智能数据挖掘与知识发现

　　面对“人们被数据淹没，却饥渴于知识”的挑战，数据挖掘和知识发现技术应运而生，并得以蓬勃发展。数据挖掘涉及到人工智能、模式识别、机器学习、统计学等领域，因此，我们把体现当代科学技术发展特征的多学科间的知识交叉及最新成果反映到教材中来，同时本书从智能信息处理及数据挖掘两大主题出发，着重于介绍将智能信息处理中的最新技术如何应用于数据挖掘领域，如智能搜索、分类、聚类和智能决策等。.本书在介绍智能信息处理理论、方法、技术的基础上，全面系统地介绍了数据挖掘的概念、相关技术的原理及应用。全书共分9章。第一章主要从整体上介绍数据挖掘和知识发现的基本概念、研究现状及发展方向；第二章介绍了数据挖掘的理论基础；第三章详细论述了用于数据挖掘的计算智能方法的理论基础；第四章论述了神经网络和进化计算的分类方法；第五章全面论述了支撑矢量机与核分类方法；第六章详细论述了集成分类方法；第七章系统论述了数据挖掘中大规模数据聚类方法；第八章论述关联规则挖掘方法；第九章介绍数据挖掘实例及可视化。从第三章后的每一章都给出了所用方法的实验条件设置及实验结果。..本书可作为高校计算机、信号与信息处理、应用数学等专业的高年级本科生或研究生的教材，也可作为从事数据挖掘方面研究工作的科技工作者的参考资料。...

暂缺《智能数据挖掘与知识发现》作者简介

第一章 绪论
1.1 数据挖掘概述
1.2 数据挖掘的分类
1.3 数据挖掘研究的公开问题
1.4 国内外数据挖掘研究现状
本章参考文献
第二章 KDD的理论基础
2.1 数学理论Ⅰ
2.2 数学理论Ⅱ
2.3 机器学习理论
2.4 数据库理论
2.5 可视化理论
本章参考文献
第三章 计算智能方法理论基础
3.1 神经网络
3.2 进化计算
3.3 免疫克隆计算
第四章 基于神经网络与进化计算的分类
4.1 神经网络分类
4.2 海量数据的组织协同进化分类算法
4.3 基于免疫克隆算法的特征选择
本章参考文献
第五章 支撑矢量机与核分类
5.1 统计学习理论
5.2 支撑矢量机
5.3 子波核匹配追踪学习机
本章参考文献
第六章 集成分类器
6.1 集成学习
6.2 Boosting概述
6.3 Bagging算法
6.4 基于免疫克隆算法的选择性SVMs集成
6.5 核匹配追踪分类器集成
本章参考文献
第七章 大规模数据聚类算法
第八章 关联规则挖掘
第九章 数据挖掘应用实例及可视化