數(shù)據(jù)挖掘與機器學習：PMML建模（上）

定　價：￥99.00

作　者：	潘風文，黃春芳著
出版社：	化學工業(yè)出版社
叢編項：	人工智能開發(fā)叢書
標　簽：	暫缺

購買這本書可以去

京東 (￥99.00)

ISBN：	9787122356079	出版時間：	2020-02-01	包裝：	平裝
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　《數(shù)據(jù)挖掘與機器學習：PMML建模（上）/人工智能開發(fā)叢書》結(jié)合實際例子詳細介紹了數(shù)據(jù)挖掘和機器學習領(lǐng)域關(guān)聯(lián)規(guī)則模型、樸素貝葉斯模型、貝葉斯網(wǎng)絡(luò)模型、基線模型、聚類模型、通用回歸模型、回歸模型、高斯過程模型以及K近鄰模型九種模型的表達方式及構(gòu)建知識。讀者好同時結(jié)合《PMML建模標準語言基礎(chǔ)》一書進行學習，以便融會貫通，靈活運用，更好地把PMML語言應(yīng)用到自己的項目實踐中?！稊?shù)據(jù)挖掘與機器學習：PMML建模（上）/人工智能開發(fā)叢書》的讀者對象為從事數(shù)據(jù)挖掘、機器學習、人工智能系統(tǒng)開發(fā)的人員以及教師和學生，也可以作為大數(shù)據(jù)及機器學習愛好者的自學用書。

作者簡介

暫缺《數(shù)據(jù)挖掘與機器學習：PMML建模（上）》作者簡介

圖書目錄

1 關(guān)聯(lián)規(guī)則模型AssociationModel
1．1 關(guān)聯(lián)規(guī)則基礎(chǔ)知識
1．2 關(guān)聯(lián)規(guī)則算法簡介
1．3 關(guān)聯(lián)規(guī)則模型元素AssociationModel
1．3．1 模型屬性
1．3．2 模型子元素
1．3．3 評分應(yīng)用過程
2 樸素貝葉斯模型NaiveBayesModel
2．1 樸素貝葉斯模型基礎(chǔ)知識
2．1．1 全概率公式
2．1．2 貝葉斯定理
2．2 樸素貝葉斯算法簡介
2．2．1 樸素貝葉斯算法
2．2．2 樸素貝葉斯模型參數(shù)估計
2．3 樸素貝葉斯模型元素NaiveBayesModel
2．3．1 模型屬性
2．3．2 模型子元素
2．3．3 評分應(yīng)用過程
3 貝葉斯網(wǎng)絡(luò)模型BayesianNetworkModel
3．1 貝葉斯網(wǎng)絡(luò)基礎(chǔ)知識
3．2 貝葉斯網(wǎng)絡(luò)算法簡介
3．3 貝葉斯網(wǎng)絡(luò)模型元素BayesianNetworkModel
3．3．1 模型屬性
3．3．2 模型子元素
3．3．3 評分應(yīng)用過程
4 基線模型BaselineModel
4．1 基線模型的基礎(chǔ)知識
4．1．1 一般基線模型的概念
4．1．2 PMML規(guī)范中的基線模型
4．2 基線模型元素BaselineModel
4．2．1 模型屬性
4．2．2 模型子元素
4．2．3 評分應(yīng)用過程
5 聚類模型ClusteringModel
5．1 聚類模型的基礎(chǔ)知識
5．2 聚類算法簡介
5．2．1 硬聚類和軟聚類
5．2．2 基于算法主要特征的劃分
5．2．3 PMML規(guī)范中的聚類
5．3 聚類模型元素ClusteringModel
5．3．1 模型屬性
5．3．2 模型子元素
5．3．3 評分應(yīng)用過程
6 通用回歸模型GeneralRegressionModel
6．1 通用回歸模型基礎(chǔ)知識
6．2 通用回歸算法簡介
6．2．1 一般線性回歸模型GLM
6．2．2 廣義線性回歸GLZM
6．2．3 Cox回歸
6．3 通用回歸模型元素GeneralRegressionModel
……