图书详情

图书信息

图书目录

数字化资源

模式识别与数据挖掘

本书是人工智能领域本科教育教学改革试点工作（简称“101计划”）系列核心教材之一。本书主要讲述模式识别与数据挖掘领域的重要模型和算法，在内容的组织与安排上对两者进行了有机融合。全书共13章，第1章为绪论，其后12章可分为五部分。第一部分包含第2、3章，关注模式识别与数据挖掘共有的预处理操作，涉及数据和特征工程。第二部分包含第4～6章，聚焦于监督式的分类模型，包括基于概率统计的贝叶斯分类决策、各类传统经典分类器、主流深度学习分类模型等。第三部分包含第7～9章，介绍无监督的算法，无须标注数据即可执行模式识别或者数据挖掘任务，包括经典的聚类算法、无监督的异常检测算法以及频繁模式挖掘算法。第四部分包含第10、11章，介绍交互式的模式识别与数据挖掘，包括基于专家交互与大模型交互的多轮迭代优化与效果评估。第五部分包含第12、13章，介绍高阶模式识别与数据挖掘场景，如句法与结构模式识别模型，时序数据、流式数据和图数据等复杂类型的数据挖掘。

本书可作为高等学校人工智能、数据科学等相关专业的教材使用，也可供研究人员和业界工程师实施模式识别与数据挖掘项目研发时参考。

作者：

主编张东祥伍赛陈刚张向荣陈宇飞白璐张兆翔刘成林

定价：

76.00 元

出版时间：

2026-02-02

ISBN：

978-7-04-065133-1

物料号：

65133-00

读者对象：

高等教育

重点项目：

暂无

版面字数：

600千字

开本：

16开

装帧形式：

平装

页数：

暂无

最新
印次时间：

2026年01月

目录
- 前辅文
- 第1章绪论
  - 1.1 模式与模式识别
  - 1.2 模式识别发展简史
  - 1.3 模式识别流程
  - 1.4 数据与数据挖掘
  - 1.5 数据挖掘发展简史
  - 1.6 数据挖掘流程
  - 1.7 本书主要内容
  - 第1章练习
- 第2章数据
  - 2.1 数据基本概念
    - 2.1.1 数据类型
    - 2.1.2 数据统计
    - 2.1.3 数据相似性
  - 2.2 数据采集与处理
    - 2.2.1 数据采集
    - 2.2.2 数据清洗
    - 2.2.3 数据集成
    - 2.2.4 数据采样
  - 2.3 数据可视化
    - 2.3.1 单变量数据可视化
    - 2.3.2 二变量数据可视化
    - 2.3.3 动态与交互式数据可视化
  - 第2章练习
- 第3章特征工程
  - 3.1 特征提取
    - 3.1.1 特征提取的基本概念和主要方法概述
    - 3.1.2 统计特征提取
    - 3.1.3 频域特征提取
    - 3.1.4 几何特征提取
    - 3.1.5 文本特征提取
    - 3.1.6 图像特征提取
    - 3.1.7 图数据的特征提取方法
  - 3.2 特征变换与降维
    - 3.2.1 主成分分析
    - 3.2.2 核化线性降维
    - 3.2.3 流形学习
  - 3.3 特征选择
    - 3.3.1 基于互信息的特征选择算法
    - 3.3.2 稀疏正则化特征选择算法
    - 3.3.3 基于图结构的特征选择算法
  - 3.4 小结与讨论
  - 第3章练习
- 第4章统计决策方法
  - 4.1 贝叶斯分类概述
    - 4.1.1 贝叶斯定理
    - 4.1.2 贝叶斯决策原理
    - 4.1.3 贝叶斯分类器构建
  - 4.2 贝叶斯决策
    - 4.2.1 最小错误率贝叶斯决策
    - 4.2.2 最小风险贝叶斯决策
    - 4.2.3 正态分布下贝叶斯决策
  - 4.3 参数估计方法
    - 4.3.1 最大似然估计
    - 4.3.2 贝叶斯估计
  - 4.4 非参数估计方法
    - 4.4.1 非参数估计原理
    - 4.4.2 Parzen窗法
    - 4.4.3 kN近邻估计方法
  - 4.5 小结与讨论
  - 第4章练习
- 第5章浅层分类器
  - 5.1 线性判别学习
    - 5.1.1 基本概念
    - 5.1.2 线性判别分析
    - 5.1.3 感知机准则
    - 5.1.4 广义线性判别分析
  - 5.2 近邻法
    - 5.2.1 最近邻法
    - 5.2.2 k近邻法
  - 5.3 决策树
    - 5.3.1 基本概念
    - 5.3.2 特征度量
    - 5.3.3 树剪枝
    - 5.3.4 决策树生成算法
    - 5.3.5 决策树集成
  - 5.4 浅层神经网络
    - 5.4.1 神经元结构
    - 5.4.2 感知机
    - 5.4.3 神经网络学习方法
    - 5.4.4 常见神经网络
  - 5.5 支持向量机
    - 5.5.1 理论基础
    - 5.5.2 线性支持向量机
    - 5.5.3 线性不可分支持向量机
    - 5.5.4 非线性支持向量机
  - 5.6 小结与讨论
  - 第5章练习
- 第6章深度分类器
  - 6.1 深度自编码网络
    - 6.1.1 基本概念
    - 6.1.2 典型网络结构
    - 6.1.3 分类任务应用
  - 6.2 深度卷积神经网络
    - 6.2.1 基本概念
    - 6.2.2 典型网络结构
    - 6.2.3 分类任务应用
  - 6.3 深度循环神经网络
    - 6.3.1 基本概念
    - 6.3.2 改进型循环神经网络
    - 6.3.3 分类任务应用
  - 6.4 Transformer网络
    - 6.4.1 基本概念
    - 6.4.2 自注意力机制
    - 6.4.3 分类任务应用
  - 6.5 小结与讨论
  - 第6章练习
- 第7章聚类
  - 7.1 聚类基本概念
  - 7.2 k均值聚类算法
    - 7.2.1 算法思想
    - 7.2.2 算法流程
    - 7.2.3 算法举例
    - 7.2.4 算法收敛性
    - 7.2.5 算法局限性
  - 7.3 DBSCAN聚类算法
    - 7.3.1 算法思想
    - 7.3.2 算法流程
    - 7.3.3 算法举例
  - 7.4 层次聚类算法
    - 7.4.1 自底向上的层次聚类
    - 7.4.2 自顶向下的层次聚类
  - 7.5 聚类效果的评估
    - 7.5.1 外部指标
    - 7.5.2 内部指标
  - 7.6 小结与讨论
  - 第7章练习
- 第8章异常检测
  - 8.1 概述
  - 8.2 基于统计学的异常检测
    - 8.2.1 参数化方法
    - 8.2.2 非参数化方法
  - 8.3 基于距离的异常检测
    - 8.3.1 k近邻算法
    - 8.3.2 ABOD算法
  - 8.4 基于聚类的异常检测方法
    - 8.4.1 OFP算法
    - 8.4.2 FindCBLOF算法
  - 8.5 基于密度的异常检测方法
    - 8.5.1 LOF算法
    - 8.5.2 COF算法
    - 8.5.3 LOCI算法
  - 8.6 基于深度学习的异常检测
    - 8.6.1 基于自编码器重构的方法
    - 8.6.2 基于单类分类的方法
    - 8.6.3 分布外检测
  - 第8章练习
- 第9章频繁模式挖掘
  - 9.1 基本概念
  - 9.2 Apriori算法
    - 9.2.1 算法思想
    - 9.2.2 算法流程
    - 9.2.3 算法举例
  - 9.3 Eclat算法
    - 9.3.1 算法思想
    - 9.3.2 算法流程
    - 9.3.3 算法举例
  - 9.4 FP-Growth算法
    - 9.4.1 FP树的结构
    - 9.4.2 FP树的构建
    - 9.4.3 FP-Growth算法
    - 9.4.4 FP-Growth算法举例
  - 9.5 关联规则发现
  - 9.6 小结与讨论
  - 第9章练习
- 第10章专家先验协同分析
  - 10.1 模型可解释性
    - 10.1.1 可解释性的引入
    - 10.1.2 可解释性的分类
    - 10.1.3 交互式知识发现
  - 10.2 先验知识表示方法
    - 10.2.1 先验知识
    - 10.2.2 先验知识来源
    - 10.2.3 先验知识表示
  - 10.3 先验知识融入策略
    - 10.3.1 可融入的阶段
    - 10.3.2 融入的具体实施
  - 10.4 模型评估指标
    - 10.4.1 准确性评估指标
    - 10.4.2 可解释性评估指标
    - 10.4.3 鲁棒性与稳定性评估指标
  - 10.5 应用案例: 医学管状分割模型的先验知识融入
    - 10.5.1 医学管状分割模型的拓扑不连续性
    - 10.5.2 管状结构先验知识的融入
    - 10.5.3 融入了管状结构先验知识的分割模型结果展示
  - 第10章练习
- 第11章大语言模型协同分析
  - 11.1 大模型训练与适应模式
    - 11.1.1 大模型预训练模式
    - 11.1.2 大模型适应模式
  - 11.2 大语言模型的交互知识发现
    - 11.2.1 大语言模型的整体架构
    - 11.2.2 大语言模型的知识注入
  - 11.3 多模态数据的交互式知识发现
    - 11.3.1 多模态数据的处理与集成
    - 11.3.2 多模态大模型的基本架构
    - 11.3.3 应用案例: 多模态大模型在医学领域的应用
  - 11.4 跨尺度模型协同挖掘
    - 11.4.1 跨尺度模型的设计原理
    - 11.4.2 协同挖掘策略与技术实现
    - 11.4.3 跨尺度模型在复杂系统中的应用
  - 第11章练习
- 第12章结构模式识别
  - 12.1 结构模式识别的起源与发展历程
    - 12.1.1 统计模式识别
    - 12.1.2 句法与结构模式识别
  - 12.2 结构模式识别相关定义概述
    - 12.2.1 图结构数据
    - 12.2.2 图上的学习任务
  - 12.3 图结构嵌入
    - 12.3.1 图结构嵌入概述
    - 12.3.2 基于不相似度的图嵌入方法
    - 12.3.3 基于深层次信息的熵嵌入算法
  - 12.4 图核函数
    - 12.4.1 核方法概述
    - 12.4.2 图核函数
  - 12.5 图神经网络
    - 12.5.1 图神经网络概述
    - 12.5.2 谱域图卷积神经网络
    - 12.5.3 空域图卷积神经网络
  - 12.6 小结与讨论
  - 第12章练习
- 第13章复杂数据挖掘
  - 13.1 时序数据挖掘
    - 13.1.1 时间序列数据
    - 13.1.2 时间序列任务
    - 13.1.3 代表性算法
    - 13.1.4 小结
  - 13.2 流式数据挖掘
    - 13.2.1 引言
    - 13.2.2 技术挑战
    - 13.2.3 处理方式
    - 13.2.4 经典应用算法
    - 13.2.5 流式数据聚类算法
    - 13.2.6 流式频繁模式挖掘算法
    - 13.2.7 流式异常检测算法
  - 13.3 图式数据挖掘
    - 13.3.1 节点分析概述
    - 13.3.2 节点重要性度量
    - 13.3.3 节点分类
    - 13.3.4 路径分析
    - 13.3.5 社区发现
  - 13.4 小结与讨论
  - 第13章练习
- 参考文献

模式识别与数据挖掘

如无法打开或下载资源，请在电脑端（xuanshu.hep.com.cn)进行下载操作。

图书详情

模式识别与数据挖掘

相关图书