标签分类
当前位置:首页 > 计算机理论电子书 > 数据挖掘电子书网盘下载
数据挖掘技术 数据挖掘技术
niehanmin

niehanmin 提供上传

资源
20
粉丝
30
喜欢
66
评论
15

    数据挖掘技术 PDF 扫描版

    数据挖掘电子书
    • 发布时间:

    给大家带来的一篇关于数据挖掘相关的电子书资源,介绍了关于数据挖掘方面的内容,本书是由北京航空航天大学出版社出版,格式为PDF,资源大小62.6 MB,王小妮编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:9.8,更多相关的学习资源可以参阅 计算机理论电子书、等栏目。

  • 数据挖掘技术 PDF 下载
  • 下载地址:https://pan.baidu.com/s/1agce1KI9fkD5q39K-SxuAw
  • 分享码:sh58
  • 数据挖掘技术 PDF

    《数据挖掘技术》是依据数据挖掘经典优化计算方法及数据挖掘制造行业*科研专业性进行数据分析的教学内容。这书内容包括数据挖掘概述、分类算法、聚类算法、关联规则优化计算方法及相对性广泛性优化计算方法的优化计算方法描述及分析等。对现如今数据挖掘的新技术——流数据挖掘算法、高维聚类算法、分布式系统数据挖掘、物联网数据挖掘进行了详细的详解。该部分在描述基本前提及广泛性优化计算方法的大部分配有新科研的优化计算方法实体模型及分析,并有实验数据分析及资料显示。后对其他数据挖掘新技术,包括工作流程活动主题监控挖掘专业性、云操作系统架构和数据挖掘方法 及思维逻辑流程数据挖掘算法进行了描述。

    这书可以作为高等院校数字化管理、数理统计等专业有关数据挖掘教学课堂的大学毕业或者研究生的专业课教学内容,可以作为各种各样相关培训学校的教学内容,能够作为从事数据分析、智能家居系统手机软件开发者的教材内容及数据挖掘爱好者的根据通过自学用书。

    目录

    • 第1章 数据挖掘概述
    • 1.1数据挖掘的概念
    • 1.1.1KDD与数据挖掘
    • 1.1.2数据挖掘过程
    • 1.1.3数据挖掘任务
    • 1.2数据挖掘的发展历程
    • 1.3数据挖掘的分类
    • 1.4数据挖掘的研究方法
    • 1.4.1统计分析方法
    • 1.4.2决策树方法
    • 1.4.3模糊集方法
    • 1.4.4粗糙集方法
    • 1.4.5人工神经网络方法
    • 1.4.6遗传算法
    • 1.5国内外数据挖掘研究现状
    • 本章小结
    • 参考文献
    • 第2章 分类算法分析
    • 2.1分类概念
    • 2.2分类方法
    • 2.3决策树算法
    • 2.3.1ID3算法
    • 2.3.2C4.5算法
    • 2.4贝叶斯分类
    • 2.5粗糙集方法
    • 2.5.1粗糙集模型扩展
    • 2.5.2粗糙集与其他不确定信息处理理论的关系
    • 2.6遗传算法
    • 2.7其他分类算法
    • 本章小结
    • 参考文献
    • 第3章 聚类算法分析
    • 3.1聚类分析概述
    • 3.1.1聚类分析概念
    • 3.1.2聚类分析中的数据类型
    • 3.2聚类分类
    • 3.3划分方法
    • 3.3.1K—means算法
    • 3.3.2Kmedoid算法
    • 3.4层次方法
    • 3.4.1BIRCH算法
    • 3.4.2CURE算法
    • 3.5密度方法
    • 3.5.1DBSCAN算法
    • 3.5.2OPTICS算法
    • 3.6网格方法
    • 3.6.1STING算法
    • 3.6.2Wavecluster算法
    • 3.7基于标量化III的聚类统计算法
    • 3.7.1数学描述
    • 3.7.2计算方法
    • 3.7.3文本数据
    • 3.7.4应用实例
    • 3.8其他聚类算法
    • 本章小结
    • 参考文献
    • 第4章 关联规则算法分析
    • 4.1关联规则概念
    • 4.2频繁模式挖掘
    • ……
    • 第5章 流数据挖掘技术
    • 第6章 高维聚类算法
    • 第7章 分布式数据挖掘
    • 第8章 物联网数据挖掘

    上一篇:Android编程权威指南  下一篇:数据分析:企业的贤内助

    展开 +

    收起 -

    码小辫二维码
     ←点击下载即可登录

    数据挖掘相关电子书
    学习笔记
    网友NO.662719

    深入分析python数据挖掘 Json结构分析

    这篇文章通过实例给大家分析总结了python数据挖掘以及Json结构分析的相关知识点,对此有兴趣的朋友参考下。 json是一种轻量级的数据交换格式,也可以说是一种配置文件的格式 这种格式的文件是我们在数据处理经常会遇到的 python提供内置的模块json,只需要在使用前导入即可 你可以通过帮助函数查看json的帮助文档 json常用的方法有load、loads、dump以及dumps,这个都属于python初级,我不做过多解释 json可以结合数据库一起使用,在这以后要处理大量数据时非常有用 下面我们正式来利用数据挖掘对json文件进行处理 现在很多网站都运用了Ajax,所以一般很多都是XHR文件 通过这里我想利用一个地图网站来演示 我们通过浏览器的调试获取了相关url https://ditu.amap.com/service/poiInfo?id=B001B0IZY1query_type=IDQ 下面我们通过requests模块中的get方法,模拟浏览器发出的http请求,并返回的到的结果对象 代码如下 # coding=utf-8__Author__ = susmoteimport requestsurl = https://ditu.amap.com/service/poiInfo?id=B001B0IZY1query_type=IDQresp = requests.get(url)print(resp.text[0:200]) 在终端中运行结果如下 数据已经获取到了,但是为了接下来能使用这些数据,我们需要利用json模块对这些数据进行分析 代码如下 import requestsimport jsonurl = https://ditu.amap.com/service/poiInfo?id=B001B0IZY1query_type=IDQresp = request……

    网友NO.142187

    python数据挖掘需要学什么

    只要能解决实际问题,用什么工具来学习数据挖掘都是无所谓,这里首推Python。 需要掌握Python中的哪些知识? (推荐学习:Python视频教程) 1、Pandas库的操作 Panda是数据分析特别重要的一个库,我们要掌握以下三点: · pandas 分组计算; · pandas 索引与多重索引; 索引比较难,但是却是非常重要的 · pandas 多表操作与数据透视表 2、numpy数值计算 numpy数据计算主要应用是在数据挖掘,对于以后的机器学习,深度学习,这也是一个必须掌握的库,我们要掌握以下内容: · Numpy array理解; · 数组索引操作; · 数组计算; · Broadcasting(线性代数里面的知识) 3、数据可视化-matplotlib与seaborn · Matplotib语法 python最基本的可视化工具就是matplotlib。咋一看Matplotlib与matlib有点像,要搞清楚二者的关系是什么,这样学习起来才会比较轻松。 · seaborn的使用 seaborn是一个非常漂亮的可视化工具。 · pandas绘图功能 前面说过pandas是做数据分析的,但它也提供了一些绘图的API。 4、数据挖掘入门 这部分是最难也是最有意思的一部分,要掌握以下几个部分: · 机器学习的定义 在这里跟数据挖掘先不做区别 · 代价函数的定义 · Train/Test/Validate · Overfitting的定义与避免方法 5、数据挖掘算法 数据挖掘发展到现在,算法已经非常多,下面只需掌握最简单的,最核……

    网友NO.127026

    python数据挖掘需要学的内容

    1、Pandas库的操作 Panda是数据分析特别重要的一个库,我们要掌握以下三点: · pandas 分组计算; · pandas 索引与多重索引; 索引比较难,但是却是非常重要的 · pandas 多表操作与数据透视表 2、numpy数值计算 numpy数据计算主要应用是在数据挖掘,对于以后的机器学习,深度学习,这也是一个必须掌握的库,我们要掌握以下内容: · Numpy array理解; · 数组索引操作; · 数组计算; · Broadcasting(线性代数里面的知识) 3、数据可视化-matplotlib与seaborn · Matplotib语法 python最基本的可视化工具就是matplotlib。咋一看Matplotlib与matlib有点像,要搞清楚二者的关系是什么,这样学习起来才会比较轻松。 · seaborn的使用 seaborn是一个非常漂亮的可视化工具。 · pandas绘图功能 前面说过pandas是做数据分析的,但它也提供了一些绘图的API。 4、数据挖掘入门 这部分是最难也是最有意思的一部分,要掌握以下几个部分: · 机器学习的定义 在这里跟数据挖掘先不做区别 · 代价函数的定义 · Train/Test/Validate · Overfitting的定义与避免方法 5、数据挖掘算法 数据挖掘发展到现在,算法已经非常多,下面只需掌握最简单的,最核心的,最常用的算法: · 最小二乘算法; · 梯度下降; · 向量化; · 极大似然估计; · Logistic Regression; · Decision Tree; · RandomForesr;……

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明