网志栈编辑推荐
本书是作者近年来从事高维数据挖掘研究成果的总结。全书从高维数据的特性出发，指出了高维数据给数据挖掘带来的影响以及高维数据挖掘的研究方向。对高维数据挖掘中的相似性搜索、高维数据聚类、高维数据异常检测、高维数据频繁模式发现及电子商务中的协同过滤技术进行了研究，提出了相关的解决方案和相应算法。 ；
内容简介
本书从高维数据的特性出发，指出了高维数据给数据挖掘带来的影响以及高维数据挖掘的研究方向。对高维数据挖掘中的相似性搜索、高维数据聚类、高维数据异常检测、高维数据频繁模式发现及电子商务中的协同过滤技术进行了研究，提出了相关的解决方案和相应算法。
本书适用于从事数据挖掘和商业智能研究的高校教师、研究生、科研院所的科研人员以及从事商业智能项目开发的工程技术人员。
作者简介
暂无
目录
1 绪论
1.1 研究背景
1.1.1 数据挖掘技术的产生和发展
1.1.2 高维数据挖掘的概念
1.2 高维数据挖掘所遇到的困难
1.2.1 高维数据的特点
1.2.2 维灾(the curse of dimensionality)
1.2.3 高维对数据挖掘的影响
1.3 高维数据挖掘的主要研究方向
1.3.1 高维空间中的距离函数或相似性度量函数
1.3.2 高效的高维数据相似性搜索算法
1.3.3 高效的高维数据挖掘算法
1.3.4 在高维空间中对失效的问题的处理
1.3.5 选维和降维
免费在线读
1.1研究背景
1.1.1 数据挖掘技术的产生和发展
在过去的三十年，随着计算机硬件技术、数据收集技术和数据存储技术的快速发展，各行各业都逐步建立起各自的数据库体系。在这些数据库中存放着大量的数据，如何能有效地利用这些信息，使之能为生产实践所利用，成为人们所关注的问题。但相对于堆积成山的丰富的数据而言，人们缺乏强有力的分析手段和分析工具，因而造成了“数据丰富而信息缺乏”的状况。显然，数据库的检索和查询难以满足人们的需要，虽然伴随着数据仓库出现的联机分析处理（On—Line Ana—lytical Processing，OIAP）技术具有总结、概化和聚集的功能，可以从不同角度来观察数据，支持多维分析和决策支持，但它不能进行更深层次的分析，挖掘出大量数据背后所蕴藏的知识。在这种情况下，数据挖掘技术便应运而生。
数据挖掘指的是从大量的数据中提取人们感兴趣的知识，这些知识是隐含的、事先未知的、并且是潜在有用的信息[FPSU96]。它是计算机技术研究中的一个很有应用价值的新领域，融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术，目前已成为国际上数据库和信息决策领域中最前沿的研究方向之一，引起了学术界和工业界的广泛关注。一些国际上高级别的工业研究实验室，例如IBM Almaden和GTE，众多的学术单位，例如UC Berkeley，都在这个领域开展了各种各样的研究计划。其研究的主要目标是发展有关的方法论、理论和工具，以支持从大量数据中提取有用的和让人感兴趣的知识和模式。
数据挖掘，也叫数据库中发现知识（Knowledge Discovery in Databases，KDD）。KDD一词首次出现在1989年8月举行的第11届国际联合人工智能学术会议上。随着KDD在学术界和工业界的影响越来越大，国际KDD组委会于1995年把专题讨论会更名为国际会议，在加拿大蒙特利尔市召开了第1届KDD国际学术会议，以后每年召开一次。迄今为止，由美国人工智能协会主办的KDD国际研讨会已经召开了13次，规模由原来的专题讨论会发展成为国际学术大会。
高维数据挖掘技术研究 pdf下载声明
本pdf资料下载仅供个人学习和研究使用，不能用于商业用途，请在下载后24小时内删除。如果喜欢，请购买正版
