高維聚類(lèi)知識(shí)發(fā)現(xiàn)關(guān)鍵技術(shù)研究及應(yīng)用

定　價(jià)：￥26.00

作　者：	陳建斌著
出版社：	電子工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787121082481	出版時(shí)間：	2009-03-01	包裝：	平裝
開(kāi)本：	大32開(kāi)	頁(yè)數(shù)：	217	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　知識(shí)發(fā)現(xiàn)是從數(shù)據(jù)集中抽取和精化新的模式的過(guò)程，基于數(shù)據(jù)庫(kù)的知識(shí)發(fā)現(xiàn)（Knowledge Discovery in Database，KDD））是知識(shí)發(fā)現(xiàn)研究的主體和熱點(diǎn)，而聚類(lèi)知識(shí)發(fā)現(xiàn)又是知識(shí)發(fā)現(xiàn)的重要方面。如何有效處理巨量、高維的數(shù)據(jù)，是當(dāng)前聚類(lèi)分析的關(guān)鍵技術(shù)。本書(shū)圍繞高維數(shù)據(jù)的聚類(lèi)問(wèn)題展開(kāi)研究，在討論高維數(shù)據(jù)相似I生尤其是高維二元數(shù)據(jù)相似性定義的基礎(chǔ)上，提出了基于粗圖模型的硬聚類(lèi)和軟聚類(lèi)算法、高維二元數(shù)據(jù)的映射聚類(lèi)算法、基于螞蟻行為的聚類(lèi)算法等，并進(jìn)一步提出基于映射聚類(lèi)的離群點(diǎn)檢測(cè)方法；還特別討論了高維聚類(lèi)結(jié)果的表示方法問(wèn)題，提出了應(yīng)用粗糙集高效表達(dá)聚類(lèi)結(jié)果的方法；最后探討了聚類(lèi)知識(shí)發(fā)現(xiàn)數(shù)據(jù)建模的基本步驟，給出了聚類(lèi)知識(shí)發(fā)現(xiàn)的典型應(yīng)用案例。本書(shū)學(xué)術(shù)性、知識(shí)性并重，可供從事數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘教學(xué)、研究的師生、學(xué)者閱讀，也可以為從事數(shù)據(jù)挖掘、知識(shí)發(fā)現(xiàn)系統(tǒng)等軟件工程技術(shù)人員提供參考。

作者簡(jiǎn)介

　　陳建斌，男，山西長(zhǎng)治人。2005年獲計(jì)算機(jī)應(yīng)用專(zhuān)業(yè)博士學(xué)位。國(guó)家職業(yè)技能鑒定專(zhuān)家委員會(huì)企業(yè)信息管理專(zhuān)家組組長(zhǎng)，中國(guó)機(jī)械工業(yè)企業(yè)管理協(xié)會(huì)專(zhuān)家委員會(huì)委員，北京聯(lián)合大學(xué)商務(wù)學(xué)院副教授、電子商務(wù)研究所所長(zhǎng)，高級(jí)企業(yè)信息管理師。主要研究方向?yàn)槠髽I(yè)信息化管理與運(yùn)作、電子商務(wù)與電子政務(wù)和商務(wù)智能。作者多年來(lái)秉承系統(tǒng)工程思想，開(kāi)展企業(yè)信息化管理的研究與實(shí)踐，主編了《企業(yè)信息管理師培訓(xùn)教程》、《ERP工程師培訓(xùn)教程》、《電子商務(wù)與電子政務(wù)》、《電子商務(wù)與現(xiàn)代物流》和《信息經(jīng)濟(jì)學(xué)》等多部著作，參與國(guó)家自然科學(xué)基金項(xiàng)目多項(xiàng)，主持省部級(jí)科研項(xiàng)目多項(xiàng)，在國(guó)內(nèi)核心期刊及國(guó)際學(xué)術(shù)會(huì)議上發(fā)表論文三十余篇。作為高級(jí)顧問(wèn)和專(zhuān)家組組長(zhǎng)，主講和輔導(dǎo)中央企業(yè)信息管理師職業(yè)資格培訓(xùn)數(shù)十期；參與多項(xiàng)企業(yè)信息化戰(zhàn)略規(guī)劃，數(shù)據(jù)倉(cāng)庫(kù)規(guī)劃與建設(shè)和企業(yè)診斷等項(xiàng)目。

圖書(shū)目錄

第1章　知識(shí)發(fā)現(xiàn)與KDD
1.1　知識(shí)與知識(shí)發(fā)現(xiàn)
1.1.1　知識(shí)
1.1.2　知識(shí)發(fā)現(xiàn)和KDD
1.1.3　知識(shí)發(fā)現(xiàn)的過(guò)程
1.2　數(shù)據(jù)庫(kù)知識(shí)發(fā)現(xiàn)——KDD
1.2.1　KDD的產(chǎn)生與發(fā)展
1.2.2　KDD的一般機(jī)理和理論基礎(chǔ)
1.2.3　KDD系統(tǒng)的基本框架
1.2.4　KDD的主要任務(wù)
第2章　聚類(lèi)知識(shí)發(fā)現(xiàn)及其關(guān)鍵技術(shù)
2.1　聚類(lèi)問(wèn)題的主要方法
2.2　聚類(lèi)問(wèn)題的關(guān)鍵技術(shù)
2.2.1　數(shù)據(jù)倉(cāng)庫(kù)技術(shù)
2.2.2　高維聚類(lèi)技術(shù)
2.3　高維聚類(lèi)關(guān)鍵技術(shù)研究
2.3.1　高維聚類(lèi)的主要算法
2.3.2　高維聚類(lèi)算法的關(guān)鍵技術(shù)
第3章　高維數(shù)據(jù)相似性的定義
3.1　數(shù)據(jù)相似關(guān)系
3.1.1　基于距離的相似性定義
3.1.2　基于密度的相似性定義
3.1.3　基于連接的相似性定義
3.2　高維數(shù)據(jù)相似關(guān)系的定義
3.3　二元數(shù)據(jù)相似性的定義
3.3.1　屬性分布特征向量
3.3.2　對(duì)象間屬性分布相似性
3.4　小結(jié)
第4章　基于粗圖模型的聚類(lèi)算法
4.1　圖論基礎(chǔ)概念
4.2　基于圖論的聚類(lèi)算法
4.2.1　聚集型圖論聚類(lèi)
4.2.2　多層粗圖法
4.2.3　基于二部圖的方法
4.3　圖劃分的關(guān)鍵技術(shù)
4.3.1　圖的多層二分劃（Multilevel Graph Bisection）
4.3.2　增強(qiáng)譜分割算法
4.3.3　圖的非平衡劃分技術(shù)
4.4　多層粗圖聚類(lèi)算法的改進(jìn)
4.4.1　聚類(lèi)算法
4.4.2　圖分割的精化算法
4.4.3　聚類(lèi)質(zhì)量評(píng)價(jià)
4.4.4　實(shí)驗(yàn)結(jié)果
4.4.5　算法評(píng)價(jià)
4.5　基于粗圖模型的軟聚類(lèi)方法
4.5.1　引言
4.5.2　軟聚類(lèi)算法
4.5.3　基于圖劃分法的軟聚類(lèi)GPSC算法
4.5.4　實(shí)驗(yàn)分析
4.5.5　軟聚類(lèi)方法的評(píng)價(jià)
4.6　小結(jié)
第5章　高維二元數(shù)據(jù)的映射聚類(lèi)算法
5.1　引言
5.2　二元數(shù)據(jù)
5.3　映射聚類(lèi)模型
5.3.1　伯努利分布（Bernoulli distribution）
5.3.2　有限混合伯努利分布
5.3.3　似然函數(shù)
5.3.4　EM算法
5.3.5　伯努利混合模型的EM算法
5.3.6　基于混合模型的映射聚類(lèi)思想
5.4　映射聚類(lèi)算法
5.5　實(shí)驗(yàn)結(jié)果
5.6　小結(jié)
第6章　基于螞蟻行為的聚類(lèi)方法
6.1　螞蟻算法綜述
6.2　Deneubourg基本模型及LF聚類(lèi)算法
6.2.1　數(shù)據(jù)對(duì)象表示方法及相似性量度
6.2.2　Deneubourg基本模型
6.2.3　LF聚類(lèi)算法
6.3　基于密度的啟發(fā)性群體智能聚類(lèi)算法——HDBCSI
6.3.1　記憶體
6.3.2　基于密度的先行策略
6.3.3　基于密度的啟發(fā)性群體智能聚類(lèi)算法HDBCSI算法描述
6.3.4　算法測(cè)試與比較分析
6.3.5　螞蟻算法評(píng)價(jià)
6.4　小結(jié)
第7章　高維數(shù)據(jù)空間的離群點(diǎn)檢測(cè)方法
7.1　概述
7.2　高維空間中的離群點(diǎn)發(fā)現(xiàn)
7.3　子空間離群點(diǎn)發(fā)現(xiàn)算法綜述
7.4　映射離群點(diǎn)發(fā)現(xiàn)的思考
7.5　映射離群點(diǎn)發(fā)現(xiàn)算法的設(shè)計(jì)
7.5.1　映射聚類(lèi)算法
7.5.2　基于熵的屬性選擇
7.5.3　離散屬性中離群點(diǎn)的確定
7.5.4　簇外屬性檢測(cè)
7.6　算法描述及分析
7.7　小結(jié)
第8章　高維數(shù)據(jù)聚類(lèi)結(jié)果的表示
8.1　聚類(lèi)結(jié)果表示方式概述
8.1.1　數(shù)據(jù)可視化
8.1.2　表達(dá)式法
8.2　基于粗糙集理論的知識(shí)表示
8.2.1　粗糙集基礎(chǔ)理論
8.2.2　屬性空間上的rough集理論
8.3　基于粗糙集理論的聚類(lèi)結(jié)果表達(dá)
8.3.1　一般聚類(lèi)知識(shí)的表達(dá)
8.3.2　高維二元映射聚類(lèi)結(jié)果的粗糙集表示
8.4　小結(jié)
第9章　聚類(lèi)知識(shí)發(fā)現(xiàn)數(shù)據(jù)建模及應(yīng)用
9.1　數(shù)據(jù)模型的建立
9.1.1　數(shù)據(jù)倉(cāng)庫(kù)的體系結(jié)構(gòu)與建模方法
9.1.2　多維數(shù)據(jù)模型對(duì)分析型應(yīng)用的支持
9.1.3　數(shù)據(jù)建模方案
9.2　應(yīng)用數(shù)據(jù)準(zhǔn)備
9.2.1　數(shù)據(jù)準(zhǔn)備的內(nèi)容
9.2.2　數(shù)據(jù)凈化的方法
9.2.3　數(shù)據(jù)的精簡(jiǎn)
9.3　聚類(lèi)知識(shí)發(fā)現(xiàn)的應(yīng)用——電信市場(chǎng)客戶分群
9.3.1　客戶聚類(lèi)分析流程
9.3.2　戰(zhàn)術(shù)分群與目標(biāo)市場(chǎng)營(yíng)銷(xiāo)
9.4　小結(jié)
參考文獻(xiàn)