知識發(fā)現(xiàn)（第二版）

第1章　緒論
　1．1　知識
　1．2　知識發(fā)現(xiàn)的過程
　1．3　知識發(fā)現(xiàn)的任務
　1．4　知識發(fā)現(xiàn)的方法
　　1．4．1　統(tǒng)計方法
　　1．4．2　機器學習
　　1．4．3　神經(jīng)計算
　　1．4．4　可視化
　1．5　知識發(fā)現(xiàn)的對象
　　1．5．1　數(shù)據(jù)庫
　　1．5．2　文本
　　1．5．3　Web信息
　　1．5．4　空間數(shù)據(jù)
　　1．5．5　圖像和視頻數(shù)據(jù)
　1．6　知識發(fā)現(xiàn)系統(tǒng)
第2章　決策樹
　2．1　歸納學習
　2．2　決策樹學習
　2．3　CLS學習算法
　2．4　ID3學習算法
　　2．4．1　信息論簡介
　　2．4．2　信息論在決策樹學習中的意義及應用
　　2．4．3　ID3算法
　　2．4．4　ID3算法應用舉例
　　2．4．5　C4．5算法
　2．5　決策樹的改進算法
　　2．5．1　二叉樹判定算法
　　2．5．2　按信息比值進行估計的方法
　　2．5．3　按分類信息估值
　　2．5．4　按劃分距離估值的方法
　2．6　決策樹的評價
　2．7　簡化決策樹
　　2．7．1　簡化決策樹的動機
　　2．7．2　決策樹過大的原因
　　2．7．3　控制樹的大小
　　2．7．4　修改測試屬性空間
　　2．7．5　改進測試屬性選擇方法
　　2．7．6　對數(shù)據(jù)進行限制
　　2．7．7　改變數(shù)據(jù)結(jié)構(gòu)
　2．8　連續(xù)性屬性離散化
　2．9　基于偏置變換的決策樹學習算法BSDT
　　2．9．1　偏置的形式化
　　2．9．2　表示偏置變換
　　2．9．3　算法描述
　　2．9．4　過程偏置變換
　　2．9．5　基于偏置變換的決策樹學習算法BSDT
　　2．9．6　經(jīng)典案例庫維護算法TCBM
　　2．9．7　偏置特征抽取算法
　　2．9．8　改進的決策樹生成算法GSD
　　2．9．9　實驗結(jié)果
　2．10　單變量決策樹的并行處理
　　2．10．1　并行決策樹算法
　　……
第3章　支持向量機
第4章　遷移學習
第5章　聚類分析
第6章　關(guān)聯(lián)規(guī)則
第7章　粗糙集
第8章　神經(jīng)網(wǎng)絡
第9章　貝葉斯網(wǎng)絡
第10章　隱馬爾可夫模型
第11章　圖挖掘
第12章　進化計算
第13章　分布式知識發(fā)現(xiàn)
第14章　Web知識發(fā)現(xiàn)
第15章　認知神經(jīng)科學知識發(fā)現(xiàn)
參考文獻