知識(shí)發(fā)現(xiàn)（第二版）

第1章　緒論
　1．1　知識(shí)
　1．2　知識(shí)發(fā)現(xiàn)的過(guò)程
　1．3　知識(shí)發(fā)現(xiàn)的任務(wù)
　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(kù)
　　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)系統(tǒng)
第2章　決策樹(shù)
　2．1　歸納學(xué)習(xí)
　2．2　決策樹(shù)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(shù)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
　　2．4．5　C4．5算法
　2．5　決策樹(shù)的改進(jìn)算法
　　2．5．1　二叉樹(shù)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(lèi)信息估值
　　2．5．4　按劃分距離估值的方法
　2．6　決策樹(shù)的評(píng)價(jià)
　2．7　簡(jiǎn)化決策樹(shù)
　　2．7．1　簡(jiǎn)化決策樹(shù)的動(dòng)機(jī)
　　2．7．2　決策樹(shù)過(guò)大的原因
　　2．7．3　控制樹(shù)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)性屬性離散化
　2．9　基于偏置變換的決策樹(shù)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(guò)程偏置變換
　　2．9．5　基于偏置變換的決策樹(shù)學(xué)習(xí)算法BSDT
　　2．9．6　經(jīng)典案例庫(kù)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(shù)生成算法GSD
　　2．9．9　實(shí)驗(yàn)結(jié)果
　2．10　單變量決策樹(shù)的并行處理
　　2．10．1　并行決策樹(shù)算法
　　……
第3章　支持向量機(jī)
第4章　遷移學(xué)習(xí)
第5章　聚類(lèi)分析
第6章　關(guān)聯(lián)規(guī)則
第7章　粗糙集
第8章　神經(jīng)網(wǎng)絡(luò)
第9章　貝葉斯網(wǎng)絡(luò)
第10章　隱馬爾可夫模型
第11章　圖挖掘
第12章　進(jìn)化計(jì)算
第13章　分布式知識(shí)發(fā)現(xiàn)
第14章　Web知識(shí)發(fā)現(xiàn)
第15章　認(rèn)知神經(jīng)科學(xué)知識(shí)發(fā)現(xiàn)
參考文獻(xiàn)