数据挖掘技术 (21世纪高等学校精品教材) PDF下载

编辑推荐

本书特色：

　　系统阐述数据挖掘基础理论、基本方法和成熟技术，着眼热点、难点、疑点问题，把握未来发展趋势；将数据挖掘技术与人工智能理论统一在一个大的框架内；知识点环环相扣，形成循序渐进的知识链，精选相应实例，供读者加深理解；配有多种类型习题100多道，供读者练习与自测；提供教学相关资源（电子教案、教学网站等）；既可作为高年级本科生、研究生教材，又可作为科研和工程技术人员参考资料。；

内容简介

本书较为系统地介绍了数据挖掘的基本概念、基本方法和基本技术以及数据挖掘的*进展，并以较大篇幅叙述了数据挖掘在复杂工业系统中的应用情况。

本书深入而系统地阐述了数据挖掘的研究历史和现状、数据挖掘与数理统计的关系、数据挖掘技术（包括语义网络、智能体、分类、预测、复杂类型数据等基础概念和技术）、数据库系统及专家系统中的数据挖掘方式、数据挖掘的应用及一些具有挑战性的研究课题，对每类问题均提供了代表性算法和具体应用法则。全书共分7章，主要内容包括数据挖掘综述、从数理统计到数据挖掘、语义网络挖掘及其应用、智能体挖掘及其应用、分类挖掘及其应用、预测挖掘及其应用和复杂类型数据挖掘及其应用。

本书可作为高等院校自动化、电子信息、测控技术与仪表、电气工程、系统工程、机电工程等专业的本科生和研究生教材，也可作为相关专业工程技术人员的自学参考书。

作者简介

暂无

数据挖掘技术 (21世纪高等学校精品教材) PDF下载

前言
第1章　数据挖掘综述
 1.1　数据挖掘的研究历史和现状
 1.2　数据挖掘定义
 1.2.1　技术角度的定义
 1.2.2　商业角度的定义
 1.2.3　数据挖掘与传统分析方法的区别
 1.2.4　数据挖掘和数据仓库
 1.2.5　数据挖掘和在线分析处理
 1.2.6　数据挖掘、机器学习和统计
 1.2.7　软硬件发展对数据挖掘的影响
 1.3　数据挖掘研究内容
 1.3.1　数据挖掘所发现的知识
 1.3.2　数据挖掘的功能
 1.3.3　数据挖掘常用技术
 1.3.4　数据挖掘中的数据仓库
 1.4　数据挖掘系统工作原理
 1.4.1　数据挖掘系统结构
 1.4.2　数据挖掘流程
 1.5　小结
　习题1
第2章　从数理统计到数据挖掘
 2.1　数理统计与数据挖掘的关系
 2.1.1　数理统计的性质
 2.1.2　数据挖掘的性质
 2.1.3　从数理统计到数据挖掘
 2.2　数理统计与数据库技术的结合
 2.3　回归分析的基本概念
 2.4　线性回归方程
 2.5　线性相关的显著性检验
 2.5.1　线性回归的方差分析
 2.5.2　相关系数的显著性检验
 2.6　非线性回归分析
 2.6.1　化非线性回归为线性回归
　　2.6.2　多项式回归
 2.7　多元线性回归分析
 2.7.1　多元线性回归方程
 2.7.2　多元线性回归的方差分析
 2.8　一般情况下的回归分析
 2.8.1　一般情况下的回归方程
 2.8.2　一般情况下的参数估计
 2.9　逐步回归分析的软件设计
 2.10　锻模设计准则的制定
 2.10.1　研究的内容
 2.10.2　资料收集与数据处理
 2.10.3　飞边尺寸设计准则的制定
 2.10.4　飞边金属消耗设计准则的制定
 2.11　小结
 习题2
第3章　语义网络挖掘及其应用
 3.1　语义网络概念
 3.1.1　概述
 3.1.2　知识的表示
 3.1.3　搜索原理
 3.1.4　语义网络及其特性
 3.1.5　语义网络的推理及其特点
 3.2　语义网络挖掘原理
 3.2.1　概述
 3.2.2　归纳学习中的实例学习
 3.2.3　类比学习
 3.3 基于AutoCAD的注塑模架设计专家系统
 3.3.1 注塑模架设计专家系统总体方案设计
 3.3.2　模架设计专家系统的组成
 3.3.3　系统模架生成模块的设计
 3.3.4　系统数据库模块的设计
 3.3.5　注塑模架CAD设计系统的实现
 3.4　小结
 习题3 
第4章　智能体挖掘及其应用
 4.1　智能体概念
 4.1.1　概述
 4.1.2　分布式问题求解
 4.1.3　面向对象表示法
　……
第5章　分类挖掘及其应用
第6章　预测挖掘及其应用
第7章　复杂类型数据挖掘及其应用
参考文献

免费在线读

第1章　数据挖掘综述

　　1.1 数据挖掘的研究历史和现状

数据挖掘其实是一个逐渐演变的过程。电子数据处理的初期，人们就试图通过某些方法来实现自动决策支持，当时机器学习成为人们关心的焦点。机器学习的过程就是将一些已知的并已被成功解决的问题作为范例输入计算机，机器通过学习这些范例总结并生成相应的规则，这些规则具有通用性，使用它们可以解决某一类的问题。随后，随着人工神经网络（以下简称神经网络）技术的形成和发展，人们的注意力转向知识工程。知识工程不同于机器学习，它是直接给计算机输入已被代码化的规则，而计算机是通过使用这些规则来解决某些问题。专家系统就是用这种方法所得到的成果，但它有投资大、效果不甚理想等不足。20世纪80年代，人们又在新的神经网络理论的指导下，重新回到机器学习的方法上，并将其成果应用于处理大型商业数据库。

随着数据库技术的不断发展及数据库管理系统的广泛应用，数据库中存储的数据量急剧增大，在大量的数据背后隐藏着许多重要的信息，如果能把这些信息从数据库中抽取出来，将为公司创造很多潜在的利润，数据挖掘概念就是从这样的商业角度开发出来的。

数据仓库技术的发展与数据挖掘有着密切的关系。数据仓库的发展是推动数据挖掘技术发展的原因之一。但是，数据仓库并不是数据挖掘的先决条件，因为有很多数据挖掘可直接从操作数据源中挖掘信息。

确切地说，数据挖掘(Data Mining)，又称数据库中的知识发现(Knowledge Discovery in Database—KDD)，是指从大型数据库或数据仓库中提取隐含的、未知的、非平凡的及有潜在应用价值的信息或模式，它是数据库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。

　　……