現(xiàn)代計算機科學與技術教材系列：數(shù)據挖掘與教學建模
定 價：39 元
- 作者：廖芹 ，等 著
- 出版時間：2010/2/1
- ISBN：9787118066715
- 出 版 社：國防工業(yè)出版社
- 中圖法分類：TP311.13
- 頁碼：352
- 紙張：膠版紙
- 版次：1
- 開本：16開
《數(shù)據挖掘與教學建�！芬試H數(shù)據挖掘標準流程（GRISP-DM）為依據，以企業(yè)管理面臨的現(xiàn)實問題為應用案例，由淺入深介紹數(shù)據挖掘方法及其解決問題過程的數(shù)據理解、數(shù)據處理、數(shù)據分析、數(shù)學建模、模型結果評估等內容，并引人應用廣泛的數(shù)據挖掘Clementine軟件輔助問題案例的解決，使讀者不僅可以集中地學習數(shù)據挖據的主要理論方法，而且可以了解基于數(shù)據挖掘的數(shù)學建模過程，可以學習應用軟件輔助解決問題的操作方法。
《數(shù)據挖掘與教學建�！钒牙碚�、案例、建模、軟件輔助結合一體統(tǒng)一敘述，簡述理論，突出應用，詳細分析，展示過程，既考慮高校學生的學習需要，分本科生與研究生學習層次，又考慮企業(yè)管理者的應用與實踐需要。
《數(shù)據挖掘與教學建模》可作為數(shù)據挖掘理論與技術的教學、實踐、應用和提高的教科書或參考書。適合高等學校本科高年級學生、研究生以及學習數(shù)據挖掘、數(shù)學模型課程的學生使用，也適合相關的企業(yè)管理與決策支持技術人員使用。
民眾多好飲酒，中外概莫能外。酒館和釀酒坊伴隨飲酒客而起，人類對酒的喜愛造就了酒文化和一個龐大的產業(yè)。好酒能賣好價錢，能使文人詩興大發(fā)，催生佳作，還能解人間百難。于是，釀天下名酒自然成為不少人的畢生追求。
怎樣才能釀出好酒呢？國人的看法不盡相同。崇信洋酒的人主張引進國外的生產工藝，學習洋人的生產和經營理念，而喜歡國酒的人則主張走自己的路，但不排除借鑒國外先進的科學技術和管理經驗。這樣的爭論或許永遠不會終結，但外國人重視科學釀酒，這一點是值得我們學習和借鑒的。
計算機科學教育，如同釀酒工業(yè)的生產一樣，科學辦學迄今還只是部分學者的一種理想。與國內一樣，國外的計算機科學教育并沒有像他們的科學釀酒業(yè)一樣，實現(xiàn)科學辦學。也許科學辦學要遠比科學釀酒困難得多。譬如，怎么實現(xiàn)科學辦學？甚至怎么推出一套科學的系列教材都是一篇大文章。
這套教材的創(chuàng)作始于教育部面向21世紀教育與教學改革13-22項目的研究。2000年，在13-22項目研究工作即將完成之際，一些學者開始認識到面對計算機科學與技術的高速發(fā)展，我們亟需一套體現(xiàn)科學辦學思想、反映內涵發(fā)展要求、服務教育與教學改革、參與構建學科人才培養(yǎng)科學體系的系列教材。強調系列教材是因為那時已經意識到計算機科學教育本質上是一項科學活動，但長期以來教師向學生傳授科學技術知識的方式方法科學性不強。由于高等教育幾百年來一直沿襲經驗方式而非科學方式辦學，大學教學的方式方法仍然還停留在古代作坊式的階段，只不過今天使用的教學技術手段先進而已。在經驗辦學方式下，無論是研究型大學還是教學型大學，由于種種原因，教學活動的全過程存在著太多的漏洞和質量上的隱患。科學辦學是對高等教育界傳統(tǒng)的一個挑戰(zhàn)，盡管在認識上，人們不難理解，科學辦學是經驗辦學的最高形式，而經驗辦學應該成為科學辦學的有益補充。
13-22項目組積極探索，率先倡導科學辦學理念，初步構建了一個體現(xiàn)科學辦學思想，反映內涵發(fā)展要求的計算機科學一級學科人才培養(yǎng)科學理論體系，為學科專業(yè)教育探索新天地，走向科學辦學和發(fā)展學科系列教材提供了一個認知基礎。
長期以來，學術界一直在探索計算機科學專業(yè)教育的規(guī)律。
第1章 數(shù)據挖掘與數(shù)學建模關系概述
1.1 當前信息化發(fā)展的趨勢與面對問題
1.2 數(shù)據挖掘發(fā)展及其應用
1.3 基于數(shù)據挖掘的數(shù)學建模
1.4 數(shù)據挖掘軟件Clementine的基本操作概述
1.4.1 Clementine數(shù)據挖掘的基本思想
1.4.2 Clementine的基本操作方法
參考文獻
第2章 統(tǒng)計分析
2.1 問題概述
2.2 回歸分析及其應用
2.2.1 回歸分析概述
2.2.2 一元線性回歸及其模型建立
2.2.3 多元線性回歸及其建模過程
2.2.4 Clementine輔助多元回歸分析
2.3 二項邏輯回歸
2.3.1 二項邏輯回歸概述
2.3.2 二項邏輯回歸模型
2.3.3 二項邏輯回歸方程中回歸系數(shù)的含義
2.3.4 二項邏輯回歸方程的檢驗
2.3.5 Clementine輔助Logistic回歸模型
2.4 主成分分析
2.4.1 主成分分析概述
2.4.2 主成分分析的數(shù)學模型
2.4.3 主成分計算步驟及應用
2.5 因子分析
2.5.1 因子分析概述
2.5.2 因子分析的數(shù)學模型
2.5 3因子載荷陣的估計方法
2.5.4 因子旋轉
2.5.5 因子得分
2.5.6 因子分析與主成分分析的聯(lián)系與區(qū)別
2.6 管理勝任力的案例分析和數(shù)學建模
2.6.1 問題提出
2.6.2 數(shù)據處理
2.6.3 模型建立
2.6.4 模型檢驗
2.6.5 模型應用
參考文獻
第3章 聚類分析
3.1 問題概述
3.2 聚類分析概述
3.3 基于距離的聚類相似度
3.4 系統(tǒng)聚類法
3.5 C-均值（C-Means）聚類算法
3.6 Clementine輔助K-Means聚類
3.7 模糊聚類
3.7.1 模糊C-Means（FCM）算法
3.7.2 WFCM算法
3.8 聚類有效性
3.8.1 基于可能性分布的聚類有效性函數(shù)
3.8.2 基于模糊相關度的聚類有效性函數(shù)
3.9 醫(yī)療建設評價的案例分析與數(shù)學建模
參考文獻
第4章 神經網絡及其應用
4.1 問題概述
4.2 神經網絡概述
4.3 神經網絡的基本模型
4.3.1 神經網絡的理論依據
4.3.2 神經網絡的組成
4.3.3 感知機模型
4.4 誤差逆?zhèn)鞑ド窠浘W絡模型
4.4.1 BP神經網絡的基本原理
4.4.2 BP神經網絡的學習算法
4.4.3 Clementine輔助XOR問題的模型建立
4.5 RBF神經網絡
4.5.1 RBF神經網絡的基本原理
4.5.2 RBF神經網絡的學習算法
4.5.3 新型輪胎性能的RBF神經網絡預測
4.6 自組織特征映射（SOM）神經網絡
4.6.1 SOM模型的基本原理
4.6.2 SOM模型的學習算法
4.6.3 Clementine輔助Kohonen模型建立
4.7 神經網絡的案例分析與數(shù)學建模
4.7.1 城市醫(yī)療能力評價的BP神經網絡
4.7.2 地下燃氣管網安全風險的綜合評價
4.8 模糊神經網絡
4.8.1 模糊基本概念
4.8.2 模糊神經網絡概述
4.8.3 模糊神經網絡學習算法
4.8.4 食品安全管理主任評價模糊神經網絡模型
參考文獻
第5章 決策樹及其應用
5.1 問題概述
5.2 決策樹概述
5.2.1 決策樹基本算法
5.2.2 CLS算法
5.2.3 信息熵
5.3 ID3算法
5.3.1 基本思想
5.3.2 ID3算法應用實例
5.4.4.5 算法
5.4.1 基本思想
5.4.2 基于信息增益率建模的決策樹
5.5 CART算法
5.5.1 基本思想
5.5.2 基于CART算法建模的決策樹
5.6 Clementine輔助決策樹建立
5.7 決策樹的評價標準
5.8 決策樹的剪枝
5.9 決策樹的優(yōu)化
5.10 燃氣管網安全預測案例分析與數(shù)學建模
5.11 模糊決策樹
5.11.1 模糊決策樹基本原理
5.11.2 模糊決策樹ID3算法
5.11.3 績效評估的模糊決策樹建立
參考文獻
第6章 關聯(lián)分析
6.1 問題概述
6.2 關聯(lián)分析概述
6.3 Apriori關聯(lián)規(guī)則算法
6.4 Clementine輔助Apriori算法實現(xiàn)關聯(lián)分析
6.5 基于Apriori算法的改進算法
6.6 基于分類搜索的關聯(lián)規(guī)則算法
6.7 基于頻繁樹的關聯(lián)規(guī)則算法
6.8 關聯(lián)規(guī)則的推廣
6.8.1 層次關聯(lián)規(guī)則算法
6.8.2 三種層次關聯(lián)規(guī)則的算法
6.9 時序關聯(lián)規(guī)則算法
6.10 Clememtin輔助時序關聯(lián)分析
6.11 多值屬性關聯(lián)規(guī)則算法
6.12 增量關聯(lián)規(guī)則算法
6.12.1 方法概述
6.12.2 算法描述
……
第7章 遺傳算法
第8章 貝葉斯網絡與知識推理
參考文獻
如果檢驗結果達到期望的目標，表示模型建立完畢，如果檢驗發(fā)現(xiàn)有較大的偏差，即模型計算的目標值與實際樣本目標值不一致，表示模型的結果不符合實際需要，此時要返回數(shù)據處理環(huán)節(jié)，檢查提取樣本特征和定義樣本取值的合理性，當學習樣本不足以代表檢驗樣本信息或擬合模型偏離時，可能導致建立模型的失效性。
5）結果評估
建立的模型通過模型檢驗后，要對模型結果反映的數(shù)據關系的變化規(guī)律進行科學分析與評估，使與實際應用問題的物理意義與現(xiàn)實機理反映的特征規(guī)律相一致，如果模型結果反映的變化規(guī)律與實際的不一致，表示盡管學習樣本、檢驗樣本與模型結果一致，但反映的變化規(guī)律仍與問題研究的目標有差異，此時應返回數(shù)據理解環(huán)節(jié)，分析可能存在但忽略的影響因素變量，通過補充，重新定義新的樣本與模型結構，通過再學習使模型結果與實際問題的變化規(guī)律和物理意義相一致。
6）結果應用
當建立的數(shù)學模型不僅通過指定樣本檢驗，而且通過應用問題的結果評估時，模型可以應用于問題領域，一般分為試應用和完善應用兩個階段。由于基于數(shù)據挖掘的數(shù)學建模，是從數(shù)據切入，數(shù)據獲取的部分性和定義樣本的非全局代表性，可能使模型結果的應用也帶有局部而非全局的特征，需要不斷地擴大數(shù)據收集范圍，擴大模型吸取學習樣本的特征信息，才能擴展模型應用的全局性質，因此，試應用是不斷補充樣本特征信息使模型自適應學習修正模型參數(shù)的過程；完善應用是不斷比較模型結果與專家經驗，使模型結果與實際的期望結果更接近的完善過程。
1.4 數(shù)據挖掘軟件Clemerttine的基本操作概述
目前，各領域應用的數(shù)據挖掘軟件輔助決策有許多，較常用的一個軟件是由SPSS生產商推出的數(shù)據挖掘軟件Clementine。該軟件按照國際定義的數(shù)據挖掘標準流程設計，包含了基本的數(shù)據挖掘方法，具有較強的數(shù)據與模型集成功能，使用方便直觀，是一種較好的數(shù)據挖掘教學與應用分析工具。
1.4.1 Clementine數(shù)據挖掘的基本思想
Clementine提供了大量的人工智能、統(tǒng)計分析的模型（神經網絡，關聯(lián)分析，聚類分析、因子分析等），并用基于圖形化的界面為認識、了解、熟悉這個軟件提供了方便。除了這些，Clementine還擁有優(yōu)良的數(shù)據挖掘設計思想，正是因為有了這個思想，每一步的工作也變得很清晰，如圖1.1 所示。
如圖1.1 所示，CRISP-DM Model包含了6個步驟，并用箭頭指示了步驟間的執(zhí)行順序。這些順序并不嚴格，用戶可以根據實際的需要反向執(zhí)行某個步驟，也可以跳過某些步驟不予執(zhí)行。
書單推薦
