现代数据分析|吴今培孙德山|机械工业出版社 - 金书网

[放大封面] [放大封底]

【相关下载】
·精彩文前 ·免费样章
【二手书】
本产品共有 0 册二手书出售，最低价：￥.00 [查看]

推荐图书

	不等式(第2版) 作者:[英]G.H.Hardy　[英]J.E.Littlewood　[美]G.Pólya
	汉英数学词汇作者:王有志，孙徐玲
	数学学习评价作者:孙名符，刘岗著
	应用数学作者:朱鲜野
	经济应用数学基础（二）线... 作者:赵树嫄
	数学软件工程作者:周玲丽

用户购买本书还购买了

· 自动化系统项目管理

· UG NX4.0三维建模实用教程

· 新编电子控制电路300例

· ★特价样书★AutoCAD2000（中文...

· ★特价样书★AutoCAD 2004建筑工...

· ★特价样书★AutoCAD 2004（中文...

· ★特价样书★ASP网站建设技术**

· ★特价样书★ASP 可视化编程及应...

· ★特价样书★2008建设工程质量、...

· ★特价样书★2008建设工程技术与...

金书共建·What's this?

[分类共建] ·所有未分类图书查看
本书当前分类：
数学综合
我觉得本书应分到此类中：

[金书WIKI]
[ 编辑 ]当前页面使本书内容更加完善

[资源共建]
·提交本书书摘 ·提交本书相关资源

现代数据分析

您想读这本书吗？
作者：吴今培孙德山	出版社：机械工业出版社
译者：	丛书名：
出版日期：2006-2-1	上架日期：2006-2-17 17:11:00
ISBN：7111181972/TP	页数：版次：1-2
开本：	装帧：

市场价：~~￥28.00~~

贵宾会员价：￥21.00
高级会员价：￥21.84
普通会员价：￥22.40

金书豆豆(What's this?)

种一个豆豆，书价我来定！

我要种一个豆豆

【您的购物车】

购买册数：


货到付款：北京、上海、天津、广州、深圳、湖北、河南、山西、陕西、山东、四川、重庆、浙江更多查看>>

本书有特价样书提供，数量有限，预购从速 [购买本书特价书] [查看全部特价书]

| 大封面 | 封底 | 前言 | 内容简介 | 序言 | 目录 | 作者简介 | 译者简介 | 作者序 | 译者序 |

【读者评论】

内容简介
本书全面阐述了现代数据分析的基本理论和方法、实现技术和应用，内容反映了数据分析的最新发展。

本书共分8章，分别从数据的约简、分类、聚类、拟合、寻优、预测以及小概率数据挖掘等方面做了较详尽的论述，试图构建数据分析的一个新平台，以帮助读者掌握更高层次的数据分析技术，来解决更为复杂的实际问题。

本书可作为高等学校信息科学、计算机技术、控制工程及管理科学等相关专业的高年级大学生、研究生的参考教材，也适合于广大科技工作者学习与参考。

目录
伸缩显示:

[弹出查看]

前言

第１章粗糙集与数据约简１

11不确定性理论１

12粗糙集的基本理论与方法３

121RS的基本概念３

122RS的基本思想８

123RS的基本特点９

13知识的约简１０

131一般约简１０

132相对约简１１

133知识的依赖性１３

14决策表的约简１４

141分辨矩阵与分辨函数１５

142决策表１７

143属性的重要性１８

144决策表属性约简的分辨矩阵方法２０

145决策规则的生成２１

15粗糙集数据约简的具体实现与应用２２

151属性值的离散归一化２３

152基于分辨矩阵的启发式属性约简算法２４

153基于粗糙集方法的广东省自然科学基金立项评审系统２６

16粗糙集的研究现状与展望２９

161粗糙集的扩展模型２９

162粗糙集理论与其他不确定性理论的融合协作３１

163粗糙集研究的展望３３

参考文献３４

第２章支持向量机与数据分类３５

21小样本统计学习理论３５

22基于二次规划的支持向量机分类３７

221线性可分情况３７

222线性不可分情况４０

223一类分类问题４５

224多类支持向量机４６

23基于线性规划的支持向量机分类５４

231数学背景５４

232线性规划的分类算法５５

233线性规划下的一类分类算法５８

234线性规划下的多类分类算法６１

24支持向量回归模型６７

241单参数约束下的支持向量回归算法７０

242加权支持向量回归算法７４

243支持向量回归中的预测信任度７７

244回归模型与分类之间的关系７８

25求解大规模分类问题的支持向量机算法８１

２5１停机准则８２

２52块与分解８２

２53序列最小优化算法８３

26展望８６

参考文献８７

第3彰模糊划分与数据聚类９１

31概述９１

311聚类分析的含义９１

312模糊划分９２

32模糊聚类的统计量９４

33模糊划分的准则９７

34基于模糊统计量的聚类方法１００

341传递闭包聚类法１０１

342最大树聚类法１０３

343系统聚类法１０５

35基于模糊划分准则的聚类方法１０６

351模糊C均值聚类算法１０６

352ISODＡTＡ聚类算法１０７

36聚类有效性问题１１０

37模糊聚类在设备状态监测与故障诊断中的实际应用１１１

38模糊划分与数据聚类的研究展望１１６

参考文献１１７

第4章神经计算与数据拟合１１９

41概述１１９

42数据拟合的基本概念１２０

43数据拟合的传统方法１２１

431线性回归模型１２１

432非线性回归模型１２２

44数据拟合的神经网络方法１２３

441人工神经元１２３

442神经网络的拓扑结构１２４

443神经网络的学习方法１２４

444感知器模型１２５

445多层前向神经网络与误差反向传播算法１２６

446径向基函数（RBF）神经网络１３３

45神经网络数据拟合与非线性回归方法的比较１３９

46神经网络数据拟合与支持向量回归方法的比较１４０

461一般损失函数下的支持向量回归模型１４０

463几种不同损失函数下的支持向量回归模型１４２

463实验１４６

47神经网络的泛化能力与网络结构选择问题１４８

48模糊神经网络的数据拟合１５１

481模糊系统的TakagiSugeno模型１５１

482模糊神经网络的系统结构１５２

483学习算法１５４

484实例分析１５５

49展望１５８

参考文献159

第5章遗传算法与数据寻优161

51优化的传统方法161

52遗传算法162

521染色体编码方法164

522适应度函数166

523遗传算子166

524基本遗传算法的实现步骤169

525自适应遗传算法173

53遗传算法的基本理论173

531模式定理173

532遗传算法欺骗问题175

533遗传算法的收敛性理论176

54遗传算法的应用研究181

541遗传算法在神经网络优化中的应用181

542遗传算法用于聚类182

543遗传算法在模糊系统优化中的应用183

544其他应用184

55展望185

参考文献186

第6章时间序列分析与数据推测187

61时间序列的分析方法187

62时间序列的参数模型189

621建立时序模型的基本思想189

622自回归（ＡR）模型190

623滑动（MＡ）平均模型192

624自回归滑动平均（ＡRMＡ）模型193

625自回归求和滑动平均（ＡRIMＡ）模型194

63时间序列模型的特性195

631格林函数Ｇｊ196

632可逆函数Ｉｊ196

633自相关函数ρｋ197

634偏相关函数φｋｋ198

64时间序列模型的参数估计200

641ＡR模型的参数估计200

642ＡRMＡ模型的参数估计211

65时间序列模型的阶次判定215

651F检验的定阶准则216

652白度检验的定阶准则217

653FPE定阶准则218

654ＡIC定阶准则220

655其他定阶准则220

66时间序列的建模方法220

661波克斯—詹金斯的建模方法221

662潘迪特—吴贤铭的建模方法222

67时间序列的预测方法224

671平稳序列的预测226

672差分运算后平稳化序列的预测227

673含有周期分量的非平稳序列的预测
230

参考文献230

第7章现代数据分析的融合与协作技术232

71模糊系统与神经网络的融合２３２

711融合研究的背景与意义２３２

712模糊神经元２３３

713模糊神经网络２３５

714模糊系统与神经网络融合的方式２３８

715模糊神经网络在故障诊断中的应用２４１

72支持向量机与神经网络的融合２４４

721RBF神经网络２４４

722基于支持向量回归算法的RBF网络２４５

723RBF网络与SVR的关系２４７

73粗糙集与神经网络的融合２４７

731粗糙集与神经网络混合系统２４８

732粗神经网络２５２

74遗传算法与神经网络的融合２５５

741神经网络的遗传算法２５５

742港口投资辅助决策模型２５７

参考文献２５９

第8章异常数据挖掘２６１

81概述２６１

82基于统计模型的异常值检测２６２

821时间序列的异常值模型２６３

822基于最小二乘（Least Square,LS）估计的异常值检测、剔除及修正２６４

823其他时间序列模型的异常值检测２６８

83基于神经网络的异常数据挖掘２６８

831多层感知器２６９

832自组织映射网络２６９

833Hopfield网络２７０

84基于支持向量机的异常数据挖掘２７２

841相空间重构２７２

842二次规划下的异常值检测方法２７２

843线性规划下的异常值检测方法２７５

85回归中的异常值检测２７７

851检测步骤２７７

852仿真实例２７８

86异常数据挖掘的应用领域２８０

参考文献２８１

结束语２８２


	编辑荐语 [您可以向编辑推荐本书的亮点，采纳后奖励５－１０元优惠卷]（一个工作日内处理您的建议）

读者评论 w 查看本书所有书评

[发表您的书评，编辑将根据书评质量，予以相应的奖励]

关于我们 | 帮助 | 合作伙伴 | 我的帐户 | 图书馆 | 自考教材网 | 高校教材网
北京电话：010-68993821/88379639/88379641 邮箱：service@golden-book.com 传真：010-68990188
Copyright 2005 中国科技金书网机械工业出版社 Golden-Book.Com All rights reserved
京ICP证060035号