本書的第一部分介紹了如何使用元啟發(fā)式算法來(lái)克服數(shù)據(jù)挖掘過(guò)程中的問(wèn)題，算法性能評(píng)估，并具體介紹了原啟發(fā)式算法。第二部分詳細(xì)描述了一系列的數(shù)據(jù)挖掘任務(wù)，包括聚類算法、關(guān)聯(lián)規(guī)則、監(jiān)督分類法以及特征選擇，然后探討了如何通過(guò)通用啟發(fā)式算法來(lái)處理數(shù)據(jù)挖掘任務(wù)。
本書內(nèi)容介紹齊全，讀者可以系統(tǒng)理解書中的所有概念，并且提供了將通用啟發(fā)式演算法應(yīng)用到從大數(shù)據(jù)信息挖掘的相關(guān)方法總覽。
1.大數(shù)據(jù)從數(shù)據(jù)產(chǎn)生和數(shù)據(jù)收集開始，在數(shù)據(jù)存儲(chǔ)和管理階段存在不小的挑戰(zhàn)，本書使用元啟發(fā)式演算法作為這些挑戰(zhàn)的解決方案，首先，這種算法可以處理大量的難題，其次非常靈活，對(duì)不同類型的數(shù)據(jù)和文檔都能讀取。
2.本書介紹非常全面，提供了元啟發(fā)式算法應(yīng)用于大數(shù)據(jù)信息挖掘的各個(gè)方面。
Clarisse DHAENENS、Laetitia JOURDAN，兩人均是法國(guó)里爾大學(xué)的教授，CRIStAL實(shí)驗(yàn)室(計(jì)算機(jī)科學(xué)、信號(hào)和自動(dòng)化研究中心)，以及法國(guó)國(guó)家信息與自動(dòng)化研究所（INRIA）的研究團(tuán)隊(duì)成員。
目錄
第1章 優(yōu)化與大數(shù)據(jù) //1
1．1 大數(shù)據(jù)環(huán)境 //2
1．1．1 大數(shù)據(jù)環(huán)境示例 //3
1．1．2 定義 //4
1．1．3 大數(shù)據(jù)面臨的挑戰(zhàn) //6
1．1．4 元啟發(fā)式算法和大數(shù)據(jù) //9
1．2 大數(shù)據(jù)中的知識(shí)發(fā)現(xiàn) //11
1．2．1 數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn) //11
1．2．2 主要的數(shù)據(jù)挖掘任務(wù) //13
1．2．3 數(shù)據(jù)挖掘任務(wù)作為優(yōu)化問(wèn)題 //17
1．3 數(shù)據(jù)挖掘算法的性能分析 //17
1．3．1 環(huán)境 //17
1．3．2 一個(gè)或多個(gè)數(shù)據(jù)集評(píng)估 //19
1．3．3 存儲(chǔ)庫(kù)和數(shù)據(jù)集 //20
1．4 本章小結(jié) //21
第2章 元啟發(fā)式算法簡(jiǎn)介 //23
2．1 引言 //24
2．1．1 組合優(yōu)化問(wèn)題 //25
2．1．2 解決組合優(yōu)化問(wèn)題 //25
2．1．3 優(yōu)化方法的主要類型 //26
2．2 元啟發(fā)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 優(yōu)化標(biāo)準(zhǔn)/目標(biāo)函數(shù) //29
2．2．4 性能分析 //30
2．3 基于單一解/局部搜索的方法 //31
2．3．1 方案鄰域 //31
2．3．2 爬山算法 //33
2．3．3 禁忌搜索 //34
2．3．4 模擬退火和閾值接受法 //35
2．3．5 結(jié)合局部搜索方法 //36
2．4 基于群體的元啟發(fā)式算法 //37
2．4．1 進(jìn)化計(jì)算 //38
2．4．2 群智能算法 //41
2．5 多目標(biāo)元啟發(fā)式算法 //43
2．5．1 多目標(biāo)優(yōu)化的基本概念 //44
2．5．2 使用元啟發(fā)式算法進(jìn)行多目標(biāo)優(yōu)化 //46
2．5．3 多目標(biāo)優(yōu)化的性能評(píng)估 //50
2．6 本章小結(jié) //51
第3章 元啟發(fā)式算法與并行優(yōu)化 //53
3．1 并行計(jì)算 //54
3．1．1 位級(jí)別并行 //55
3．1．2 指令級(jí)并行 //55
3．1．3 任務(wù)與數(shù)據(jù)并行 //55
3．2 并行元啟發(fā)式算法 //56
3．2．1 一般概念 //56
3．2．2 并行基于單一解的元啟發(fā)式算法 //56
3．2．3 并行基于總體的元啟發(fā)式算法 //58
3．3 并行元啟發(fā)式算法的基礎(chǔ)設(shè)施和技術(shù) //58
3．3．1 分布式模型 //58
3．3．2 硬件型號(hào) //59
3．4 質(zhì)量措施 //62
3．4．1 加速 //62
3．4．2 效率 //62
3．4．3 串行分?jǐn)?shù) //63
3．5 本章小結(jié) //63
第4章 元啟發(fā)式算法與聚類算法 //65
4．1 任務(wù)描述 //66
4．1．1 劃分法 //67
4．1．2 層次法 //68
4．1．3 基于網(wǎng)格法 //70
4．1．4 基于密度法 //70
4．2 大數(shù)據(jù)與聚類分析 //71
4．3 優(yōu)化模型 //71
4．3．1 組合問(wèn)題 //71
4．3．2 質(zhì)量措施 //72
4．3．3 表示 //79
4．4 方法概述 //83
4．5 驗(yàn)證 //84
4．5．1 內(nèi)部驗(yàn)證 //86
4．5．2 外部驗(yàn)證 //86
4．6 本章小結(jié) //88
第5章 元啟發(fā)式算法與關(guān)聯(lián)規(guī)則 //89
5．1 任務(wù)描述和經(jīng)典算法 //91
5．1．1 初始化問(wèn)題 //91
5．1．2 先驗(yàn)算法 //92
5．2 優(yōu)化模型 //93
5．2．1 組合問(wèn)題 //93
5．2．2 質(zhì)量測(cè)量 //93
5．2．3 單目標(biāo)還是多目標(biāo)問(wèn)題 //95
5．3 關(guān)聯(lián)規(guī)則挖掘問(wèn)題的元啟發(fā)式算法概述 //96
5．3．1 一般性 //96
5．3．2 分類關(guān)聯(lián)規(guī)則的元啟發(fā)式算法 //97
5．3．3 定量關(guān)聯(lián)規(guī)則的進(jìn)化算法 //102
5．3．4 模糊關(guān)聯(lián)規(guī)則的元啟發(fā)式算法 //105
5．4 總表 //108
5．5 本章小結(jié) //110
第6章 元啟發(fā)式算法與（監(jiān)督）分類 //111
6．1 任務(wù)描述和標(biāo)準(zhǔn)算法 //112
6．1．1 問(wèn)題描述 //112
6．1．2 K最近鄰分類算法（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(jīng)網(wǎng)絡(luò) //115
6．1．6 支持向量機(jī) //116
6．2 優(yōu)化模型 //117
6．2．1 組合問(wèn)題 //117
6．2．2 質(zhì)量措施 //117
6．2．3 監(jiān)督分類的性能評(píng)估方法 //119
6．3 構(gòu)建標(biāo)準(zhǔn)分類器的元啟發(fā)式算法 //120
6．3．1 KNN算法優(yōu)化 //120
6．3．2 決策樹 //121
6．3．3 ANN算法優(yōu)化 //124
6．3．4 SVM算法優(yōu)化 //125
6．4 元啟發(fā)式算法分類規(guī)則 //127
6．4．1 建模 //127
6．4．2 目標(biāo)函數(shù) //128
6．4．3 算子 //130
6．4．4 算法 //131
6．5 本章小結(jié) //133
第7章 使用元啟發(fā)式算法在分類中進(jìn)行特征選擇 //135
7．1 任務(wù)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 優(yōu)化模型 //139
7．2．1 組合優(yōu)化問(wèn)題 //139
7．2．2 表示 //140
7．2．3 算子 //141
7．2．4 質(zhì)量測(cè)量 //141
7．2．5 驗(yàn)證 //144
7．3 算法概述 //144
7．4 本章小結(jié) //145
第8章 框架 //147
8．1 設(shè)計(jì)元啟發(fā)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(shù)據(jù)挖掘框架 //153
8．2．1 Orange //154
8．2．2 R與Rattle GUI //154
8．3 元啟發(fā)式算法數(shù)據(jù)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(jié) //159
結(jié)論 //161
參考文獻(xiàn) //163
新書資訊