地球科学中的大数据分析与挖掘算法手册

附录A 软件、源码及开发包

参考文献

7.9 地球科学应用案例

7.8 大数据适应度分析

7.7.2 典型算法

7.7.1 算法原理

7.7 基于聚类的异常检测算法

7.6.2 典型算法

7.6.1 算法原理

7.6 基于偏离的异常检测算法

7.5.2 典型算法

7.5.1 算法原理

7.5 基于密度的异常检测算法

7.4.2 典型算法

7.4.1 算法原理

7.4 基于深度的异常检测方法

7.3.2 典型算法

7.3.1 算法原理

7.3 基于距离的方法

7.2.2 典型算法

7.2.1 算法原理

7.2 基于统计的异常检测算法

7.1 概述

第7章 异常检测

参考文献

6.3.7 地球科学应用案例

6.3.6 大数据适应度分析

6.3.5 优化改进

6.3.4 衍生算法

6.3.3 算法实现

6.3.2 算法原理

6.3.1 算法概要

6.3 自动编码器算法

6.2.7 地球科学应用案例

6.2.6 大数据适应度分析

6.2.5 优化改进

6.2.4 模型演化

6.2.3 实例说明

6.2.2 算法原理

6.2.1 算法概要

6.2 卷积神经网络

6.1.5 地球科学应用案例

6.1.4 大数据适应度分析

6.1.3 优化改进

6.1.2 算法原理

6.1.1 算法概要

6.1 深度信念网

第6章 深度学习

参考文献

5.2.8 地球科学应用案例

5.2.7 大数据适应度分析

5.2.6 SPADE衍生算法

5.2.5 优化改进

5.2.4 算法优缺点

5.2.3 实例说明

5.2.2 算法原理

5.2.1 算法概要

5.2 SPADE算法

5.1.7 地球科学应用案例

5.1.6 大数据适应度分析

5.1.5 GSP衍生算法

5.1.4 算法优缺点

5.1.3 实例说明

5.1.2 算法原理

5.1.1 算法概要

5.1 GSP算法

第5章 序列模式挖掘

参考文献

4.5.6 地球科学应用案例

4.5.5 大数据适应度分析

4.5.4 优化改进

4.5.3 CLIQUE

4.5.2 STING

4.5.1 算法概要

4.5 基于网格的聚类算法

4.4.7 地球科学应用案例

4.4.6 大数据适应度分析

4.4.5 优化改进

4.4.4 算法优缺点

4.4.3 实例说明

4.4.2 算法原理

4.4.1 算法概要

4.4 基于密度的聚类算法

4.3.6 地球科学应用案例

4.3.5 大数据适应度分析

4.3.4 改进优化

4.3.3 算法流程

4.3.2 距离度量

4.3.1 算法概要

4.3 层次聚类算法

4.2.7 地球科学应用案例

4.2.6 大数据适应度分析

4.2.5 优化改进

4.2.4 算法优缺点

4.2.3 实例说明

4.2.2 算法原理

4.2.1 算法概要

4.2 K-medoids算法

4.1.7 地球科学应用案例

4.1.6 大数据适应度分析

4.1.5 优化改进

4.1.4 算法优缺点

4.1.3 实例说明

4.1.2 算法原理

4.1.1 算法概要

4.1 K-means算法

第4章 聚类

参考文献

3.2.6 地球科学应用案例

3.2.5 大数据适应度分析

3.2.4 SoftMax算法

3.2.3 算法实现

3.2.2 算法原理

3.2.1 算法概要

3.2 逻辑回归

3.1.7 地球科学应用案例

3.1.6 大数据适应度分析

3.1.5 优化改进

3.1.4 算法优缺点

3.1.3 实例说明

3.1.2 算法原理

3.1.1 算法概要

3.1 线性回归

第3章 回归

参考文献

2.8.6 地球科学应用案例

2.8.5 大数据适应度分析

2.8.4 同类算法

2.8.3 训练过程

2.8.2 算法原理

2.8.1 算法概要

2.8 AdaBoost算法

2.7.6 地球科学应用案例

2.7.5 大数据适应度分析

2.7.4 优化改进

2.7.3 实例说明

2.7.2 算法原理

2.7.1 算法概要

2.7 Bagging算法

2.6.6 地球科学应用案例

2.6.5 大数据适应度分析

2.6.4 优化改进

2.6.3 算法优缺点

2.6.2 算法原理

2.6.1 算法概要

2.6 K-最近邻算法

2.5.7 地球科学应用案例

2.5.6 大数据适应度分析

2.5.5 优化改进

2.5.4 算法优缺点

2.5.3 实例说明

2.5.2 算法原理

2.5.1 算法概要

2.5 支持向量机

2.4.7 地球科学应用案例

2.4.6 大数据适应度分析

2.4.5 优化改进

2.4.4 算法优缺点

2.4.3 实例说明

2.4.2 算法原理

2.4.1 算法概要

2.4 粗糙集分类

2.3.6 地球科学应用案例

2.3.5 大数据适应度分析

2.3.4 优化改进

2.3.3 算法优缺点

2.3.2 算法原理

2.3.1 算法概要

2.3 神经网络分类算法

2.2.7 地球科学应用案例

2.2.6 大数据适应度分析

2.2.5 优化改进

2.2.4 算法优缺点

2.2.3 实例说明

2.2.2 算法原理

2.2.1 算法概要

2.2 贝叶斯分类算法

2.1.7 地球科学应用案例

2.1.6 大数据适应度分析

2.1.5 决策树衍生算法

2.1.4 优化改进

2.1.3 算法优缺点

2.1.2 算法原理

2.1.1 算法概要

2.1 决策树算法

第2章 分类

参考文献

1.2.6 地球科学应用案例

1.2.5 大数据适应度分析

1.2.4 优化改进

1.2.3 实例说明

1.2.2 算法原理

1.2.1 算法概要

1.2 FP-growth算法

1.1.7 地球科学应用案例

1.1.6 大数据适应度分析

1.1.5 优化改进

1.1.4 算法优缺点

1.1.3 实例说明

1.1.2 算法原理

1.1.1 算法概要

1.1 Apriori算法

第1章 关联规则

前言

序二

序

《地球科学中的大数据分析与挖掘算法手册》编写组

《学术中国·大数据》丛书编辑委员会

《国之重器出版工程》编辑委员会

内容提要

版权页

封面

封面

版权页

内容提要

《国之重器出版工程》编辑委员会

《学术中国·大数据》丛书编辑委员会

《地球科学中的大数据分析与挖掘算法手册》编写组

序

序二

前言

第1章 关联规则

1.1 Apriori算法

1.1.1 算法概要

1.1.2 算法原理

1.1.3 实例说明

1.1.4 算法优缺点

1.1.5 优化改进

1.1.6 大数据适应度分析

1.1.7 地球科学应用案例

1.2 FP-growth算法

1.2.1 算法概要

1.2.2 算法原理

1.2.3 实例说明

1.2.4 优化改进

1.2.5 大数据适应度分析

1.2.6 地球科学应用案例

参考文献

第2章 分类

2.1 决策树算法

2.1.1 算法概要

2.1.2 算法原理

2.1.3 算法优缺点

2.1.4 优化改进

2.1.5 决策树衍生算法

2.1.6 大数据适应度分析

2.1.7 地球科学应用案例

2.2 贝叶斯分类算法

2.2.1 算法概要

2.2.2 算法原理

2.2.3 实例说明

2.2.4 算法优缺点

2.2.5 优化改进

2.2.6 大数据适应度分析

2.2.7 地球科学应用案例

2.3 神经网络分类算法

2.3.1 算法概要

2.3.2 算法原理

2.3.3 算法优缺点

2.3.4 优化改进

2.3.5 大数据适应度分析

2.3.6 地球科学应用案例

2.4 粗糙集分类

2.4.1 算法概要

2.4.2 算法原理

2.4.3 实例说明

2.4.4 算法优缺点

2.4.5 优化改进

2.4.6 大数据适应度分析

2.4.7 地球科学应用案例

2.5 支持向量机

2.5.1 算法概要

2.5.2 算法原理

2.5.3 实例说明

2.5.4 算法优缺点

2.5.5 优化改进

2.5.6 大数据适应度分析

2.5.7 地球科学应用案例

2.6 K-最近邻算法

2.6.1 算法概要

2.6.2 算法原理

2.6.3 算法优缺点

2.6.4 优化改进

2.6.5 大数据适应度分析

2.6.6 地球科学应用案例

2.7 Bagging算法

2.7.1 算法概要

2.7.2 算法原理

2.7.3 实例说明

2.7.4 优化改进

2.7.5 大数据适应度分析

2.7.6 地球科学应用案例

2.8 AdaBoost算法

2.8.1 算法概要

2.8.2 算法原理

2.8.3 训练过程

2.8.4 同类算法

2.8.5 大数据适应度分析

2.8.6 地球科学应用案例

参考文献

第3章 回归

3.1 线性回归

3.1.1 算法概要

3.1.2 算法原理

3.1.3 实例说明

3.1.4 算法优缺点

3.1.5 优化改进

3.1.6 大数据适应度分析

3.1.7 地球科学应用案例

3.2 逻辑回归

3.2.1 算法概要

3.2.2 算法原理

3.2.3 算法实现

3.2.4 SoftMax算法

3.2.5 大数据适应度分析

3.2.6 地球科学应用案例

参考文献

第4章 聚类

4.1 K-means算法

4.1.1 算法概要

4.1.2 算法原理

4.1.3 实例说明

4.1.4 算法优缺点

4.1.5 优化改进

4.1.6 大数据适应度分析

4.1.7 地球科学应用案例

4.2 K-medoids算法

4.2.1 算法概要

4.2.2 算法原理

4.2.3 实例说明

4.2.4 算法优缺点

4.2.5 优化改进

4.2.6 大数据适应度分析

4.2.7 地球科学应用案例

4.3 层次聚类算法

4.3.1 算法概要

4.3.2 距离度量

4.3.3 算法流程

4.3.4 改进优化

4.3.5 大数据适应度分析

4.3.6 地球科学应用案例

4.4 基于密度的聚类算法

4.4.1 算法概要

4.4.2 算法原理

4.4.3 实例说明

4.4.4 算法优缺点

4.4.5 优化改进

4.4.6 大数据适应度分析

4.4.7 地球科学应用案例

4.5 基于网格的聚类算法

4.5.1 算法概要

4.5.2 STING

4.5.3 CLIQUE

4.5.4 优化改进

4.5.5 大数据适应度分析

4.5.6 地球科学应用案例

参考文献

第5章 序列模式挖掘

5.1 GSP算法

5.1.1 算法概要

5.1.2 算法原理

5.1.3 实例说明

5.1.4 算法优缺点

5.1.5 GSP衍生算法

5.1.6 大数据适应度分析

5.1.7 地球科学应用案例

5.2 SPADE算法

5.2.1 算法概要

5.2.2 算法原理

5.2.3 实例说明

5.2.4 算法优缺点

5.2.5 优化改进

5.2.6 SPADE衍生算法

5.2.7 大数据适应度分析

5.2.8 地球科学应用案例

参考文献

第6章 深度学习

6.1 深度信念网

6.1.1 算法概要

6.1.2 算法原理

6.1.3 优化改进

6.1.4 大数据适应度分析

6.1.5 地球科学应用案例

6.2 卷积神经网络

6.2.1 算法概要

6.2.2 算法原理

6.2.3 实例说明

6.2.4 模型演化

6.2.5 优化改进

6.2.6 大数据适应度分析

6.2.7 地球科学应用案例

6.3 自动编码器算法

6.3.1 算法概要

6.3.2 算法原理

6.3.3 算法实现

6.3.4 衍生算法

6.3.5 优化改进

6.3.6 大数据适应度分析

6.3.7 地球科学应用案例

参考文献

第7章 异常检测

7.1 概述

7.2 基于统计的异常检测算法

7.2.1 算法原理

7.2.2 典型算法

7.3 基于距离的方法

7.3.1 算法原理

7.3.2 典型算法

7.4 基于深度的异常检测方法

7.4.1 算法原理

7.4.2 典型算法

7.5 基于密度的异常检测算法

7.5.1 算法原理

7.5.2 典型算法

7.6 基于偏离的异常检测算法

7.6.1 算法原理

7.6.2 典型算法

7.7 基于聚类的异常检测算法

7.7.1 算法原理

7.7.2 典型算法

7.8 大数据适应度分析

7.9 地球科学应用案例

参考文献

附录A 软件、源码及开发包