知识发现

前言
第1章 绪论
1.1 知识
1.2 知识发现
1.3 知识发现的任务
1.3.1 数据总结
1.3.2 概念描述
1.3.3 分类
1.3.4 聚类
1.3.5 相关性分析
1.3.6 偏差分析
1.3.7 建模
1.4 知识发现的方法
1.4.1 统计方法
1.4.2 机器学习
1.4.3 神经计算
1.4.4 可视化
1.5 知识发现的对象
1.5.1 数据库
1.5.2 文本
1.5.3 Web信息
1.5.4 空间数据
1.5.5 图像和视频数据
1.6 知识发现与创新
第2章 决策树
2.1 归纳学习
2.2 决策树学习
2.3 CLS学习算法
2.4 ID3学习算法
2.4.1 信息论简介
2.4.2 信息论在决策树学习中的意义及应用
2.4.3 ID3算法
2.4.4 ID3算法应用举例
2.5 决策树的改进算法
2.5.1 二叉树判定算法
2.5.2 按信息比值进行估计的方法
2.5.3 按分类信息估值
2.5.4 按划分距离估值的方法
2.6 决策树的评价
2.7 简化决策树
2.7.1 简化决策树的动机
2.7.2 决策树过大的原因
2.7.3 控制树的大小
2.7.4 修改测试属性空间
2.7.5 改进测试属性选择方法
2.7.6 对数据进行限制
2.7.7 改变数据结构
2.8 连续型属性离散化
2.9 基于偏置变换的决策树学习算法BSDT
2.9.1 偏置的形式化
2.9.2 表示偏置变换
2.9.3 算法描述
2.9.4 过程偏置变换
2.9.5 基于偏置变换的决策树学习算法BSDT
2.9.6 经典范例库维护算法TCBM
2.9.7 偏置特征抽取算法
2.9.8 改进的决策树生成算法GSD
2.9.9 实验结果
2.10 归纳学习中的问题
第3章 关联规则
3.1 关联规则挖掘概述
3.1.1 关联规则的意义和度量
3.1.2 经典的挖掘算法
3.2 广义模糊关联规则的挖掘
3.3 挖掘关联规则的数组方法
3.4 任意多表间关联规则的并行挖掘
3.4.1 问题的形式描述
3.4.2 单表内大项集的并行计算
3.4.3 任意多表间大项集的生成
3.4.4 跨表间关联规则的提取
3.5 基于分布式系统的关联规则挖掘算法
3.5.1 候选集的生成
3.5.2 候选数据集的局部剪枝
3.5.3 候选数据集的全局剪枝
3.5.4 合计数轮流检测
3.5.5 分布式挖掘关联规则的算法
3.6 词性标注规则的挖掘算法与应用
3.6.1 汉语词性标注
3.6.2 问题的描述
3.6.3 挖掘算法
3.6.4 试验结果
第4章 基于范例的推理
4.1 概述
4.2 过程模型
4.3 范例的表示
4.3.1 语义记忆单元
4.3.2 记忆网
4.4 范例的索引
4.5 范例的检索
4.6 相似性关系
4.6.1 语义相似性
4.6.2 结构相似性
4.6.3 目标特征
4.6.4 个体相似性
4.6.5 相似性计算
4.7 范例的复用
4.8 范例的保存
4.9 基于例示的学习
4.9.1 基于例示学习的任务
4.9.2 IB1算法
4.9.3 降低存储要求
4.10 范例工程
4.11 范例约简算法
4.12 中心渔场预报专家系统
4.12.1 问题分析与范例表示
4.12.2 相似性度量
4.12.3 索引与检索
4.12.4 基于框架的修正
4.12.5 实验结果
第5章 模糊聚类
5.1 概述
5.1.1 聚类结果的表示
5.1.2 模糊聚类的一般模型
5.2 传递闭包法
5.2.1 模糊相似系数的标定
5.2.2 传递闭包法
5.2.3 动态直接聚类法
5.2.4 最大树法
5.3 FCMBP聚类法
5.3.1 问题背景
5.3.2 Fuzzy等价标准型
5.3.3 置换等价类与平移等价类的记数公式
5.3.4 Xn的结构
5.3.5 模糊最优等价阵的存在性
5.3.6 最优模糊等价阵的算法步骤
5.3.7 基于FCMBP模糊聚类的语音识别
5.4 系统聚类法
5.5 C－均值聚类法
5.6 聚类有效性
5.7 聚类方法的比较
第6章 粗糙集
6.1 概述
6.1.1 知识的分类观点
6.1.2 新型的隶属关系
6.1.3 概念的边界观点
6.2 知识的约简
6.2.1 一般约简
6.2.2 相对约简
6.2.3 知识的依赖性
6.3 决策逻辑
6.3.1 决策表的公式化定义
6.3.2 决策逻辑语言
6.3.3 决策逻辑语言的语义
6.3.4 决策逻辑的推演
6.3.5 规范表达形式
6.3.6 决策规则和决策算法
6.3.7 决策规则中的一致性和不分明性
6.4 决策表的约简
6.4.1 属性的依赖性
6.4.2 一致决策表的约简
6.4.3 非一致决策表的约简
6.5 粗糙集的扩展模型
6.5.1 可变精度粗糙集模型
6.5.2 相似模型
6.5.3 基于粗糙集的非单调逻辑
6.5.4 与其他数学工具的结合
6.6 粗糙集的实验系统
6.7 粗糙集的展望
第7章 贝叶斯网络
7.1 概述
7.1.1 贝叶斯网络的发展历史
7.1.2 贝叶斯方法的基本观点
7.1.3 贝叶斯网络在数据挖掘中的应用
7.2 贝叶斯概率基础
7.2.1 概率论基础
7.2.2 贝叶斯概率
7.3 贝叶斯学习理论
7.3.1 几种常用的先验分布选取方法
7.3.2 计算学习机制
7.3.3 贝叶斯问题求解
7.4 简单贝叶斯学习模型
7.4.1 简单贝叶斯学习模型
7.4.2 简单贝叶斯模型的提升
7.4.3 提升简单贝叶斯分类的计算复杂性
7.5 贝叶斯网络的建造
7.5.1 贝叶斯网络的结构及建立方法
7.5.2 学习贝叶斯网络的概率分布
7.5.3 学习贝叶斯网络的网络结构
7.6 贝叶斯潜在语义模型
7.7 半监督文本挖掘算法
7.7.1 网页聚类
7.7.2 对含有潜在类别主题词的文档的类别标注
7.7.3 基于简单贝叶斯模型学习标注和未标注样本
第8章 支持向量机
8.1 统计学习问题
8.1.1 经验风险
8.1.2 VC维
8.2 学习过程的一致性
8.2.1 学习一致性的经典定义
8.2.2 学习理论的重要定理
8.2.3 VC熵
8.3 结构风险最小归纳原理
8.4 支持向量机
8.4.1 线性可分
8.4.2 线性不可分
8.5 核函数
8.5.1 多项式核函数
8.5.2 径向基函数
8.5.3 多层感知机
8.5.4 动态核函数
8.6 基于分类超曲面的海量数据分类方法
8.6.1 Jordan曲线定理
8.6.2 SVM直接方法基本思想
8.6.3 实现算法
8.6.4 实验结果分析
第9章 隐马尔科夫模型
9.1 马尔科夫过程
9.2 隐马尔科夫模型
9.3 似然概率和前反向算法
9.3.1 前向算法
9.3.2 反向算法
9.3.3 Viterbi算法
9.3.4 计算期望
9.4 学习算法
9.4.1 EM算法
9.4.2 梯度下降
9.4.3 Viterbi学习
9.5 基于状态驻留时间的分段概率模型
9.5.1 SDSPM模型的构成
第10章 神经网络
10.1 概述
10.1.1 基本的神经网络模型
10.1.2 神经网络的学习方法
10.2 人工神经元及感知机模型
10.2.1 基本神经元
10.2.2 感知机模型
10.3 前向神经网络
10.3.1 前向神经网络模型
10.3.2 多层前向神经网络的误差反向传播（BP）算法
10.3.3 BP算法的若干改进
10.4 径向基函数神经网络
10.4.1 插值问题
10.4.2 正规化问题
10.4.3 RBF网络学习方法
10.5 反馈神经网络
10.5.1 离散Hopfield网络
10.5.2 连续Hopfield网络
10.5.3 Hopfield网络应用
10.5.4 双向联想记忆模型
10.6 随机神经网络
10.6.1 模拟退火算法
10.6.2 玻尔兹曼机
10.7 自组织特征映射神经网络
10.7.1 网络的拓扑结构
10.7.2 网络自组织算法
10.7.3 有教师学习
第11章 进化和遗传算法
11.1 概述
11.2 基本遗传算法
11.2.1 基本遗传算法的构成要素
11.2.2 基本遗传算法的一般框架
11.3 遗传算法的数学理论
11.3.1 模式定理
11.3.2 积木块假设
11.3.3 遗传算法欺骗问题
11.3.4 隐并行性
11.4 遗传算法的基本实现技术
11.4.1 编码方法
11.4.2 适应度函数
11.4.3 选择算子
11.4.4 交叉算子
11.4.5 变异算子
11.4.6 约束条件的处理方法
11.5 遗传算法的高级实现技术
11.5.1 反转操作
11.5.2 变长度染色体遗传算法
11.5.3 小生境遗传算法
11.5.4 混合遗传算法
11.5.5 改进遗传算法
11.6 并行遗传算法
11.7 遗传算法应用
11.7.1 优化神经网络连接权值
11.7.2 用遗传算法优化神经网络连接结构
第12章 知识发现平台MSMiner
12.1 概述
12.2 数据仓库
12.2.1 数据仓库含义
12.2.2 元数据
12.2.3 OLAP
12.2.4 数据仓库和数据挖掘技术的结合
12.3 MSMiner的体系结构
12.3.1 数据挖掘模型
12.3.2 系统功能
12.3.3 体系结构
12.4 元数据管理
12.4.1 MSMiner元数据的内容
12.4.2 MSMiner元数据库
12.4.3 MSMiner元数据对象模型
12.5 数据仓库管理器
12.5.1 MSMiner数据仓库的基本结构
12.5 2 主题
12.5.3 数据抽取和集成
12.5.4 数据抽取和集成的元数据
12.5.5 数据仓库建模及OLAP的实现
12.6 算法库管理
12.6.1 数据挖掘算法的元数据
12.6.2 可扩展性的实现
12.6.3 挖掘算法的接口规范
12.7 数据挖掘任务规划
12.7.1 面向对象的数据挖掘任务模型
12.7.2 数据挖掘任务模型的处理
12.8 关系数据库知识发现查询语言KDSQI
12.8.1 知识对象
12.8.2 知识发现查询语言定义
12.8.3 扩充的CREATE命令语句
12.8.4 扩充的SELECT命令语句
第13章 Web知识发现
13.1 概述
13.2 Web知识发现的任务
13.2.1 Web知识发现任务的分类
13.2.2 Web内容发现
13.2.3 Web结构挖掘
13.3 Web知识发现方法
13.3.1 文本的特征表示
13.3.2 TFIDF向量表示法
13.3.3 特征子集的选取
13.4 模型质量评价
13.5 文本分析功能
13.5.1 名字提取
13.5.2 术语提取
13.5.3 缩写词识别器
13.5.4 其他提取器
13.6 文本特征的提取
13.6.1 一般特征项的提取
13.6.2 专有特征项的提取
13.7 基于文本挖掘的汉语词性自动标注研究
13.8 文本分类
13.9 文本聚类
13.9.1 层次凝聚法
13.9.2 平面划分法
13.9.3 简单贝叶斯聚类算法
13.9.4 k－最近邻参照聚类算法
13.9.5 分级聚类
13.9.6 基于概念的文本聚类
13.10 文本摘要
13.11 用户兴趣挖掘
第14章 生物信息知识发现
14.1 概述
14.2 基因的基本结构
14.3 生物信息数据库与查询
14.3.1 基因和基因组数据库
14.3.2 蛋白质数据库
14.3.3 功能数据库
14.4 序列比对
14.4.1 序列两两比对
14.4.2 多序列比对
14.5 核酸与蛋白质结构和功能的预测分析
14.5.1 核酸序列的预测方法
14.5.2 针对蛋白质的预测方法
14.6 基因组序列信息分析
14.7 功能基因组相关信息分析
14.7.1 大规模基因表达谱分析
14.7.2 基因组水平蛋白质功能综合预测
14.8 Internet资源和公共数据库
参考文献
索引