《大數據元啟發式算法教程》是2017年人民郵電出版社出版的圖書。
基本介紹
- 中文名：大數據元啟發式算法教程
- 作者：Clarisse DHAENENS、Laetitia JOURDAN
- 語言：中文版
- 出版時間：2017年8月
- 出版社：人民郵電出版社
- 頁數：206 頁
- ISBN：9787115465269
- 開本：16 開
- 裝幀：平裝
內容簡介,圖書目錄,
內容簡介
本書的第 一部分介紹了如何使用元啟發式算法來克服數據挖掘過程中的問題，算法性能評估，並具體介紹了原啟發式算法。第 二部分詳細描述了一系列的數據挖掘任務，包括聚類算法、關聯規則、監督分類法以及特徵選擇，然後探討了如何通過通用啟發式算法來處理數據挖掘任務。
圖書目錄
第 1章 最佳化與大數據 //1
1.1 大數據環境 //2
1.1.1 大數據環境示例 //3
1.1.2 定義 //4
1.1.3 大數據面臨的挑戰 //6
1.1.4 元啟發式算法和大數據 //9
1.2 大數據中的知識發現 //11
1.2.1 數據挖掘與知識發現 //11
1.2.2 主要的數據挖掘任務 //13
1.2.3 數據挖掘任務作為最佳化問題 //17
1.3 數據挖掘算法的性能分析 //17
1.3.1 環境 //17
1.3.2 一個或多個數據集評估 //19
1.3.3 存儲庫和數據集 //20
1.4 本章小結 //21
第 2章 元啟發式算法簡介 //23
2.1 引言 //24
2.1.1 組合最佳化問題 //25
2.1.2 解決組合最佳化問題 //25
2.1.3 最佳化方法的主要類型 //26
2.2 元啟發式算法的通用概念 //27
2.2.1 表示/編碼 //27
2.2.2 約束滿足 //28
2.2.3 最佳化標準/目標函式 //29
2.2.4 性能分析 //30
2.3 基於單一解/局部搜尋的方法 //31
2.3.1 方案鄰域 //31
2.3.2 爬山算法 //33
2.3.3 禁忌搜尋 //34
2.3.4 模擬退火和閾值接受法 //35
2.3.5 結合局部搜尋方法 //36
2.4 基於群體的元啟發式算法 //37
2.4.1 進化計算 //38
2.4.2 群智慧型算法 //41
2.5 多目標元啟發式算法 //43
2.5.1 多目標最佳化的基本概念 //44
2.5.2 使用元啟發式算法進行多目標最佳化 //46
2.5.3 多目標最佳化的性能評估 //50
2.6 本章小結 //51
第3章 元啟發式算法與並行最佳化 //53
3.1 並行計算 //54
3.1.1 位級別並行 //55
3.1.2 指令級並行 //55
3.1.3 任務與數據並行 //55
3.2 並行元啟發式算法 //56
3.2.1 一般概念 //56
3.2.2 並行基於單一解的元啟發式算法 //56
3.2.3 並行基於總體的元啟發式算法 //58
3.3 並行元啟發式算法的基礎設施和技術 //58
3.3.1 分散式模型 //58
3.3.2 硬體型號 //59
3.4 質量措施 //62
3.4.1 加速 //62
3.4.2 效率 //62
3.4.3 串列分數 //63
3.5 本章小結 //63
第4章 元啟發式算法與聚類算法 //65
4.1 任務描述 //66
4.1.1 劃分法 //67
4.1.2 層次法 //68
4.1.3 基於格線法 //70
4.1.4 基於密度法 //70
4.2 大數據與聚類分析 //71
4.3 最佳化模型 //71
4.3.1 組合問題 //71
4.3.2 質量措施 //72
4.3.3 表示 //79
4.4 方法概述 //83
4.5 驗證 //84
4.5.1 內部驗證 //86
4.5.2 外部驗證 //86
4.6 本章小結 //88
第5章 元啟發式算法與關聯規則 //89
5.1 任務描述和經典算法 //91
5.1.1 初始化問題 //91
5.1.2 先驗算法 //92
5.2 最佳化模型 //93
5.2.1 組合問題 //93
5.2.2 質量測量 //93
5.2.3 單目標還是多目標問題 //95
5.3 關聯規則挖掘問題的元啟發式算法概述 //96
5.3.1 一般性 //96
5.3.2 分類關聯規則的元啟發式算法 //97
5.3.3 定量關聯規則的進化算法 //102
5.3.4 模糊關聯規則的元啟發式算法 //105
5.4 總表 //108
5.5 本章小結 //110
第6章 元啟發式算法與（監督）分類 //111
6.1 任務描述和標準算法 //112
6.1.1 問題描述 //112
6.1.2 K**近鄰分類算法（KNN） //113
6.1.3 決策樹 //114
6.1.4 樸素貝葉斯算法 //115
6.1.5 人工神經網路 //115
6.1.6 支持向量機 //116
6.2 最佳化模型 //117
6.2.1 組合問題 //117
6.2.2 質量措施 //117
6.2.3 監督分類的性能評估方法 //119
6.3 構建標準分類器的元啟發式算法 //120
6.3.1 KNN算法最佳化 //120
6.3.2 決策樹 //121
6.3.3 ANN算法最佳化 //124
6.3.4 SVM算法最佳化 //125
6.4 元啟發式算法分類規則 //127
6.4.1 建模 //127
6.4.2 目標函式 //128
6.4.3 運算元 //130
6.4.4 算法 //131
6.5 本章小結 //133
第7章 使用元啟發式算法在分類中進行特徵選擇 //135
7.1 任務描述 //137
7.1.1 篩選器模型 //137
7.1.2 封裝器模型 //138
7.1.3 嵌入式模型 //138
7.2 最佳化模型 //139
7.2.1 組合最佳化問題 //139
7.2.2 表示 //140
7.2.3 運算元 //141
7.2.4 質量測量 //141
7.2.5 驗證 //144
7.3 算法概述 //144
7.4 本章小結 //145
第8章 框架 //147
8.1 設計元啟發式算法的框架 //148
8.1.1 EasyLocal++ //149
8.1.2 HeuristicLab //150
8.1.3 jMetal //150
8.1.4 Mallba //150
8.1.5 ParadisEO //151
8.1.6 ECJ //152
8.1.7 OpenBeagle //152
8.1.8 JCLEC //152
8.2 數據挖掘框架 //153
8.2.1 Orange //154
8.2.2 R與Rattle GUI //154
8.3 元啟發式算法數據挖掘框架 //155
8.3.1 RapidMiner //155
8.3.2 WEKA //156
8.3.3 KEEL //157
8.3.4 MO-Mine //158
8.4 本章小結 //159
結論 //161
參考文獻 //163
