当前位置:首页 > 工业技术
群体智能与数据挖掘
群体智能与数据挖掘

群体智能与数据挖掘PDF电子书下载

工业技术

  • 电子书积分:9 积分如何计算积分?
  • 作 者:金鹏编著
  • 出 版 社:杭州:浙江大学出版社
  • 出版年份:2019
  • ISBN:9787308187916
  • 页数:184 页
图书介绍:本书围绕群体智能的机制原理与算法在数据分析、数据挖掘领域中的应用,分为概念与基础篇、理论与实践篇、应用与发展篇三大部分,主要内容包括群体智能概念、特征及典型算法,数据挖掘概念、数据基础和功能,粒子群算法及应用,蚁群算法及应用,数据预处理的内容与方法,数据挖掘的功能及典型算法,基于群体智能的数据挖掘方法,重点阐述基于群体智能的分类方法和聚类分析方法,并以商务智能中的客户关系管理为应用背景,介绍了基于群体智能的客户转移模式分析方法,以及基于群体智能的数据挖掘体系在客户关系管理中的应用。
《群体智能与数据挖掘》目录

第一部分 概念与基础篇 3

第1章 群体智能 3

1.1群体 3

1.1.1群体的概念 3

1.1.2群体的重要特征——涌现 5

1.2智能 8

1.2.1智能的概念 8

1.2.2人工智能 10

1.3群体智能 13

1.3.1群体智能的定义及特点 13

1.3.2群体智能典型算法 16

1.3.3群体智能的应用 19

1.4本章小结 19

习题 20

第2章 数据挖掘 21

2.1基本概念 21

2.1.1什么激发数据挖掘?为什么它是重要的? 21

2.1.2什么是数据挖掘? 24

2.2数据挖掘的数据基础 27

2.2.1数据挖掘在何种数据上进行 27

2.2.2关系数据库 27

2.2.3数据仓库 29

2.2.4事务数据库 31

2.2.5高级数据库系统和高级数据库应用 31

2.3数据挖掘功能分类 32

2.3.1概念或类描述:特征和区分 32

2.3.2分类和预测 33

2.3.3聚类分析 34

2.3.4关联规则分析 35

2.3.5孤立点分析 36

2.3.6演变分析 37

2.3.7所有模式都是有趣的吗? 38

2.4数据挖掘应用领域及软件 39

2.5发展趋势 42

2.6本章小结 43

习题 44

第二部分 理论与实践篇 47

第3章 粒子群算法及应用 47

3.1基本粒子群优化 47

3.1.1全局最优PSO 47

3.1.2局部最优PSO 49

3.2粒子群优化的应用 50

3.2.1神经网络 50

3.2.2博弈学习 51

3.2.3聚类应用 53

3.3本章小结 54

习题 54

第4章 蚁群算法及应用 55

4.1蚁群觅食行为 55

4.2简单蚁群优化 58

4.3蚁群优化算法的一般框架 61

4.4蚁群算法的应用 63

4.4.1一般要求 64

4.4.2排序问题 64

4.4.3分配问题 65

4.4.4子集问题 67

4.4.5分组问题 69

4.5本章小结 70

习题 70

第5章 数据预处理 71

5.1为什么要预处理数据? 71

5.2数据清理 73

5.2.1遗漏值 73

5.2.2噪声数据 74

5.2.3不一致数据 76

5.3数据集成和变换 76

5.3.1数据集成 76

5.3.2数据变换 77

5.4数据归约 79

5.4.1数据立方体聚集 79

5.4.2维归约 80

5.4.3数据压缩 82

5.4.4数值归约 84

5.5离散化和概念分层产生 89

5.5.1数值数据的离散化和概念分层产生 89

5.5.2分类数据的概念分层产生 93

5.6本章小结 95

习题 96

第6章 数据挖掘的功能及方法 97

6.1关联规则挖掘功能及算法 97

6.1.1关联规则挖掘 97

6.1.2关联规则挖掘典型算法——Apriori算法 98

6.1.3由关联挖掘到相关分析 103

6.2分类分析功能及算法 105

6.2.1分类分析 105

6.2.2分类分析典型方法——用判定树归纳分类 107

6.3聚类分析功能及算法 111

6.3.1聚类分析 111

6.3.2聚类分析典型方法——划分方法 113

6.4本章小结 115

习题 115

第三部分 应用与发展篇 119

第7章 基于群体智能的数据挖掘方法 119

7.1基于群体智能的分类方法 119

7.1.1基于蚁群算法的分类方法 119

7.1.2基于粒子群算法的分类方法 122

7.2基于群体智能的聚类分析方法 124

7.2.1基于蚁群算法的聚类分析万法 124

7.2.2基于粒子群算法的聚类分析方法 127

7.3本章小结 129

习题 130

第8章 基于群体智能的分类方法 132

8.1群优化算法与人工蚂蚁 132

8.2基于蚁群优化算法的分类规则挖掘方法ACO-Classifier 134

8.2.1算法概述 135

8.2.2 MAX-MIN信息素更新策略 136

8.2.3多种群并行策略 136

8.2.4参数的步进式调整 137

8.2.5离散化万法的选择 137

8.3实验验证 137

8.3.1与Ant-Miner算法及CN2算法的比较 138

8.3.2多种群并行策略对算法性能的影响 139

8.3.3参数的步进式调整对算法性能的影响 140

8.4.4算法复杂度分析 140

8.4本章小结 141

习题 141

第9章 基于群体智能的聚类分析 142

9.1蚁堆聚类原理 142

9.2 Ant-Cluster算法 144

9.2.1 Ant-Cluster算法描述 145

9.2.2具有不同速度的多种群策略 146

9.2.3孤立点处理 146

9.3实验验证 147

9.3.1试验平台——Swarm平台 147

9.3.2实验结果 149

9.4本章小结 152

习题 152

第10章 基于群体智能的客户转移模式分析 153

10.1客户转移模式的定义及相关研究 153

10.2基于群体智能的客户转移模式分析方法 155

10.2.1客户转移模式分析流程 155

10.2.2算法的高级语言描述 156

10.2.3算法的详细阐述 156

10.3实验验证 158

10.4客户转移模式分析仿真平台 159

10.4.1相关研究背景 159

10.4.2构建客户转移模式分析仿真平台相关理论研究 161

10.4.3客户转移模式分析仿真平台及相关实现技术 162

10.5本章小结 166

习题 166

第11章 基于群体智能的数据挖掘体系在CRM中的应用 168

11.1客户关系管理与数据挖掘功能映射 168

11.2制造业客户关系管理数据挖掘应用体系 168

11.2.1客户细分模块 168

11.2.2客户流失预测模块 170

11.2.3客户价值分析模块 171

11.2.4交叉销售和纵深销售模块 172

11.2.5客户转移模式分析模块 172

11.3应用举例 173

11.4本章小结 176

习题 177

参考文献 178

附录 182

相关图书
作者其它书籍
返回顶部