識(shí)發(fā)現(xiàn)的任務(wù)
13.2.1 Web知識(shí)發(fā)現(xiàn)任務(wù)的分類
13.2.2 Web內(nèi)容發(fā)現(xiàn)
13.2.3 Web結(jié)構(gòu)挖掘
13.3 Web知識(shí)發(fā)現(xiàn)方法
13.3.1 文本的特征表示
13.3.2 TFIDF向量表示法
13.3.3 特征子集的選取
13.4 模型質(zhì)量評(píng)價(jià)
13.5 文本分析功能
13.5.1 名字提取
13.5.2 術(shù)語提取
13.5.3 縮寫詞識(shí)別器
13.5.4 其他提取器
13.6 文本特征的提取
13.6.1 一般特征項(xiàng)的提取
13.6.2 專有特征項(xiàng)的提取
13.7 基于文本挖掘的漢語詞性自動(dòng)標(biāo)注研究
13.8 文本分類
13.9 文本聚類
13.9.1 層次凝聚法
13.9.2 平面劃分法
13.9.3 簡(jiǎn)單貝葉斯聚類算法
13.9.4 k－最近鄰參照聚類算法
13.9.5 分級(jí)聚類
13.9.6 基于概念的文本聚類
13.10 文本摘要
13.11 用戶興趣挖掘
第14章 生物信息知識(shí)發(fā)現(xiàn)
14.1 概述
14.2 基因的基本結(jié)構(gòu)
14.3 生物信息數(shù)據(jù)庫與查詢
14.3.1 基因和基因組數(shù)據(jù)庫
14.3.2 蛋白質(zhì)數(shù)據(jù)庫
14.3.3 功能數(shù)據(jù)庫
14.4 序列比對(duì)
14.4.1 序列兩兩比對(duì)
14.4.2 多序列比對(duì)
14.5 核酸與蛋白質(zhì)結(jié)構(gòu)和功能的預(yù)測(cè)分析
14.5.1 核酸序列的預(yù)測(cè)方法
14.5.2 針對(duì)蛋白質(zhì)的預(yù)測(cè)方法
14.6 基因組序列信息分析
14.7 功能基因組相關(guān)信息分析
14.7.1 大規(guī)?；虮磉_(dá)譜分析
14.7.2 基因組水平蛋白質(zhì)功能綜合預(yù)測(cè)
14.8 Internet資源和公共數(shù)據(jù)庫
參考文獻(xiàn)
索引