填写邮箱后继续，文件将发送至该邮箱。
| 图书基本信息 | |||
| 图书名称 | 数据聚类 | 作者 | 张宪超 |
| 定价 | 188.00元 | 出版社 | 科学出版社 |
| ISBN | 9787030528469 | 出版日期 | 2017-06-01 |
| 字数 | 666000 | 页码 | 388 |
| 版次 | 装帧 | 平装 | |
| 开本 | 128开 | 商品重量 | |
| 内容提要 | |
| 聚类是数据挖掘领域的一个重要分支。 《数据聚类》全面系统地介绍聚类的主要方法。首先，对涉及聚类的各个方面进行简略的综述；然后，对各类聚类算法进行较详细的讨论。 《数据聚类》主要内容分为三大部分：部分是经典算法部分（第2～6章），讨论k-均值、DBSCAN等传统算法；第二部分是高级算法部分（第7～12章），讨论半监督聚类、高维数据聚类、不确定数据聚类等；第三部分是多源数据聚类部分（3章），主要讨论多视角聚类和多任务聚类。 《数据聚类》可供数据科学与人工智能等领域的研究人员、工程技术人员、相关学科研究生和基础较好的高年级本科生参考阅读。 |
| 目录 | |
| 序 前言 符号表 1 概述 1．1 问题描述 1．2 方法进展 1．2．1 经典算法 1．2．2 高级算法 1．2．3 多源数据算法 1．3 半监督聚类 1．4 数据类型 1．4．1 属性数据 1．4．2 离散序列数据 1．4．3 时间序列数据 1．4．4 文本数据 1．4．5 多媒体数据 1．4．6 流数据 1．4．7 各类数据聚类技术汇总 1．5 衍生问题 1．5．1 特征选择 1．5．2 测度学习 1．5．3 聚类集成 1．5．4 软聚类 1．5．5 多解聚类 1．5．6 聚类验证 1．5．7 可视化与交互聚类 1．6 新的挑战 1．6．1 大数据聚类 1．6．2 多模数据聚类 1．6．3 深度聚类 1．7 结论 参考文献 2 基于模型的聚类 2．1 混合模型 2．1．1 混合模型简介 2．1．2 高斯混合模型 2．1．3 伯努利混合模型 2．1．4 混合模型选择 2．2 期望化算法 2．2．1 詹森不等式 2．2．2 期望化算法分析 2．2．3 期望化算法框架 2．2．4 期望化扩展算法 2．3 求解高斯混合模型 2．4 求解伯努利混合模型 参考文献 3 基于划分的聚类算法 3．1 划分方法概述 3．2 k-均值算法 3．2．1 目标函数 3．2．2 算法流程 3．2．3 性能分析 3．2．4 k的选择 3．2．5 初始中心点选择 3．3 类k-均值算法 3．3．1 k-中心点算法 3．3．2 k-中值算法 3．3．3 k-modes算法 3．3．4 模糊k-均值算法 3．3．5 核k-均值算法 3．3．6 二分k-均值算法 3．4 改进的k-均值算法 3．4．1 改进的k-均值算法概述 3．4．2 基于边界值的k-均值算法 3．4．3 阴阳k-均值算法 3．4．4 基于块向量的加速k-均值算法 参考文献 4 基于密度的聚类算法 4．1 密度算法概述 4．2 DBSCAN算法 4．2．1 基本定义及算法流程 4．2．2 算法分析 4．3 OPTICS算法 4．3．1 基本定义及算法流程 4．3．2 算法分析 4．4 DENCLUE算法 …… 5 基于网格的聚类算法 6 层次聚类算法 7 半监督聚类 8 谱聚类 9 基于非负矩阵分解的聚类 10 高维数据聚类 11 图聚类 12 不确定数据聚类 13 多源相关数据聚类 后记 彩版 |
