基于内容的视频结构挖掘PDF电子书下载

第一篇 数据挖掘基础 1

第1章 绪论 1

1.1 数据挖掘的发展 1

1.1.1 数据丰富与知识匮乏 1

1.1.2 从数据到知识 2

1.1.3 数据挖掘产生 6

1.2 什么是数据挖掘 7

1.2.1 数据挖掘的定义 7

1.2.2 与数据挖掘有关的举例 8

1.3 数据挖掘的主要功能 11

1.3.1 挖掘频繁模式、关联和相关性 11

1.3.2 用于预测分析的分类与回归 13

1.3.3 聚类分析 14

1.3.4 孤立点分析 15

1.3.5 趋势和演变分析 15

1.4 数据挖掘步骤 16

1.4.1 数据挖掘的体系结构 16

1.4.2 知识发现过程 17

1.4.3 数据挖掘标准流程——CRISP-DM 18

1.4.4 SEMMA 20

1.5 数据挖掘软件 22

1.5.1 第一类：由统计软件发展而来 22

1.5.2 第二类：由数据库软件发展而来 23

1.5.3 第三类：第三方软件 23

1.5.4 第四类：开源数据挖掘软件 24

第2章 数据认识与数据预处理 30

2.1 数据属性 30

2.2 数据统计描述 31

2.2.1 均值 32

2.2.2 中位数 32

2.2.3 众数 33

2.2.4 根差 34

2.2.5 四分位距 34

2.2.6 方差和标准差 35

2.3 数据预处理 35

2.3.1 数据集成 36

2.3.2 数据变换 37

2.3.3 数据归约 38

2.4 概念描述 40

2.4.1 面向属性的归纳（Attribute-Oriented Induction,AOI） 40

2.4.2 面向属性归纳的基本算法 42

2.4.3 挖掘类比较：区分不同的类 46

第3章 SQL SERVER建立数据仓库 50

3.1 数据仓库：基本概念 50

3.1.1 什么是数据仓库 50

3.1.2 什么是OLAP 51

3.1.3 数据仓库的类型 51

3.1.4 数据仓库与传统数据库的比较 52

3.1.5 数据仓库的设计 53

3.2 SQL SERVER建立数据仓库 54

3.2.1 基本概念 54

3.2.2 建立数据仓库 56

3.3 应用举例 74

3.3.1 使用SQL SERVER实现贝叶斯分类方法 74

3.3.2 使用Excel实现关联规则分析 75

3.3.3 使用Excel实现其他数据挖掘分析 77

第4章 关联规则挖掘 94

4.1 关联规则的定义和属性 94

4.1.1 关联规则的定义 94

4.1.2 关联规则的属性 95

4.1.3 关联规则挖掘过程 96

4.1.4 关联规则挖掘的经典算法 96

4.1.5 关联规则应用 97

4.2 Apriori算法 98

4.2.1 Apriori算法伪代码 99

4.2.2 Apriori算法举例 100

4.2.3 由频繁项集产生关联规则 102

4.2.4 Apriori算法的python实现 103

4.2.5 Apriori算法改进 106

4.3 Fp-Growth算法 107

4.3.1 构造FP树 107

4.3.2 FP-growth挖掘过程 109

4.4 关联规则评价 111

4.5 关联规则挖掘进展 112

4.5.1 增量式更新挖掘算法 112

4.5.2 并行／分布式关联规则挖掘算法 112

4.5.3 多层关联规则挖掘算法 113

4.5.4 在数据挖掘类型方面的拓展 113

4.5.5 基于约束的频繁模式挖掘 113

第5章 分类与预测 115

5.1 分类与预测基本知识 115

5.2 ID3算法 117

5.2.1 ID3算法伪代码 117

5.2.2 ID3算法的python实现 121

5.2.3 ID3的优缺点 127

5.3 C4.5 算法 128

5.3.1 C4.5 的改进 128

5.3.2 C4.5 算法的python实现 130

5.4 Python中Scikit-Learn机器学习简介 138

5.4.1 数据预处理 138

5.4.2 主要分类方法 140

5.4.3 算法参数优化 142

5.4.4 利用graphviz和pydot数据可视化 144

第6章 聚类分析 145

6.1 聚类分析概述 145

6.1.1 聚类分析的定义 145

6.1.2 聚类方法概述 146

6.1.3 聚类分析的一般步骤 147

6.1.4 聚类方法的要求 148

6.2 聚类的主要算法 149

6.2.1 划分方法 149

6.2.2 层次法 153

6.2.3 基于密度的方法 158

6.2.4 模糊聚类 163

6.3 聚类进展 170

第7章 时间序列变动趋势挖掘 172

7.1 时间序列影响因素及分析模型 172

7.1.1 时间序列及其作用 173

7.1.2 时间序列的影响因素 173

7.1.3 时间序列分解模型 174

7.1.4 时间序列趋势挖掘步骤 175

7.2 时间序列季节调整 176

7.2.1 季节调整处理方法 176

7.2.2 季节因子 177

7.2.3 季节调整 179

7.3 时间序列趋势挖掘 182

7.3.1 时距扩大法 183

7.3.2 移动平均法 184

7.3.3 指数平滑法 185

7.3.4 最小平方法 187

7.4 时间序列循环因子测定 193

7.4.1 循环变动的测定目的 194

7.4.2 循环变动的测定方法 194

7.4.3 乘法模型 195

7.4.4 加法模型 197

7.4.5 乘加模型 197

第二篇 基于内容的视频结构挖掘 199

第1章 视频结构挖掘概念框架 199

1.1 视频结构挖掘的概念框架 199

1.2 视频结构挖掘的系统结构 203

1.2.1 传统数据挖掘过程 203

1.2.2 视频结构挖掘系统结构 205

1.3 视频结构挖掘的功能结构 207

1.4 视频结构挖掘方法 208

1.4.1 基本结构单元的发现和表现 208

1.4.2 视频单元分类 209

1.4.3 视频单元聚类 209

1.4.4 视频单元关联规则挖掘 210

1.5 本章小结 211

第2章 视频基本结构挖掘 214

2.1 视频基本结构 214

2.2 镜头分割及关键帧提取 215

2.2.1 镜头分割常用方法 215

2.2.2 视频镜头关键帧抽取 219

2.2.3 镜头分割颜色模型选择及量化 220

2.2.4 自适应双直方图两次判别镜头分割算法 223

2.3 场景构造 227

2.3.1 镜头特征提取及相似性度量 228

2.3.2 基于镜头多特征聚类视频场景分割 234

2.3.3 基于竞争力的场景分割 235

2.4 本章小结 237

第3章 视频结构语法挖掘 240

3.1 视频结构语法 240

3.2 视频数据预处理 242

3.2.1 镜头分割 242

3.2.2 特征提取 243

3.2.3 镜头符号序列化 244

3.3 视频结构模式挖掘 246

3.3.1 传统关联规则挖掘 246

3.3.2 视频结构关联规则挖掘 249

3.3.3 视频结构语法模式分析 251

3.4 本章小结 254

第4章 视频结构语义挖掘 257

4.1 视频结构语义 257

4.2 镜头语义概念挖掘 259

4.2.1 镜头语义概念挖掘主要图模型 261

4.2.2 多概念判别随机场模型 263

4.2.3 广义多概念判别随机场模型 268

4.3 视频高层结构语义事件挖掘 269

4.3.1 视频高层结构语义事件 269

4.3.2 HMM模型 271

4.3.3 HHMM模型 273

4.3.4 篮球视频高层事件HHMM模型 275

4.4 本章小结 279