现代数据分析 PDF下载

前言
第1章 粗糙集与数据约简
 1.1 不确定性理论
 1.2 粗糙集的基本理论与方法
 1.3 知识的约简
 1.4 决策表的约简
 1.5 粗糙集数据约简的具体实现与应用
 1.6 粗糙集的研究现状与展望
 参考文献
第2章 支持向量机与数据分类
 2.1 小样本统计学习理论
 2.2 基于二次规划的支持向量机分类
 2.3 基于线性规划的支持向量机分类
 2.4 支持向量回归模型前言<；br>；第1章 粗糙集与数据约简<；br>；  1.1 不确定性理论<；br>；  1.2 粗糙集的基本理论与方法<；br>；  1.3 知识的约简<；br>；  1.4 决策表的约简<；br>；  1.5 粗糙集数据约简的具体实现与应用<；br>；  1.6 粗糙集的研究现状与展望<；br>；  参考文献<；br>；第2章 支持向量机与数据分类<；br>；  2.1 小样本统计学习理论<；br>；  2.2 基于二次规划的支持向量机分类<；br>；  2.3 基于线性规划的支持向量机分类<；br>；  2.4 支持向量回归模型<；br>；  2.5 求解大规模分类问题的支持向量机算法<；br>；  2.6 展望<；br>；  参考文献<；br>；第3章 模糊划分与数据聚类<；br>；  3.1 概述<；br>；  3.2 模糊聚类的统计量<；br>；  3.3 模糊划分的准则<；br>；  3.4 基于模糊统计量的聚类方法<；br>；  3.5 基于模糊划分准则的聚类方法<；br>；  3.6 聚类有效性问题<；br>；  3.7 模糊聚类在设备状态监测与故障诊断中的实际应用<；br>；  3.8 模糊划分与数据聚类的研究展望<；br>；  参考文献<；br>；第4章 神经计算与数据拟合<；br>；  4.1 概述<；br>；  4.2 数据拟合的基本概念<；br>；  4.3 数据拟合的传统方法<；br>；  4.4 数据拟合神经网络方法<；br>；  4.5 神经网络数据拟合与非线性回归方法的比较<；br>；  4.6 神经网络数据拟合与支持向量回归方法的比较<；br>；  4.7 神经网络的泛化能力与网络结构选择问题<；br>；  4.8 展望<；br>；  参考文献<；br>；第5章 遗传算法与数据寻优<；br>；  5.1 优化的传统文化<；br>；  5.2 遗传算法<；br>；  5.3 遗传算法的基本理论<；br>；  5.4 遗传算法的应用研究<；br>；  5.5 展望<；br>；  参考文献<；br>；第6章 时间序列分析与数据推测<；br>；第7章 现代数据分析的融合与协作技术<；br>；第8章 异常数据挖掘<；br>；结束语