第1章绪论
1.1知识
1.2知识发现的过程
1.3知识发现的任务
1.4知识发现的方法
1.4.1统计方法
1.4.2机器学习
1.4.3神经计算
1.4.4可视化
1.5知识发现的对象
1.5.1数据库
1.5.2文本
1.5.3Web信息
1.5.4空间数据
1.5.5图像和视频数据
1.6知识发现系统
第2章决策树
2.1归纳学习
2.2决策树学习
2.3CLS学习算法
2.4ID3学习算法
2.4.1信息论简介
2.4.2信息论在决策树学习中的意义及应用
2.4.3ID3算法
2.4.4ID3算法应用举例
2.4.5C4.5算法
2.5决策树的改进算法
2.5.1二叉树判定算法
2.5.2按信息比值进行估计的方法
2.5.3按分类信息估值
2.5.4按划分距离估值的方法
2.6决策树的评价
2.7简化决策树
2.7.1简化决策树的动机
2.7.2决策树过大的原因
2.7.3控制树的大小
2.7.4修改测试属性空间
2.7.5改进测试属性选择方法
2.7.6对数据进行限制
2.7.7改变数据结构
2.8连续性属性离散化
2.9基于偏置变换的决策树学习算法BSDT
2.9.1偏置的形式化
2.9.2表示偏置变换
2.9.3算法描述
2.9.4过程偏置变换
2.9.5基于偏置变换的决策树学习算法BSDT
2.9.6经典案例库维护算法TCBM
2.9.7偏置特征抽取算法
2.9.8改进的决策树生成算法GSD
2.9.9实验结果
2.10单变量决策树的并行处理
2.10.1并行决策树算法
2.10.2串行算法的并行化
2.11归纳学习中的问题
第3章支持向量机
3.1统计学习问题
3.1.1经验风险
3.1.2VC维
3.2学习过程的一致性
3.2.1学习过程一致性的经典定义
3.2.2学习理论的重要定理
3.2.3VC熵
3.3结构风险最小归纳原理
3.4支持向量机
3.4.1线性可分
3.4.2线性不可分
3.5核函数
3.5.1多项式核函数
3.5.2径向基函数
3.5.3多层感知机
3.5.4动态核函数
3.6邻近支持向量机
3.7极端支持向量机
第4章迁移学习
4.1概述
4.2相似性关系
4.2.1语义相似性
4.2.2结构相似性
4.2.3样本相似性
4.2.4相似性计算
4.3归纳迁移学习
4.3.1基于采样的归纳迁移
4.3.2基于特征的归纳迁移
4.3.3基于参数的归纳迁移
4.4推导迁移学习
4.4.1基于采样的知识迁移
4.4.2基于特征的知识迁移
4.5主动迁移学习
4.5.1主动学习
4.5.2主动迁移学习算法
4.5.3迁移学习分类器
4.5.4决策函数
4.6多源领域知识的迁移学习
4.7强化学习中的迁移
4.7.1行为迁移
4.7.2知识迁移
第5章聚类分析
5.1概述
5.2相似性度量
5.2.1相似系数
5.2.2属性的相似度量
5.3划分方法
5.3.1k均值算法
5.3.2k中心点算法
5.3.3大型数据库的划分方法
5.4层次聚类方法
5.4.1BIRCH算法
5.4.2CURE算法
5.4.3ROCK算法
5.5基于密度的聚类
5.6基于网格方法
5.7基于模型方法
5.8模糊聚类
5.8.1传递闭包法
5.8.2动态直接聚类法
5.8.3最大树法
5.9蚁群聚类方法
5.9.1基本模型
5.9.2LF算法
5.9.3基于群体智能的聚类算法CSI
5.9.4混合聚类算法CSIM
5.10聚类方法的评价
第6章关联规则
6.1概述
6.2基本概念
6.3二值型关联规则挖掘
6.3.1AIS算法
6.3.2SETM算法
6.3.3Apriori算法
6.3.4Apriori算法的改进
6.4频繁模式树挖掘算法
6.5垂直挖掘算法
6.6挖掘关联规则的数组方法
6.7频繁闭项集的挖掘算法
6.8最大频繁项集挖掘算法
6.9增量式关联规则挖掘
6.10模糊关联规则的挖掘
6.11任意多表间关联规则的并行挖掘
6.11.1问题的形式描述
6.11.2单表内大项集的并行计算
6.11.3任意多表间大项集的生成
6.11.4跨表间关联规则的提取
6.12基于分布式系统的关联规则挖掘算法
6.12.1候选集的生成
6.12.2候选数据集的本地剪枝
6.12.3候选数据集的全局剪枝
6.12.4合计数轮流检测
6.12.5分布式挖掘关联规则的算法
第7章粗糙集
7.1概述
7.1.1知识的分类观点
7.1.2新型的隶属关系
7.1.3概念的边界观点
7.2知识的约简
7.2.1一般约简
7.2.2相对约简
7.2.3知识的依赖性
7.3决策表的约简
7.3.1属性的依赖性
7.3.2一致决策表的约简
7.3.3非一致决策表的约简
7.4粗糙集的扩展模型
7.4.1可变精度粗糙集模型
7.4.2相似模型
7.4.3基于粗糙集的非单调逻辑
7.4.4与其他数学工具的结合
7.5粗糙集的实验系统
7.6粒度计算
7.6.1模糊集模型
7.6.2粗糙集模型
7.6.3商空间理论模型
7.6.4相容粒度空间模型
第8章神经网络
8.1概述
8.1.1基本的神经网络模型
8.1.2神经网络的学习方法
8.2人工神经元及感知机模型
8.2.1基本神经元
8.2.2感知机模型
8.3前向神经网络
8.3.1前向神经网络模型
8.3.2多层前向神经网络的误差反向传播（BP）算法
8.3.3BP算法的若干改进
8.4径向基函数神经网络
8.4.1插值问题
8.4.2正则化问题
8.4.3RBF网络学习方法
8.5反馈神经网络
8.5.1离散型Hopfield网络
8.5.2连续型Hopfield网络
8.5.3Hopfield网络应用
8.5.4双向联想记忆模型
8.6随机神经网络
8.6.1模拟退火算法
8.6.2玻尔兹曼机
8.7自组织特征映射神经网络
8.7.1网络的拓扑结构
8.7.2网络自组织算法
8.7.3监督学习
第9章贝叶斯网络
9.1概述
9.1.1贝叶斯网络的发展历史
9.1.2贝叶斯方法的基本观点
9.1.3贝叶斯网络在数据挖掘中的应用
9.2贝叶斯概率基础
9.2.1概率论基础
9.2.2贝叶斯概率
9.3贝叶斯学习理论
9.3.1几种常用的先验分布选取方法
9.3.2计算学习机制
9.3.3贝叶斯问题求解
9.4简单贝叶斯学习模型
9.4.1简单贝叶斯模型
9.4.2简单贝叶斯模型的提升
9.4.3提升简单贝叶斯分类的计算复杂性
9.5贝叶斯网络的建造
9.5.1贝叶斯网络的结构及建立方法
9.5.2学习贝叶斯网络的概率分布
9.5.3学习贝叶斯网络的网络结构
9.6贝叶斯潜在语义模型
9.7半监督文本挖掘算法
9.7.1网页聚类
9.7.2对含有潜在类别主题词的文档的类别标注
9.7.3基于简单贝叶斯模型学习标注和未标注样本
第10章隐马尔可夫模型
10.1马尔可夫过程
10.2隐马尔可夫模型
10.3评估问题
10.3.1前向算法
10.3.2后向算法
10.4Viterbi算法
10.5学习算法
10.6嵌入式隐马尔可夫模型
10.7基于状态驻留时间的分段概率模型
第11章图挖掘
11.1概述
11.2图的基础知识
11.2.1图同构
11.2.2频繁子图
11.3频繁子图挖掘
11.3.1基于Apriori的算法
11.3.2基于模式增长的算法
11.4约束图模式挖掘
11.4.1特殊的子图挖掘
11.4.2基于约束的子结构模式挖掘
11.5图分类
11.5.1基于核的图分类方法
11.5.2最优核矩阵学习
11.5.3组合维核方法
11.6图模型
11.7图像标注模型
11.7.1混合生成式和判别式模型的图像语义标注框架
11.7.2构造集群分类器链
11.8社会网络分析
11.8.1中心度分析
11.8.2子群分析
11.8.3社会网络分析的应用
11.8.4社会网络分析软件
第12章进化计算
12.1概述
12.2进化系统理论的形式模型
12.3达尔文进化算法
12.4基本遗传算法
12.4.1基本遗传算法的构成要素
12.4.2基本遗传算法的一般框架
12.5遗传算法的数学理论
12.5.1模式定理
12.5.2积木块假设
12.5.3隐并行性
12.6遗传算法编码方法
12.6.1二进制编码方法
12.6.2格雷码编码方法
12.6.3浮点数编码方法
12.6.4符号编码方法
12.6.5多参数级联编码方法
12.6.6多参数杂交编码方法
12.7适应度函数
12.8遗传操作
12.8.1选择算子
12.8.2杂交算子
12.8.3变异算子
12.8.4反转操作
12.9变长度染色体遗传算法
12.10小生境遗传算法
12.11混合遗传算法
12.12并行遗传算法
12.13分类器系统
第13章分布式知识发现
13.1概述
13.2分布式计算技术
13.3同构海量数据挖掘
13.4异构海量数据挖掘
13.5任务调度
13.6基于主体的分布式知识发现
13.7基于网格的分布式知识发现
13.7.1Knowledge Grid
13.7.2Weka4WS
13.7.3DataMiningGrid
13.7.4GridMiner
13.8面向服务的分布式知识发现
13.8.1SODDM
13.8.2Anteater
13.9基于对等网的分布式知识发现
13.10基于云平台的分布式知识发现
第14章Web知识发现
14.1概述
14.2Web知识发现的任务
14.2.1Web内容挖掘
14.2.2Web结构挖掘
14.2.3Web使用挖掘
14.3Web知识发现方法
14.3.1文本的特征表示
14.3.2TFIDF向量表示法
14.3.3特征子集的选取
14.4模型质量评价
14.5基于文本挖掘的汉语词性自动标注研究
14.6文本分类
14.7文本聚类
14.7.1层次凝聚法
14.7.2平面划分法
14.7.3简单贝叶斯聚类算法
14.7.4k近邻聚类算法
14.7.5分级聚类
14.7.6基于概念的文本聚类
14.8文本摘要
14.9Web主题建模
14.10用户兴趣挖掘
第15章认知神经科学知识发现
15.1概述
15.2脑功能成像分析
15.3同步振荡
15.4特征捆绑
15.4.1带噪声的神经元发放方式
15.4.2神经元输入的贝叶斯耦合方式
15.4.3神经元之间的竞争关系
15.5神经元集群仿真
参考文献
