基于內容的視頻結構挖掘

第一篇 數(shù)據(jù)挖掘基礎
第1章 緒論
1．1 數(shù)據(jù)挖掘的發(fā)展
1．1．1 數(shù)據(jù)豐富與知識匱乏
1．1．2 從數(shù)據(jù)到知識
1．1．3 數(shù)據(jù)挖掘產(chǎn)生
1．2 什么是數(shù)據(jù)挖掘
1．2．1 數(shù)據(jù)挖掘的定義
1．2．2 與數(shù)據(jù)挖掘有關的舉例
1．3 數(shù)據(jù)挖掘的主要功能
1．3．1 挖掘頻繁模式、關聯(lián)和相關性
1．3．2 用于預測分析的分類與回歸
1．3．3 聚類分析
1．3．4 孤立點分析
1．3．5 趨勢和演變分析
1．4 數(shù)據(jù)挖掘步驟
1．4．1 數(shù)據(jù)挖掘的體系結構
1．4．2 知識發(fā)現(xiàn)過程
1．4．3 數(shù)據(jù)挖掘標準流程——CRISP-DM
1．4．4 SEMMA
1．5 數(shù)據(jù)挖掘軟件
1．5．1 第一類：由統(tǒng)計軟件發(fā)展而來
1．5．2 第二類：由數(shù)據(jù)庫軟件發(fā)展而來
1．5．3 第三類：第三方軟件
1．5．4 第四類：開源數(shù)據(jù)挖掘軟件
第2章 數(shù)據(jù)認識與數(shù)據(jù)預處理
2．1 數(shù)據(jù)屬性
2．2 數(shù)據(jù)統(tǒng)計描述
2．2．1 均值
2．2．2 中位數(shù)
2．2．3 眾數(shù)
2．2．4 根差
2．2．5 四分位距
2．2．6 方差和標準差
2．3 數(shù)據(jù)預處理
2．3．1 數(shù)據(jù)集成
2．3．2 數(shù)據(jù)變換
2．3．3 數(shù)據(jù)歸約
2．4 概念描述
2．4．1 面向屬性的歸納（Attribute-Oriented Induction，AOI）
2．4．2 面向屬性歸納的基本算法
2．4．3 挖掘類比較：區(qū)分不同的類
第3章 SQI．SERVER建立數(shù)據(jù)倉庫
3．1 數(shù)據(jù)倉庫：基本概念
3．1．1 什么是數(shù)據(jù)倉庫
3．1．2 什么是OLAP
3．1．3 數(shù)據(jù)倉庫的類型
3．1．4 數(shù)據(jù)倉庫與傳統(tǒng)數(shù)據(jù)庫的比較
3．1．5 數(shù)據(jù)倉庫的設計
3．2 SQL SERVER建立數(shù)據(jù)倉庫
3．2．1 基本概念
3．2．2 建立數(shù)據(jù)倉庫
3．3 應用舉例
3．3．1 使用SQL SERVER實現(xiàn)貝葉斯分類方法
3．3．2 使用Excel實現(xiàn)關聯(lián)規(guī)則分析
3．3．3 使用Excel實現(xiàn)其他數(shù)據(jù)挖掘分析
第4章 關聯(lián)規(guī)則挖掘
4．1 關聯(lián)規(guī)則的定義和屬性
4．1．1 關聯(lián)規(guī)則的定義
4．1．2 關聯(lián)規(guī)則的屬性
4．1．3 關聯(lián)規(guī)則挖掘過程
4．1．4 關聯(lián)規(guī)則挖掘的經(jīng)典算法
4．1．5 關聯(lián)規(guī)則應用
4．2 Apriori算法
4．2．1 Apriori算法偽代碼
4．2．2 Apriori算法舉例
4．2．3 由頻繁項集產(chǎn)生關聯(lián)規(guī)則
4．2．4 Apriori算法的python實現(xiàn)
4．2．5 Apriori算法改進
4．3 Fp-Growth算法
4．3．1 構造FP樹
4．3．2 FP-growth挖掘過程
4．4 關聯(lián)規(guī)則評價
4．5 關聯(lián)規(guī)則挖掘進展
4．5．1 增量式更新挖掘算法
4．5．2 并行／分布式關聯(lián)規(guī)則挖掘算法
4．5．3 多層關聯(lián)規(guī)則挖掘算法
4．5．4 在數(shù)據(jù)挖掘類型方面的拓展
4．5．5 基于約束的頻繁模式挖掘
第5章 分類與預測
5．1 分類與預測基本知識
5．2 ID3算法
5．2．1 ID3算法偽代碼
5．2．2 ID3算法的python實現(xiàn)
5．2．3 ID3的優(yōu)缺點
5．3 C4．5算法
5．3．1 C4．5的改進
5．3．2 C4．5算法的python實現(xiàn)
5．4 Python中Scikit-k姍機器學習簡介
5．4．1 數(shù)據(jù)預處理
5．4．2 主要分類方法
5．4．3 算法參數(shù)優(yōu)化
5．4．4 利用graphviz和pydot數(shù)據(jù)可視化
第6章 聚類分析
6．1 聚類分析概述
6．1．1 聚類分析的定義
6．1．2 聚類方法概述
6．1．3 聚類分析的一般步驟
6．1．4 聚類方法的要求
6．2 聚類的主要算法
6．2．1 劃分方法
6．2．2 層次法
6．2．3 基于密度的方法
6．2．4 模糊聚類
6．3 聚類進展
第7章 時間序列變動趨勢挖掘
7．1 時間序列影響因素及分析模型
7．1．1 時間序列及其作用
7．1．2 時間序列的影響因素
7．1．3 時間序列分解模型
7．1．4 時間序列趨勢挖掘步驟
7．2 時間序列季節(jié)調整
7．2．1 季節(jié)調整處理方法
7．2．2 季節(jié)因子
7．2．3 季節(jié)調整
7．3 時間序列趨勢挖掘
7．3．1 時距擴大法
7．3．2 移動平均法
7．3．3 指數(shù)平滑法
7．3．4 最小平方法
7．4 時間序列循環(huán)因子測定
7．4．1 循環(huán)變動的測定目的
7．4．2 循環(huán)變動的測定方法
7．4．3 乘法模型
7．4．4 加法模型
7．4．5 乘加模型
第二篇 基于內容的視頻結構挖掘
第1章 視頻結構挖掘概念框架
1．1 視頻結構挖掘的概念框架
1．2 視頻結構挖掘的系統(tǒng)結構
1．2．1 傳統(tǒng)數(shù)據(jù)挖掘過程
1．2．2 視頻結構挖掘系統(tǒng)結構
1．3 視頻結構挖掘的功能結構
1．4 視頻結構挖掘方法
1．4．1 基本結構單元的發(fā)現(xiàn)和表現(xiàn)
1．4．2 視頻單元分類
1．4．3 視頻單元聚類
1．4．4 視頻單元關聯(lián)規(guī)則挖掘
1．5 本章小結
第2章 視頻基本結構挖掘
2．1 視頻基本結構
2．2 鏡頭分割及關鍵幀提取
2．2．1 鏡頭分割常用方法
2．2．2 視頻鏡頭關鍵幀抽取
2．2．3 鏡頭分割顏色模型選擇及量化
2．2．4 自適應雙直方圖兩次判別鏡頭分割算法
2．3 場景構造
2．3．1 鏡頭特征提取及相似性度量
2．3．2 基于鏡頭多特征聚類視頻場景分割
2．3．3 基于競爭力的場景分割
2．4 本章小結
第3章 視頻結構語法挖掘
3．1 視頻結構語法
3．2 視頻數(shù)據(jù)預處理
3．2．1 鏡頭分割
3．2．2 特征提取
3．2．3 鏡頭符號序列化
3．3 視頻結構模式挖掘
3．3．1 傳統(tǒng)關聯(lián)規(guī)則挖掘
3．3．2 視頻結構關聯(lián)規(guī)則挖掘
3．3．3 視頻結構語法模式分析
3．4 本章小結
第4章 視頻結構語義挖掘
4．1 視頻結構語義
4．2 鏡頭語義概念挖掘
4．2．1 鏡頭語義概念挖掘主要圖模型
4．2．2 多概念判別隨機場模型
4．2．3 廣義多概念判別隨機場模型
4．3 視頻高層結構語義事件挖掘
4．3．1 視頻高層結構語義事件
4．3．2 HMM模型
4．3．3 HHMM模型
4．3．4 籃球視頻高層事件HHMM模型
4．4 本章小結