国之重器出版工程 地球科学中的大数据分析与挖掘算法手册pdf电子书版本下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页 直链下载[便捷但速度慢]   [在线试读本书]   [在线获取解压码]

国之重器出版工程 地球科学中的大数据分析与挖掘算法手册PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数 要大于 标注页数，上中下等多册电子书除外）

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 关联规则 1

1.1 Apriori算法 2

1.1.1 算法概要 2

1.1.2 算法原理 2

1.1.3 实例说明 4

1.1.4 算法优缺点 10

1.1.5 优化改进 10

1.1.6 大数据适应度分析 12

1.1.7 地球科学应用案例 13

1.2 FP-growth算法 15

1.2.1 算法概要 15

1.2.2 算法原理 15

1.2.3 实例说明 17

1.2.4 优化改进 19

1.2.5 大数据适应度分析 21

1.2.6 地球科学应用案例 24

参考文献 26

第2章 分类 27

2.1 决策树算法 28

2.1.1 算法概要 28

2.1.2 算法原理 28

2.1.3 算法优缺点 31

2.1.4 优化改进 32

2.1.5 决策树衍生算法 33

2.1.6 大数据适应度分析 35

2.1.7 地球科学应用案例 37

2.2 贝叶斯分类算法 38

2.2.1 算法概要 38

2.2.2 算法原理 38

2.2.3 实例说明 40

2.2.4 算法优缺点 42

2.2.5 优化改进 42

2.2.6 大数据适应度分析 45

2.2.7 地球科学应用案例 46

2.3 神经网络分类算法 47

2.3.1 算法概要 47

2.3.2 算法原理 47

2.3.3 算法优缺点 51

2.3.4 优化改进 52

2.3.5 大数据适应度分析 53

2.3.6 地球科学应用案例 53

2.4 粗糙集分类 55

2.4.1 算法概要 55

2.4.2 算法原理 55

2.4.3 实例说明 62

2.4.4 算法优缺点 64

2.4.5 优化改进 64

2.4.6 大数据适应度分析 65

2.4.7 地球科学应用案例 66

2.5 支持向量机 66

2.5.1 算法概要 66

2.5.2 算法原理 67

2.5.3 实例说明 73

2.5.4 算法优缺点 74

2.5.5 优化改进 74

2.5.6 大数据适应度分析 76

2.5.7 地球科学应用案例 77

2.6 K-最近邻算法 78

2.6.1 算法概要 78

2.6.2 算法原理 78

2.6.3 算法优缺点 80

2.6.4 优化改进 80

2.6.5 大数据适应度分析 82

2.6.6 地球科学应用案例 85

2.7 Bagging算法 86

2.7.1 算法概要 86

2.7.2 算法原理 87

2.7.3 实例说明 90

2.7.4 优化改进 93

2.7.5 大数据适应度分析 94

2.7.6 地球科学应用案例 95

2.8 AdaBoost算法 96

2.8.1 算法概要 96

2.8.2 算法原理 97

2.8.3 训练过程 99

2.8.4 同类算法 100

2.8.5 大数据适应度分析 103

2.8.6 地球科学应用案例 103

参考文献 105

第3章 回归 115

3.1 线性回归 116

3.1.1 算法概要 116

3.1.2 算法原理 116

3.1.3 实例说明 119

3.1.4 算法优缺点 120

3.1.5 优化改进 121

3.1.6 大数据适应度分析 123

3.1.7 地球科学应用案例 123

3.2 逻辑回归 124

3.2.1 算法概要 124

3.2.2 算法原理 125

3.2.3 算法实现 127

3.2.4 SoftMax算法 129

3.2.5 大数据适应度分析 129

3.2.6 地球科学应用案例 130

参考文献 131

第4章 聚类 133

4.1 K-means算法 134

4.1.1 算法概要 134

4.1.2 算法原理 134

4.1.3 实例说明 135

4.1.4 算法优缺点 138

4.1.5 优化改进 138

4.1.6 大数据适应度分析 140

4.1.7 地球科学应用案例 141

4.2 K-medoids算法 142

4.2.1 算法概要 142

4.2.2 算法原理 142

4.2.3 实例说明 144

4.2.4 算法优缺点 147

4.2.5 优化改进 148

4.2.6 大数据适应度分析 149

4.2.7 地球科学应用案例 149

4.3 层次聚类算法 151

4.3.1 算法概要 151

4.3.2 距离度量 151

4.3.3 算法流程 153

4.3.4 改进优化 154

4.3.5 大数据适应度分析 158

4.3.6 地球科学应用案例 159

4.4 基于密度的聚类算法 160

4.4.1 算法概要 160

4.4.2 算法原理 160

4.4.3 实例说明 162

4.4.4 算法优缺点 164

4.4.5 优化改进 165

4.4.6 大数据适应度分析 166

4.4.7 地球科学应用案例 167

4.5 基于网格的聚类算法 168

4.5.1 算法概要 168

4.5.2 STING 168

4.5.3 CLIQUE 170

45.4 优化改进 173

4.5.5 大数据适应度分析 176

4.5.6 地球科学应用案例 177

参考文献 179

第5章 序列模式挖掘 183

5.1 GSP算法 184

5.1.1 算法概要 184

5.1.2 算法原理 184

5.1.3 实例说明 189

5.1.4 算法优缺点 191

5.1.5 GSP衍生算法 192

5.1.6 大数据适应度分析 194

5.1.7 地球科学应用案例 195

5.2 SPADE算法 196

5.2.1 算法概要 196

5.2.2 算法原理 197

5.2.3 实例说明 203

5.2.4 算法优缺点 206

5.2.5 优化改进 206

5.2.6 SPADE衍生算法 207

5.2.7 大数据适应度分析 209

5.2.8 地球科学应用案例 213

参考文献 215

第6章 深度学习 217

6.1 深度信念网 218

6.1.1 算法概要 218

6.1.2 算法原理 219

6.1.3 优化改进 225

6.1.4 大数据适应度分析 226

6.1.5 地球科学应用案例 227

6.2 卷积神经网络 228

6.2.1 算法概要 228

6.2.2 算法原理 228

6.2.3 实例说明 229

6.2.4 模型演化 231

6.2.5 优化改进 234

6.2.6 大数据适应度分析 235

6.2.7 地球科学应用案例 235

6.3 自动编码器算法 237

6.3.1 算法概要 237

6.3.2 算法原理 238

6.3.3 算法实现 240

6.3.4 衍生算法 241

6.3.5 优化改进 243

6.3.6 大数据适应度分析 244

6.3.7 地球科学应用案例 245

参考文献 245

第7章 异常检测 249

7.1 概述 250

7.2 基于统计的异常检测算法 251

7.2.1 算法原理 251

7.2.2 典型算法 251

7.3 基于距离的方法 252

7.3.1 算法原理 252

7.3.2 典型算法 252

7.4 基于深度的异常检测方法 256

7.4.1 算法原理 256

7.4.2 典型算法 257

7.5 基于密度的异常检测算法 258

7.5.1 算法原理 258

7.5.2 典型算法 258

7.6 基于偏离的异常检测算法 262

7.6.1 算法原理 262

7.6.2 典型算法 263

7.7 基于聚类的异常检测算法 265

7.7.1 算法原理 265

7.7.2 典型算法 265

7.8 大数据适应度分析 268

7.9 地球科学应用案例 269

参考文献 271

附录A软件、源码及开发包 275