本书立足数据驱动与人工智能快速发展的时代背景，围绕数据挖掘的核心思想与方法，系统介绍面向实践的数据建模与分析体系。全书围绕结构化数据、图像数据与图数据三类典型数据形态展开，每一部分均从问题背景、任务目标、方法体系与实际案例四个层面逐步深入。在结构化数据部分，重点介绍回归分析、决策树与集成学习等经典方法；在图像数据部分，系统介绍特征提取与卷积神经网络等核心技术；在图数据部分，则聚焦图表示学习与图神经网络方法及其在复杂网络中的应用。通过典型案例分析，帮助读者理解方法在真实问题中的落地过程。
样章试读
目录
- 目录
第一部分 结构化数据挖掘
第1章 结构化数据介绍 3
1.1 结构化数据的定义 3
1.2 结构化数据的特点 3
1.2.1 数据格式一致性 3
1.2.2 数据可查询性 4
1.2.3 数据易于处理 4
1.3 结构化数据的类型 5
1.3.1 数值型数据 5
1.3.2 字符串型数据 5
1.3.3 枚举型数据 6
1.3.4 时间型数据 6
1.4 结构化数据的实例 7
1.4.1 电子表格 7
1.4.2 数据库表 8
第2章 结构化数据挖掘的目标 11
2.1 数据挖掘的定义与重要性 11
2.2 结构化数据挖掘的主要目标 11
2.2.1 探索性分析 12
2.2.2 预测性分析 19
2.2.3 聚类分析 21
2.2.4 数据降维 21
2.2.5 关联规则挖掘与推荐系统 22
2.3 挖掘目标的实际应用 22
2.3.1 市场分析 22
2.3.2 风险管理 24
第3章 结构化数据挖掘方法 26
3.1 数据挖掘方法概述 26
3.1.1 结构化数据挖掘方法的类型 26
3.1.2 模型评估与选择 27
3.2 有监督学习 32
3.2.1 线性回归与正则化 32
3.2.2 逻辑回归 34
3.2.3 K近邻 36
3.2.4 朴素贝叶斯 39
3.2.5 决策树 44
3.2.6 支持向量机 51
3.2.7 神经网络 57
3.2.8 集成学习 62
3.3 无监督学习 68
3.3.1 聚类 68
3.3.2 降维 72
3.3.3 关联规则挖掘与推荐系统 77
第4章 案例研究与实践 83
4.1 项目概览—葡萄酒质量预测 83
4.1.1 项目背景 83
4.1.2 问题界定 83
4.2 工具与环境的配置 84
4.2.1 Python安装 84
4.2.2 创建工作空间 85
4.2.3 环境配置 86
4.3 数据准备与预处理 87
4.3.1 数据来源 87
4.3.2 描述性分析 88
4.3.3 数据预处理 91
4.3.4 特征工程 94
4.4 白葡萄酒质量预测的回归模型建立 99
4.4.1 CART回归树 99
4.4.2 支持向量机回归模型 102
4.4.3 BP神经网络回归模型 103
4.4.4 随机森林回归模型 105
4.5 红葡萄酒质量预测的分类模型建立 107
4.5.1 决策树二分类模型 107
4.5.2 支持向量机二分类模型 110
4.5.3 BP神经网络二分类模型 112
4.5.4 随机森林二分类模型 113
4.6 挖掘结果的评估与展望 115
4.6.1 回归模型评估 115
4.6.2 分类模型评估 117
4.6.3 整体评估与展望 119
第二部分 图像数据挖掘
第5章 图像处理与计算机视觉绪论 123
5.1 图像处理 123
5.2 计算机视觉 125
第6章 数字图像处理基础 127
6.1 数字图像处理基础知识 127
6.1.1 像素与图像分类 127
6.1.2 图像数字化技术 128
6.2 图像的量化与采样 129
6.2.1 量化 129
6.2.2 采样 130
6.3 图像运算 130
6.3.1 图像空间几何变换 130
6.3.2 图像点运算 134
6.4 图像增强 141
6.4.1 直方图均衡化处理 142
6.4.2 图像平滑处理 144
6.4.3 图像锐化与边缘提取 149
第7章 图像处理方法与应用 153
7.1 卷积神经网络基础 153
7.1.1 卷积操作 154
7.1.2 填充与步幅 155
7.1.3 池化操作 157
7.1.4 激活函数 158
7.2 基于CNN的图像分类算法 161
7.2.1 基于ResNet的图像分类 161
7.2.2 基于VGGNet的图像分类 163
7.2.3 基于EfficientNet的图像分类 164
7.3 拓展阅读 165
7.3.1 基于ViT的图像分类 165
7.3.2 基于YOLOv8的图像目标识别 167
7.3.3 基于图卷积网络的图像分类 168
第8章 目标识别与图像分类实战 170
8.1 实战背景与数据 170
8.1.1 实战任务背景 170
8.1.2 数据介绍 170
8.1.3 数据仿真 171
8.2 基于YOLOv8的目标识别任务 171
8.2.1 YOLOv8的模型实现与环境配置 171
8.2.2 参数调优 173
8.2.3 目标姿势识别 174
8.3 基于VGG-16的图像分类任务 175
8.3.1 图像分类模型构建 176
8.3.2 参数调优与模型训练 181
8.3.3 图像分类预测 185
8.3.4 拓展思考 186
第三部分 图数据挖掘
第9章 图数据挖掘引论 191
9.1 什么是图 191
9.2 图的基本概念 193
9.2.1 图的定义 193
9.2.2 图的表示 196
9.2.3 子图 198
9.2.4 路和连通性 199
9.3 图数据挖掘的特点与挑战 200
9.4 本章小结 201
第10章 图数据挖掘的常见目标 202
10.1 节点级别任务 202
10.1.1 节点分类 202
10.1.2 中心性分析 203
10.2 边级别任务 204
10.2.1 链接预测 204
10.2.2 边分类 205
10.3 图级别任务 205
10.3.1 社区检测 205
10.3.2 图分类 206
10.4 图数据挖掘的常见应用场景 207
第11章 图数据挖掘的机器学习方法 209
11.1 图数据挖掘方法概述 209
11.2 图嵌入学习 211
11.3 节点级别任务的挖掘方法 216
11.3.1 传统方法 217
11.3.2 图嵌入学习 219
11.3.3 深度学习方法 221
11.3.4 节点分类与中心性分析的实现路径 225
11.4 边级别任务的图挖掘算法 226
11.4.1 启发式度量指标 226
11.4.2 图嵌入学习 228
11.4.3 深度学习方法 231
11.4.4 链接预测和边分类的实现路径 234
11.5 图级别任务的图挖掘算法 234
11.5.1 子图视角的算法 235
11.5.2 整图视角的算法 239
第12章 案例分析 247
12.1 数据拓扑结构及可视化分析 247
12.2 节点分类 251
12.2.1 基于传统网络指标的分类 252
12.2.2 基于嵌入学习的分类 254
12.2.3 基于图神经网络的分类 257
12.3 链接预测 264
12.3.1 基于相似性度量指标的预测 264
12.3.2 基于图神经网络的预测 268
12.4 本章小结 282
参考文献 284
京公网安备 11010102004214号