数据挖掘与机器学习：PMML建模（上）

　　《数据挖掘与机器学习：PMML建模（上）/人工智能开发丛书》结合实际例子详细介绍了数据挖掘和机器学习领域关联规则模型、朴素贝叶斯模型、贝叶斯网络模型、基线模型、聚类模型、通用回归模型、回归模型、高斯过程模型以及K近邻模型九种模型的表达方式及构建知识。读者好同时结合《PMML建模标准语言基础》一书进行学习，以便融会贯通，灵活运用，更好地把PMML语言应用到自己的项目实践中。《数据挖掘与机器学习：PMML建模（上）/人工智能开发丛书》的读者对象为从事数据挖掘、机器学习、人工智能系统开发的人员以及教师和学生，也可以作为大数据及机器学习爱好者的自学用书。

暂缺《数据挖掘与机器学习：PMML建模（上）》作者简介

1 关联规则模型AssociationModel
1．1 关联规则基础知识
1．2 关联规则算法简介
1．3 关联规则模型元素AssociationModel
1．3．1 模型属性
1．3．2 模型子元素
1．3．3 评分应用过程
2 朴素贝叶斯模型NaiveBayesModel
2．1 朴素贝叶斯模型基础知识
2．1．1 全概率公式
2．1．2 贝叶斯定理
2．2 朴素贝叶斯算法简介
2．2．1 朴素贝叶斯算法
2．2．2 朴素贝叶斯模型参数估计
2．3 朴素贝叶斯模型元素NaiveBayesModel
2．3．1 模型属性
2．3．2 模型子元素
2．3．3 评分应用过程
3 贝叶斯网络模型BayesianNetworkModel
3．1 贝叶斯网络基础知识
3．2 贝叶斯网络算法简介
3．3 贝叶斯网络模型元素BayesianNetworkModel
3．3．1 模型属性
3．3．2 模型子元素
3．3．3 评分应用过程
4 基线模型BaselineModel
4．1 基线模型的基础知识
4．1．1 一般基线模型的概念
4．1．2 PMML规范中的基线模型
4．2 基线模型元素BaselineModel
4．2．1 模型属性
4．2．2 模型子元素
4．2．3 评分应用过程
5 聚类模型ClusteringModel
5．1 聚类模型的基础知识
5．2 聚类算法简介
5．2．1 硬聚类和软聚类
5．2．2 基于算法主要特征的划分
5．2．3 PMML规范中的聚类
5．3 聚类模型元素ClusteringModel
5．3．1 模型属性
5．3．2 模型子元素
5．3．3 评分应用过程
6 通用回归模型GeneralRegressionModel
6．1 通用回归模型基础知识
6．2 通用回归算法简介
6．2．1 一般线性回归模型GLM
6．2．2 广义线性回归GLZM
6．2．3 Cox回归
6．3 通用回归模型元素GeneralRegressionModel
……