《基於內容的視頻結構挖掘》是2016年8月湘潭大學出版社出版的圖書，作者是付暢儉。
基本介紹
- 書名：基於內容的視頻結構挖掘
- 作者：付暢儉
- ISBN：9787811289923
- 定價：48.0元
- 出版社：湘潭大學出版社
- 出版時間：2016年8月
- 裝幀：平裝
- 開本：16
- 版次：1
- 印次：1
內容簡介,作者簡介,圖書目錄,
內容簡介
數據挖掘基礎，針對經濟管理類數據挖掘人員，加強數據挖掘思維和方法論培養，儘量利用現有軟體和工具開展數據挖掘套用，減少數據挖掘程式設計。本書根據數據挖掘功能主要介紹數據挖掘中的數據倉庫技術、關聯規則挖掘、分類與預測、聚類分析和長期趨勢挖掘。作者利用數據挖掘的思想，從語法和語義兩個方面，探索視頻高層結構知識，挖掘視頻結構中蘊含的、有價值的、可理解的語義信息和模式知識，用於視頻資料庫的組織與管理、基於內容的個性視頻推薦、基於結構語法和語義的視頻摘要等。本書的內容主要包括：視頻結構挖掘概念和方法的理論研究、基於內容的視頻基本結構挖掘方法研究、基於內容的視頻結構語法挖掘方法研究、基於內容的視頻結構語義挖掘方法研究。 本書可以作為高等院校電子商務類主幹課程教材、經濟管理類輔助課程使用，也可以作為實務界電商、財務、統計、會計和企業管理人員在職學習、培訓的教材或參考書。
作者簡介
付暢儉，1970年生，湘潭大學商學院副教授，管理科學與工程碩士生導師。2008年獲國防科技大學信息系統與管理學院系統工程專業工學博士學位。近年來主講《管理信息系統》和《數據挖掘》等本科生及研究生課程，主要研究方向為數據挖掘、電子商務和城市化，主持和參與國家社科、國家自科、湖南省教育廳等多項課題，在《經濟評論》、《經濟學家》、《中國圖象圖形學報》、《計算機套用研究》等刊物上發表中英文論文30餘篇，被EI\人大複印資料、社會科學報多次轉載、引用。
圖書目錄
第一篇 數據挖掘基礎
第1章 緒論
1．1 數據挖掘的發展
1．1．1 數據豐富與知識匱乏
1．1．2 從數據到知識
1．1．3 數據挖掘產生
1．2 什麼是數據挖掘
1．2．1 數據挖掘的定義
1．2．2 與數據挖掘有關的舉例
1．3 數據挖掘的主要功能
1．3．1 挖掘頻繁模式、關聯和相關性
1．3．2 用於預測分析的分類與回歸
1．3．3 聚類分析
1．3．4 孤立點分析
1．3．5 趨勢和演變分析
1．4 數據挖掘步驟
1．4．1 數據挖掘的體系結構
1．4．2 知識發現過程
1．4．3 數據挖掘標準流程——CRISP-DM
1．4．4 SEMMA
1．5 數據挖掘軟體
1．5．1 第一類：由統計軟體發展而來
1．5．2 第二類：由資料庫軟體發展而來
1．5．3 第三類：第三方軟體
1．5．4 第四類：開源數據挖掘軟體
第2章 數據認識與數據預處理
2．1 數據屬性
2．2 數據統計描述
2．2．1 均值
2．2．2 中位數
2．2．3 眾數
2．2．4 根差
2．2．5 四分位距
2．2．6 方差和標準差
2．3 數據預處理
2．3．1 數據集成
2．3．2 數據變換
2．3．3 數據歸約
2．4 概念描述
2．4．1 面向屬性的歸納（Attribute-Oriented Induction，AOI）
2．4．2 面向屬性歸納的基本算法
2．4．3 挖掘類比較：區分不同的類
第3章 SQI．SERVER建立數據倉庫
3．1 數據倉庫：基本概念
3．1．1 什麼是數據倉庫
3．1．2 什麼是OLAP
3．1．3 數據倉庫的類型
3．1．4 數據倉庫與傳統資料庫的比較
3．1．5 數據倉庫的設計
3．2 SQL SERVER建立數據倉庫
3．2．1 基本概念
3．2．2 建立數據倉庫
3．3 套用舉例
3．3．1 使用SQL SERVER實現貝葉斯分類方法
3．3．2 使用Excel實現關聯規則分析
3．3．3 使用Excel實現其他數據挖掘分析
第4章 關聯規則挖掘
4．1 關聯規則的定義和屬性
4．1．1 關聯規則的定義
4．1．2 關聯規則的屬性
4．1．3 關聯規則挖掘過程
4．1．4 關聯規則挖掘的經典算法
4．1．5 關聯規則套用
4．2 Apriori算法
4．2．1 Apriori算法偽代碼
4．2．2 Apriori算法舉例
4．2．3 由頻繁項集產生關聯規則
4．2．4 Apriori算法的python實現
4．2．5 Apriori算法改進
4．3 Fp-Growth算法
4．3．1 構造FP樹
4．3．2 FP-growth挖掘過程
4．4 關聯規則評價
4．5 關聯規則挖掘進展
4．5．1 增量式更新挖掘算法
4．5．2 並行/分散式關聯規則挖掘算法
4．5．3 多層關聯規則挖掘算法
4．5．4 在數據挖掘類型方面的拓展
4．5．5 基於約束的頻繁模式挖掘
第5章 分類與預測
5．1 分類與預測基本知識
5．2 ID3算法
5．2．1 ID3算法偽代碼
5．2．2 ID3算法的python實現
5．2．3 ID3的優缺點
5．3 C4．5算法
5．3．1 C4．5的改進
5．3．2 C4．5算法的python實現
5．4 Python中Scikit-k姍機器學習簡介
5．4．1 數據預處理
5．4．2 主要分類方法
5．4．3 算法參數最佳化
5．4．4 利用graphviz和pydot數據可視化
第6章 聚類分析
6．1 聚類分析概述
6．1．1 聚類分析的定義
6．1．2 聚類方法概述
6．1．3 聚類分析的一般步驟
6．1．4 聚類方法的要求
6．2 聚類的主要算法
6．2．1 劃分方法
6．2．2 層次法
6．2．3 基於密度的方法
6．2．4 模糊聚類
6．3 聚類進展
第7章 時間序列變動趨勢挖掘
7．1 時間序列影響因素及分析模型
7．1．1 時間序列及其作用
7．1．2 時間序列的影響因素
7．1．3 時間序列分解模型
7．1．4 時間序列趨勢挖掘步驟
7．2 時間序列季節調整
7．2．1 季節調整處理方法
7．2．2 季節因子
7．2．3 季節調整
7．3 時間序列趨勢挖掘
7．3．1 時距擴大法
7．3．2 移動平均法
7．3．3 指數平滑法
7．3．4 最小平方法
7．4 時間序列循環因子測定
7．4．1 循環變動的測定目的
7．4．2 循環變動的測定方法
7．4．3 乘法模型
7．4．4 加法模型
7．4．5 乘加模型
第二篇 基於內容的視頻結構挖掘
第1章 視頻結構挖掘概念框架
1．1 視頻結構挖掘的概念框架
1．2 視頻結構挖掘的系統結構
1．2．1 傳統數據挖掘過程
1．2．2 視頻結構挖掘系統結構
1．3 視頻結構挖掘的功能結構
1．4 視頻結構挖掘方法
1．4．1 基本結構單元的發現和表現
1．4．2 視頻單元分類
1．4．3 視頻單元聚類
1．4．4 視頻單元關聯規則挖掘
1．5 本章小結
第2章 視頻基本結構挖掘
2．1 視頻基本結構
2．2 鏡頭分割及關鍵幀提取
2．2．1 鏡頭分割常用方法
2．2．2 視頻鏡頭關鍵幀抽取
2．2．3 鏡頭分割顏色模型選擇及量化
2．2．4 自適應雙直方圖兩次判別鏡頭分割算法
2．3 場景構造
2．3．1 鏡頭特徵提取及相似性度量
2．3．2 基於鏡頭多特徵聚類視頻場景分割
2．3．3 基於競爭力的場景分割
2．4 本章小結
第3章 視頻結構語法挖掘
3．1 視頻結構語法
3．2 視頻數據預處理
3．2．1 鏡頭分割
3．2．2 特徵提取
3．2．3 鏡頭符號序列化
3．3 視頻結構模式挖掘
3．3．1 傳統關聯規則挖掘
3．3．2 視頻結構關聯規則挖掘
3．3．3 視頻結構語法模式分析
3．4 本章小結
第4章 視頻結構語義挖掘
4．1 視頻結構語義
4．2 鏡頭語義概念挖掘
4．2．1 鏡頭語義概念挖掘主要圖模型
4．2．2 多概念判別隨機場模型
4．2．3 廣義多概念判別隨機場模型
4．3 視頻高層結構語義事件挖掘
4．3．1 視頻高層結構語義事件
4．3．2 HMM模型
4．3．3 HHMM模型
4．3．4 籃球視頻高層事件HHMM模型
4．4 本章小結
第1章 緒論
1．1 數據挖掘的發展
1．1．1 數據豐富與知識匱乏
1．1．2 從數據到知識
1．1．3 數據挖掘產生
1．2 什麼是數據挖掘
1．2．1 數據挖掘的定義
1．2．2 與數據挖掘有關的舉例
1．3 數據挖掘的主要功能
1．3．1 挖掘頻繁模式、關聯和相關性
1．3．2 用於預測分析的分類與回歸
1．3．3 聚類分析
1．3．4 孤立點分析
1．3．5 趨勢和演變分析
1．4 數據挖掘步驟
1．4．1 數據挖掘的體系結構
1．4．2 知識發現過程
1．4．3 數據挖掘標準流程——CRISP-DM
1．4．4 SEMMA
1．5 數據挖掘軟體
1．5．1 第一類：由統計軟體發展而來
1．5．2 第二類：由資料庫軟體發展而來
1．5．3 第三類：第三方軟體
1．5．4 第四類：開源數據挖掘軟體
第2章 數據認識與數據預處理
2．1 數據屬性
2．2 數據統計描述
2．2．1 均值
2．2．2 中位數
2．2．3 眾數
2．2．4 根差
2．2．5 四分位距
2．2．6 方差和標準差
2．3 數據預處理
2．3．1 數據集成
2．3．2 數據變換
2．3．3 數據歸約
2．4 概念描述
2．4．1 面向屬性的歸納（Attribute-Oriented Induction，AOI）
2．4．2 面向屬性歸納的基本算法
2．4．3 挖掘類比較：區分不同的類
第3章 SQI．SERVER建立數據倉庫
3．1 數據倉庫：基本概念
3．1．1 什麼是數據倉庫
3．1．2 什麼是OLAP
3．1．3 數據倉庫的類型
3．1．4 數據倉庫與傳統資料庫的比較
3．1．5 數據倉庫的設計
3．2 SQL SERVER建立數據倉庫
3．2．1 基本概念
3．2．2 建立數據倉庫
3．3 套用舉例
3．3．1 使用SQL SERVER實現貝葉斯分類方法
3．3．2 使用Excel實現關聯規則分析
3．3．3 使用Excel實現其他數據挖掘分析
第4章 關聯規則挖掘
4．1 關聯規則的定義和屬性
4．1．1 關聯規則的定義
4．1．2 關聯規則的屬性
4．1．3 關聯規則挖掘過程
4．1．4 關聯規則挖掘的經典算法
4．1．5 關聯規則套用
4．2 Apriori算法
4．2．1 Apriori算法偽代碼
4．2．2 Apriori算法舉例
4．2．3 由頻繁項集產生關聯規則
4．2．4 Apriori算法的python實現
4．2．5 Apriori算法改進
4．3 Fp-Growth算法
4．3．1 構造FP樹
4．3．2 FP-growth挖掘過程
4．4 關聯規則評價
4．5 關聯規則挖掘進展
4．5．1 增量式更新挖掘算法
4．5．2 並行/分散式關聯規則挖掘算法
4．5．3 多層關聯規則挖掘算法
4．5．4 在數據挖掘類型方面的拓展
4．5．5 基於約束的頻繁模式挖掘
第5章 分類與預測
5．1 分類與預測基本知識
5．2 ID3算法
5．2．1 ID3算法偽代碼
5．2．2 ID3算法的python實現
5．2．3 ID3的優缺點
5．3 C4．5算法
5．3．1 C4．5的改進
5．3．2 C4．5算法的python實現
5．4 Python中Scikit-k姍機器學習簡介
5．4．1 數據預處理
5．4．2 主要分類方法
5．4．3 算法參數最佳化
5．4．4 利用graphviz和pydot數據可視化
第6章 聚類分析
6．1 聚類分析概述
6．1．1 聚類分析的定義
6．1．2 聚類方法概述
6．1．3 聚類分析的一般步驟
6．1．4 聚類方法的要求
6．2 聚類的主要算法
6．2．1 劃分方法
6．2．2 層次法
6．2．3 基於密度的方法
6．2．4 模糊聚類
6．3 聚類進展
第7章 時間序列變動趨勢挖掘
7．1 時間序列影響因素及分析模型
7．1．1 時間序列及其作用
7．1．2 時間序列的影響因素
7．1．3 時間序列分解模型
7．1．4 時間序列趨勢挖掘步驟
7．2 時間序列季節調整
7．2．1 季節調整處理方法
7．2．2 季節因子
7．2．3 季節調整
7．3 時間序列趨勢挖掘
7．3．1 時距擴大法
7．3．2 移動平均法
7．3．3 指數平滑法
7．3．4 最小平方法
7．4 時間序列循環因子測定
7．4．1 循環變動的測定目的
7．4．2 循環變動的測定方法
7．4．3 乘法模型
7．4．4 加法模型
7．4．5 乘加模型
第二篇 基於內容的視頻結構挖掘
第1章 視頻結構挖掘概念框架
1．1 視頻結構挖掘的概念框架
1．2 視頻結構挖掘的系統結構
1．2．1 傳統數據挖掘過程
1．2．2 視頻結構挖掘系統結構
1．3 視頻結構挖掘的功能結構
1．4 視頻結構挖掘方法
1．4．1 基本結構單元的發現和表現
1．4．2 視頻單元分類
1．4．3 視頻單元聚類
1．4．4 視頻單元關聯規則挖掘
1．5 本章小結
第2章 視頻基本結構挖掘
2．1 視頻基本結構
2．2 鏡頭分割及關鍵幀提取
2．2．1 鏡頭分割常用方法
2．2．2 視頻鏡頭關鍵幀抽取
2．2．3 鏡頭分割顏色模型選擇及量化
2．2．4 自適應雙直方圖兩次判別鏡頭分割算法
2．3 場景構造
2．3．1 鏡頭特徵提取及相似性度量
2．3．2 基於鏡頭多特徵聚類視頻場景分割
2．3．3 基於競爭力的場景分割
2．4 本章小結
第3章 視頻結構語法挖掘
3．1 視頻結構語法
3．2 視頻數據預處理
3．2．1 鏡頭分割
3．2．2 特徵提取
3．2．3 鏡頭符號序列化
3．3 視頻結構模式挖掘
3．3．1 傳統關聯規則挖掘
3．3．2 視頻結構關聯規則挖掘
3．3．3 視頻結構語法模式分析
3．4 本章小結
第4章 視頻結構語義挖掘
4．1 視頻結構語義
4．2 鏡頭語義概念挖掘
4．2．1 鏡頭語義概念挖掘主要圖模型
4．2．2 多概念判別隨機場模型
4．2．3 廣義多概念判別隨機場模型
4．3 視頻高層結構語義事件挖掘
4．3．1 視頻高層結構語義事件
4．3．2 HMM模型
4．3．3 HHMM模型
4．3．4 籃球視頻高層事件HHMM模型
4．4 本章小結
