u012137335的专栏

python语言学习资源（含ppt、pdf教材、电子书txt教材）是学习python语言、寻求快速入门的理想选择。内含pdf教材（python学习手册、python核心编程）、电子书txt教材（快速入门）

数据挖掘导论(完整版)(全面介绍数据挖掘的理论和方法) 基本信息 原书名： Introduction to Data Mining 原出版社： Addison Wesley 作者： (美)Pang-Ning Tan Michael Steinbach Vipin Kumar 译者： 范明 范宏建 丛书名： 图灵计算机科学 出版社：人民邮电出版社 ISBN：9787115241009 上架时间：2010-12-16 出版日期：2011 年1月 开本：16开 页码：463 版次：2-1 编辑推荐 　　 　　《数据挖掘导论(完整版)》全面介绍了数据挖掘，涵盖了五个主题：数据、分类、关联分析、聚类和异常检测。除异常检测外，每个主题都有两章。前一章涵盖基本概念、代表性算法和评估技术，而后一章讨论高级概念和算法。这样读者在透彻地理解数据挖掘的基础的同时，还能够了解更多重要的高级主题。 　　《数据挖掘导论(完整版)》是明尼苏达大学和密歇根州立大学数据挖掘课程的教材，由于独具特色，正式出版之前就已经被斯坦福大学、得克萨斯大学奥斯汀分校等众多名校采用。《数据挖掘导论(完整版)》特色 　　与许多其他同类图书不同，《数据挖掘导论(完整版)》将重点放在如何用数据挖掘知识解决各种实际问题。 　　只要求具备很少的预备知识——不需要数据库背景，只需要很少的统计学或数学背景知识。 　　书中包含大量的图表、综合示例和丰富的习题，并且使用示例、关键算法的简洁描述和习题，尽可能直接聚焦于数 　　据挖掘的主要概念。 　　教辅内容极为丰富，包括课程幻灯片、学生课题建议、数据挖掘资源（如数据挖掘算法和数据集）、联机指南（使 　　用实际的数据集和数据分析软件，《数据挖掘导论(完整版)》介绍的部分数据挖掘技术提供例子讲解）。 　　 内容简介回 　　《数据挖掘导论(完整版)》全面介绍了数据挖掘的理论和方法，旨在为读者提供将数据挖掘应用于实际问题所必需的知识。《数据挖掘导论(完整版)》涵盖五个主题：数据、分类、关联分析、聚类和异常检测。除异常检测外，每个主题都包含两章：前面一章讲述基本概念、代表性算法和评估技术，后面一章较深入地讨论高级概念和算法。目的是使读者在透彻地理解数据挖掘基础的同时，还能了解更多重要的高级主题。此外，书中还提供了大量示例、图表和习题。 　　《数据挖掘导论(完整版)》适合作为相关专业高年级本科生和研究生数据挖掘课程的教材，同时也可作为数据挖掘研究和应用开发人员的参考书。 作译者 作者：（美国）陈封能（Pang-Ning Tan） （美国）斯坦巴赫（Michael Steinbach） （美国）库玛尔（Vipin Kumar） 　　陈封能(Pang-Ning Tan)现为密歇根州立大学计算机与工程系助理教授，主要教授数据挖掘、数据库系统等课程。此前，他曾是明尼苏达大学美国陆军高性能计算研究中心副研究员（2002-2003）。 　　斯坦巴赫（Michael Steinbach）明尼苏达大学计算机与工程系研究员，在读博士。 　　库玛尔(Vipin Kumar)明尼苏达大学计算机科学与工程系主任，曾任美国陆军高性能计算研究中心主任.他拥有马里兰大学博士学位,是数据挖掘和高性能计算方面的国际权威,IEEE会士. 译者：范明 范宏建 等 　　范明,郑州大学信息工程学院教授,中国计算机学会数据库专业委员会委员、人工智能与模式识别专业委员会委员,长期从事计算机软件与理论教学和研究.先后发表论史40余篇. 　　范宏建 澳大利亚墨尔本大学计算机科学博士.先后在WWW、PAKDD、RSFDGrC、IEEE GrC和Australian AI等国际学术会议和IEEE Transactions on Knowledge and Data Engineering发表论文10余篇.目前是澳大利亚AUSTRAC的高级分析师. 目录 封面 -16 封底 -15 扉页 -14 版权 -13 版权声明 -12 中文版序 -11 完整版译者序 -10 译者序 -9 译者简介 -8 前言 -7 目录 -4 第1章 绪论 1 1.1 什么是数据挖掘 2 1.2 数据挖掘要解决的问题 2 1.3 数据挖掘的起源 3 1.4 数据挖掘任务 4 1.5 本书的内容与组织 7 文献注释 7 参考文献 8 习题 10 第2章 数据 13 2.1 数据类型 14 2.1.1 属性与度量 15 2.1.2 数据集的类型 18 2.2 数据质量 22 2.2.1 测量和数据收集问题 22 2.2.2 关于应用的问题 26 2.3 数据预处理 27 2.3.1 聚集 27 2.3.2 抽样 28 2.3.3 维归约 30 2.3.4 特征子集选择 31 2.3.5 特征创建 33 2.3.6 离散化和二元化 34 2.3.7 变量变换 38 2.4 相似性和相异性的度量 38 2.4.1 基础 39 2.4.2 简单属性之间的相似度和相异度 40 2.4.3 数据对象之间的相异度 41 2.4.4 数据对象之间的相似度 43 2.4.5 邻近性度量的例子 43 2.4.6 邻近度计算问题 48 2.4.7 选取正确的邻近性度量 50 文献注释 50 参考文献 52 习题 53 第3章 探索数据 59 3.1 鸢尾花数据集 59 3.2 汇总统计 60 3.2.1 频率和众数 60 3.2.2 百分位数 61 3.2.3 位置度量：均值和中位数 61 3.2.4 散布度量：极差和方差 62 3.2.5 多元汇总统计 63 3.2.6 汇总数据的其他方法 64 3.3 可视化 64 3.3.1 可视化的动机 64 3.3.2 一般概念 65 3.3.3 技术 67 3.3.4 可视化高维数据 75 3.3.5 注意事项 79 3.4 OLAP和多维数据分析 79 3.4.1 用多维数组表示鸢尾花数据 80 3.4.2 多维数据：一般情况 81 3.4.3 分析多维数据 82 3.4.4 关于多维数据分析的最后评述 84 文献注释 84 参考文献 85 习题 86 第4章 分类：基本概念、决策树与模型评估 89 4.1 预备知识 89 4.2 解决分类问题的一般方法 90 4.3 决策树归纳 92 4.3.1 决策树的工作原理 92 4.3.2 如何建立决策树 93 4.3.3 表示属性测试条件的方法 95 4.3.4 选择最佳划分的度量 96 4.3.5 决策树归纳算法 101 4.3.6 例子：Web 机器人检测 102 4.3.7 决策树归纳的特点 103 4.4 模型的过分拟合 106 4.4.1 噪声导致的过分拟合 107 4.4.2 缺乏代表性样本导致的过分拟合 109 4.4.3 过分拟合与多重比较过程 109 4.4.4 泛化误差估计 110 4.4.5 处理决策树归纳中的过分拟合 113 4.5 评估分类器的性能 114 4.5.1 保持方法 114 4.5.2 随机二次抽样 115 4.5.3 交叉验证 115 4.5.4 自助法 115 4.6 比较分类器的方法 116 4.6.1 估计准确度的置信区间 116 4.6.2 比较两个模型的性能 117 4.6.3 比较两种分类法的性能 118 文献注释 118 参考文献 120 习题 122 第5章 分类：其他技术 127 5.1 基于规则的分类器 127 5.1.1 基于规则的分类器的工作原理 128 5.1.2 规则的排序方案 129 5.1.3 如何建立基于规则的分类器 130 5.1.4 规则提取的直接方法 130 5.1.5 规则提取的间接方法 135 5.1.6 基于规则的分类器的特征 136 5.2 最近邻分类器 137 5.2.1 算法 138 5.2.2 最近邻分类器的特征 138 5.3 贝叶斯分类器 139 5.3.1 贝叶斯定理 139 5.3.2 贝叶斯定理在分类中的应用 140 5.3.3 朴素贝叶斯分类器 141 5.3.4 贝叶斯误差率 145 5.3.5 贝叶斯信念网络 147 5.4 人工神经网络 150 5.4.1 感知器 151 5.4.2 多层人工神经网络 153 5.4.3 人工神经网络的特点 155 5.5 支持向量机 156 5.5.1 最大边缘超平面 156 5.5.2 线性支持向量机：可分情况 157 5.5.3 线性支持向量机：不可分情况 162 5.5.4 非线性支持向量机 164 5.5.5 支持向量机的特征 168 5.6 组合方法 168 5.6.1 组合方法的基本原理 168 5.6.2 构建组合分类器的方法 169 5.6.3 偏倚—方差分解 171 5.6.4 装袋 173 5.6.5 提升 175 5.6.6 随机森林 178 5.6.7 组合方法的实验比较 179 5.7 不平衡类问题 180 5.7.1 可选度量 180 5.7.2 接受者操作特征曲线 182 5.7.3 代价敏感学习 184 5.7.4 基于抽样的方法 186 5.8 多类问题 187 文献注释 189 参考文献 190 习题 193 第6章 关联分析：基本概念和算法 201 6.1 问题定义 202 6.2 频繁项集的产生 204 6.2.1 先验原理 205 6.2.2 Apriori算法的频繁项集产生 206 6.2.3　候选的产生与剪枝 208 6.2.4 支持度计数 210 6.2.5 计算复杂度 213 6.3 规则产生 215 6.3.1 基于置信度的剪枝 215 6.3.2 Apriori算法中规则的产生 215 6.3.3 例：美国国会投票记录 217 6.4 频繁项集的紧凑表示 217 6.4.1 极大频繁项集 217 6.4.2 闭频繁项集 219 6.5 产生频繁项集的其他方法 221 6.6 FP增长算法 223 6.6.1 FP树表示法 224 6.6.2 FP增长算法的频繁项集产生 225 6.7 关联模式的评估 228 6.7.1 兴趣度的客观度量 228 6.7.2 多个二元变量的度量 235 6.7.3 辛普森悖论 236 6.8 倾斜支持度分布的影响 237 文献注释 240 参考文献 244 习题 250 第7章 关联分析：高级概念 259 7.1 处理分类属性 259 7.2 处理连续属性 261 7.2.1 基于离散化的方法 261 7.2.2 基于统计学的方法 263 7.2.3 非离散化方法 265 7.3 处理概念分层 266 7.4 序列模式 267 7.4.1 问题描述 267 7.4.2 序列模式发现 269 7.4.3 时限约束 271 7.4.4 可选计数方案 274 7.5 子图模式 275 7.5.1 图与子图 276 7.5.2 频繁子图挖掘 277 7.5.3 类Apriori方法 278 7.5.4 候选产生 279 7.5.5 候选剪枝 282 7.5.6 支持度计数 285 7.6 非频繁模式 285 7.6.1 负模式 285 7.6.2 负相关模式 286 7.6.3 非频繁模式、负模式和负相关模式比较 287 7.6.4 挖掘有趣的非频繁模式的技术 288 7.6.5 基于挖掘负模式的技术 288 7.6.6 基于支持度期望的技术 290 文献注释 292 参考文献 293 习题 295 第8章 聚类分析：基本概念和算法 305 8.1 概述 306 8.1.1 什么是聚类分析 306 8.1.2 不同的聚类类型 307 8.1.3 不同的簇类型 308 8.2 K均值 310 8.2.1 基本K均值算法 310 8.2.2 K均值：附加的问题 315 8.2.3 二分K均值 316 8.2.4 K均值和不同的簇类型 317 8.2.5 优点与缺点 318 8.2.6 K均值作为优化问题 319 8.3 凝聚层次聚类 320 8.3.1 基本凝聚层次聚类算法 321 8.3.2 特殊技术 322 8.3.3 簇邻近度的Lance-Williams公式 325 8.3.4 层次聚类的主要问题 326 8.3.5 优点与缺点 327 8.4 DBSCAN 327 8.4.1 传统的密度：基于中心的方法 327 8.4.2 DBSCAN算法 328 8.4.3 优点与缺点 329 8.5 簇评估 330 8.5.1 概述 332 8.5.2 非监督簇评估：使用凝聚度和分离度 332 8.5.3 非监督簇评估：使用邻近度矩阵 336 8.5.4 层次聚类的非监督评估 338 8.5.5 确定正确的簇个数 339 8.5.6 聚类趋势 339 8.5.7 簇有效性的监督度量 340 8.5.8 评估簇有效性度量的显著性 343 文献注释 344 参考文献 345 习题 347 第9章 聚类分析：其他问题与算法 355 9.1 数据、簇和聚类算法的特性 355 9.1.1 例子：比较K均值和DBSCAN 355 9.1.2 数据特性 356 9.1.3 簇特性 357 9.1.4 聚类算法的一般特性 358 9.2 基于原型的聚类 359 9.2.1 模糊聚类 359 9.2.2 使用混合模型的聚类 362 9.2.3 自组织映射 369 9.3 基于密度的聚类 372 9.3.1 基于网格的聚类 372 9.3.2 子空间聚类 374 9.3.3 DENCLUE：基于密度聚类的一种基于核的方案 377 9.4 基于图的聚类 379 9.4.1 稀疏化 379 9.4.2 最小生成树聚类 380 9.4.3 OPOSSUM：使用METIS的稀疏相似度最优划分 381 9.4.4 Chameleon：使用动态建模的层次聚类 381 9.4.5 共享最近邻相似度 385 9.4.6 Jarvis-Patrick聚类算法 387 9.4.7 SNN密度 388 9.4.8 基于SNN密度的聚类 389 9.5 可伸缩的聚类算法 390 9.5.1 可伸缩：一般问题和方法 391 9.5.2 BIRCH 392 9.5.3 CURE 393 9.6 使用哪种聚类算法 395 文献注释 397 参考文献 398 习题 400 第10章 异常检测 403 10.1 预备知识 404 10.1.1 异常的成因 404 10.1.2 异常检测方法 404 10.1.3 类标号的使用 405 10.1.4 问题 405 10.2 统计方法 406 10.2.1 检测一元正态分布中的离群点 407 10.2.2 多元正态分布的离群点 408 10.2.3 异常检测的混合模型方法 410 10.2.4 优点与缺点 411 10.3 基于邻近度的离群点检测 411 10.4 基于密度的离群点检测 412 10.4.1 使用相对密度的离群点检测 413 10.4.2 优点与缺点 414 10.5 基于聚类的技术 414 10.5.1 评估对象属于簇的程度 415 10.5.2 离群点对初始聚类的影响 416 10.5.3 使用簇的个数 416 10.5.4 优点与缺点 416 文献注释 417 参考文献 418 习题 420 附录A 线性代数 423 附录B 维归约 433 附录C 概率统计 445 附录D 回归 451 附录E 优化 457 译者序 　　自从我和孟小峰等人翻译J. Han和M. Kamber的《数据挖掘：概念与技术》以来，我们高兴地看到数据挖掘的研究正在我国蓬勃开展。许多学者和研究人员都对这个新兴的学科领域表现出了极大的兴趣，他们之中不仅有来自数据库领域的专家，而且不乏统计学、人工智能和模式识别、机器学习等领域的研究者。国内的学者和研究者在数据挖掘方面的研究已经取得了一些令人鼓舞的成果，并且正在逐渐与国际学术界同步。 　　数据挖掘的产生和发展一直是分析和理解数据的实际需求推动的。数据挖掘研究的进展也正是在于一直重视与其他领域研究者的合作。数据挖掘从工业、农业、医疗卫生和商业的需求中获得动力，从统计学、机器学习等领域的长期研究与发展中汲取营养。我们相信，只要有理解数据的需求，就有推动数据挖掘研究与应用发展的动力；只要依靠多学科的团队，就能应对新的数据分析任务带来的挑战。 　　P. Tan、M. Steinbach和V. Kumar编写的这本《数据挖掘导论》是继《数据挖掘：概念与技术》一书之后的另一本重要的数据挖掘著作。三位作者都从事数据挖掘研究多年，其中Vipin Kumar教授是数据挖掘和高性能计算领域的国际知名学者。本书原版在正式出版之前就已经被斯坦福大学、得克萨斯大学奥斯汀分校等众多名校采用。J. Han教授也高度评价该书：“这是一本全新数据挖掘的教材，值得大力推荐。它将成为我们的主要参考书。” 　　本书不需要读者具备数据库背景，只需要少量统计学或数学背景知识，而且取材涉及的学科和应用领域较多，实用性强，因此适合的读者面较广。本书强调如何用数据挖掘知识解决各种实际问题，强调所挖掘的知识模式的评估。例如，就像我们能够从天空中的白云想象出各种动物和物体一样，每个聚类算法能够从几乎所有的数据集中发现聚类。如果数据集合中根本不存在自然的簇，所产生的聚类很难说具有实际意义。 　　全书共分10章。范明负责第1~8章的翻译，范宏建负责第9章和第10章的翻译。蒋宏杰、贾玉祥、许红涛和温箐笛也参加本书的最初翻译工作。全书的译文由范明负责统一定稿。在翻译的过程中，对发现的错误进行了更正，并得到原书作者的确认。 　　感谢P. Tan、M. Steinbach和V. Kumar为中文版撰写序言。感谢人民邮电出版社图灵公司的编辑们，他们在第一时间内引进本书，并组织翻译，使得中文版能够如此之快地与读者见面。

非常好的教程，R是数据处理的优秀软件，大数据时代数据处理决定一个国家的战略地位，对自己掌握R语言非常的好，是SAS和SPASS不可比拟的，掌握R语言是一个数据处理者找工作有很大的优势。

GPU高性能计算系列丛书的第一本《GPU高性能计算之CUDA》已经出版，由张舒，褚艳利，赵开勇，张钰勃所编写。本书除了详细介绍了CUDA的软硬件架构以及C for CUDA程序开发和优化的策略外，还包含有大量的实例供读者学习参考用。 下表是各个实例的介绍列表。 文件夹 对应书中章节 备注 ACsearch_DPPcompact_with_driver 5.2.2 AC多模式匹配算法 asyncAPI 2.5 异步API调用示例 bandwidthTest 2.3.6 带宽测试 Bitonic 5.1.1 双调排序网络 conjugateGradient 5.2.1 共轭梯度算法，CUBLAS实现 cudaMPI 2.7.3 CUDA+MPI管理GPU集群 cudaOpenMP 2.7.2 CUDA+OpenMP管理多GPU deviceQuery 2.1.4 设备查询 histKernel 2.4.3 亮度直方图统计 matrixAssign 2.1.4 矩阵赋值 matrixMul 4.7.1 矩阵乘法，利用shared memory matrixMul_Berkeley 4.7.1 矩阵乘法，利用register reduction 4.7.2 并行归约（缩减）程序 scan 5.1.2 Scan算法，例如计算前缀和 scanLargeArray 5.1.2 Scan算法，可以处理大数组 simpleCUBLAS 5.1.3 CUBLAS库的简单应用 simpleCUFFT 5.1.4 CUFFT库的简单应用 simpleD3D9 2.6.2 CUDA与Direct3D 9互操作 simpleD3D10 2.6.2 CUDA与Direct3D10互操作 simpleGL 2.6.1 CUDA与OpenGL互操作 simpleMultiGPU 2.7.1 多设备控制 simpleStreams 2.5.2 流的使用演示 simpleTexture 2.3.8 简单的纹理使用 simpleTextureDrv 2.3.8 简单的纹理使用，驱动API 实现 sortingNetworks 5.1.1 双调排序网络，处理大数组 threadMigration 2.7.1 通过上下文管理和设备管理功能实现多设备并行计算 timing 4.2.1 设备端测时 transpose 4.7.3 矩阵转置 transposeDiagonal 4.7.3 矩阵转置，考虑partition conflict VectorAdd 2.2.3/2.3.4 矢量加 VectorAddDrv 2.2.3/2.3.4 矢量加，驱动API实现

《GPU高性能运算之CUDA》是全国第一本全面介绍CUDA软硬件体系架构的书籍。全面介绍使用CUDA进行通用计算所需要的语法、硬件架构、程序优化技巧等知识，是进行GPU通用计算程序开发的入门教材和参考书。《GPU高性能运算之CUDA》共分5章。第1章介绍GPU通用计算的发展历程，介绍并行计算的历史、现状以及面临的问题；第2章介绍CUDA的使用方法，帮助读者理解CUDA的编程模型、存储器模型和执行模型，掌握CUDA程序的编写方法；第3章探讨CUDA硬件架构，深入分析Tesla GPU架构与CUDA通用计算的相互作用：第4章总结CUDA的高级优化方法，对任务划分、存储器访问、指令流效率等课题进行探讨；第5章以丰富的实例展示如何使用CUDA的强大性能解决实际问题。 《GPU高性能运算之CUDA》可作为CUDA的学习入门和编程参考书，主要面向从事高性能计算的程序员与工程师，使用GPU加速专业领域计算的科研人员，以及对GPU通用计算感兴趣的程序员。开设相关课程的高等院校与科研机构也可选用《GPU高性能运算之CUDA》作为教材。

内容简介 　　本书是数据结构和算法分析的经典教材，书中使用主流的程序设计语言C++作为具体的实现语言。书的内容包括表、栈、队列、树、散列表、优先队列、排序、不相交集算法、图论算法、算法分析、算法设计、摊还分析、查找树算法、k-d树和配对堆等。本书适合作为计算机相关专业本科生的数据结构课程和研究生算法分析课程的教材。本科生的数据结构课程可以使用本书第1章～第9章，多学时课程还可以讲解第10章；研究生算法分析课程可以使用第6章～第12章。 推荐 　　本书是数据结构和算法分析的经典教材，书中使用主流的程序设计语言C++作为具体的实现语言。书的内容包括表、栈、队列、树、散列表、优先队列、排序、不相交集算法、图论算法、算法分析、算法设计、摊还分析、查找树算法、k-d树和配对堆等。本书适合作为计算机相关专业本科生的数据结构课程和研究生算法分析课程的教材。本科生的数据结构课程可以使用本书第1章～第9章，多学时课程还可以讲解第10章；研究生算法分析课程可以使用第6章～第12章。 作者简介 　　Mark Allen Weiss，1987年在普林斯顿大学获得计算机科学博士学位，师从著名算法大师Robert Sedgewick，现任美国佛罗里达国际大学计算与信息科学学院教授。他曾经担任全美AP（Advanced Placement）考试计算机学科委员会的主席（2000-2004）。他的主要研究方向是数据结构，算法和教育学。 图书目录 第1章　引论　 　1.1　本书讨论的内容　 　1.2　数学知识复习　 　　1.2.1　指数　 　　1.2.2　对数　 　　1.2.3　级数　 　　1.2.4　模运算　 　　1.2.5　证明方法　 　1.3　递归的简单介绍　 　1.4　C++类　 　　1.4.1　基本class语法　 　　1.4.2　特别的构造函数语法与访问函数　 　　1.4.3　接口与实现的分离　 　　1.4.4　vector和string　 　1.5　C++细节　 　　1.5.1　指针　 　　1.5.2　参数传递　 　　1.5.3　返回值传递　 　　1.5.4　引用变量　 　　1.5.5　三大函数：析构函数、复制构造函数和operator=　 　　1.5.6　C风格的数组和字符串　 　1.6　模板　 　　1.6.1　函数模板　 　　1.6.2　类模板　 　　1.6.3　Object、Comparable和例子　 　　1.6.4　函数对象　 　　1.6.5　类模板的分离编译　 　1.7　使用矩阵　 　　1.7.1　数据成员、构造函数和基本访问函数　 　　1.7.2　operator[]　 　　1.7.3　析构函数、复制赋值和复制构造函数　 　小结　 　练习　 　参考文献　 第2章　算法分析　 　2.1　数学基础　 　2.2　模型　 　2.3　要分析的问题　 　2.4　运行时间计算　 　　2.4.1　一个简单的例子　 　　2.4.2　一般法则　 　　2.4.3　最大子序列和问题的解　 　　2.4.4　运行时间中的对数　 　　2.4.5　检验你的分析　 　　2.4.6　分析结果的准确性　　 　小结　 　练习　 　参考文献　 第3章　表、栈和队列　 　3.1　抽象数据类型(ADT)　 　3.2　表ADT　 　　3.2.1　表的简单数组实现　 　　3.2.2　简单链表　 　3.3　STL中的向量和表　 　　3.3.1　迭代器　 　　3.3.2　示例：对表使用erase　 　　3.3.3　const_iterator　 　3.4　向量的实现　 　3.5　表的实现　 　3.6　栈ADT　 　　3.6.1　栈模型　 　　3.6.2　栈的实现　 　　3.6.3　应用　 　3.7　队列ADT　 　　3.7.1　队列模型　 　　3.7.2　队列的数组实现　 　　3.7.3　队列的应用　　 　小结　 　练习　 第4章　树　 　4.1　预备知识　 　　4.1.1　树的实现　 　　4.1.2　树的遍历及应用　 　4.2　二叉树　 　　4.2.1　实现　 　　4.2.2　一个例子——表达式树　 　4.3　查找树ADT——二叉查找树　 　　4.3.1　contains　 　　4.3.2　findMin和findMax　 　　4.3.3　insert　 　　4.3.4　remove　 　　4.3.5　析构函数和复制赋值操作符　 　　4.3.6　平均情况分析　 　4.4　AVL树　 　　4.4.1　单旋转　 　　4.4.2　双旋转　 　4.5　伸展树　 　　4.5.1　一个简单的想法(不能直接使用)　 　　4.5.2　伸展　 　4.6　树的遍历　 　4.7　B树　 　4.8　标准库中的set和map　 　　4.8.1　set　 　　4.8.2　map　 　　4.8.3　set和map的实现　 　　4.8.4　使用几个map的例子　　 　小结　 　练习　 　参考文献　 第5章　散列　 　5.1　基本思想　 　5.2　散列函数　 　5.3　分离链接法　 　5.4　不使用链表的散列表　 　　5.4.1　线性探测　 　　5.4.2　平方探测　 　　5.4.3　双散列　 　5.5　再散列　 　5.6　标准库中的散列表　 　5.7　可扩散列　　 　小结　 　练习　 　参考文献　 第6章　优先队列(堆)　 　6.1　模型　 　6.2　一些简单的实现　 　6.3　二叉堆　 　　6.3.1　结构性质　 　　6.3.2　堆序性质　 　　6.3.3　基本的堆操作　 　　6.3.4　堆的其他操作　 　6.4　优先队列的应用　 　　6.4.1　选择问题　 　　6.4.2　事件模拟　 　6.5　d堆　 　6.6　左式堆　 　　6.6.1　左式堆性质　 　　6.6.2　左式堆操作　 　6.7　斜堆　 　6.8　二项队列　 　　6.8.1　二项队列结构　 　　6.8.2　二项队列操作　 　　6.8.3　二项队列的实现　 　6.9　标准库中的优先队列　 　小结　　 　练习　 　参考文献　 第7章　排序　 　7.1　预备知识　 　7.2　插入排序　 　　7.2.1　算法　 　　7.2.2　插入排序的STL实现　 　　7.2.3　插入排序的分析　 　7.3　一些简单排序算法的下界　 　7.4　谢尔排序　 　7.5　堆排序　 　7.6　归并排序　 　7.7　快速排序　 　　7.7.1　选取枢纽元　 　　7.7.2　分割策略　 　　7.7.3　小数组　 　　7.7.4　实际的快速排序例程　 　　7.7.5　快速排序的分析　 　　7.7.6　选择问题的线性期望时间算法　 　7.8　间接排序　 　　7.8.1　vector＜Comparable*＞不运行　 　　7.8.2　智能指针类　 　　7.8.3　重载operator＜　 　　7.8.4　使用“*”解引用指针　 　　7.8.5　重载类型转换操作符　 　　7.8.6　随处可见的隐式类型转换　 　　7.8.7　双向隐式类型转换会导致歧义　 　　7.8.8　指针减法是合法的　 　7.9　排序算法的一般下界　 　7.10　桶排序　 　7.11　外部排序　 　　7.11.1　为什么需要新算法　 　　7.11.2　外部排序模型　 　　7.11.3　简单算法　 　　7.11.4　多路合并　 　　7.11.5　多相合并　 　　7.11.6　替换选择　 　小结　 　练习　 　参考文献　 第8章　不相交集类　 　8.1　等价关系　　 　8.2　动态等价性问题　 　8.3　基本数据结构　 　8.4　灵巧求并算法　 　8.5　路径压缩　 　8.6　按秩求并和路径压缩的最坏情形　 　8.7　一个应用　 　小结　 　练习　 　参考文献　 第9章　图论算法　 　9.1　若干定义　 　9.2　拓扑排序　 　9.3　最短路径算法　 　　9.3.1　无权最短路径　 　　9.3.2　Dijkstra算法　 　　9.3.3　具有负边值的图　 　　9.3.4　无环图　 　　9.3.5　所有顶点对的最短路径　 　　9.3.6　最短路径举例　 　9.4　网络流问题　 　9.5　最小生成树　 　　9.5.1　Prim算法　 　　9.5.2　Kruskal算法　 　9.6　深度优先搜索的应用　 　　9.6.1　无向图　 　　9.6.2　双连通性　 　　9.6.3　欧拉回路　 　　9.6.4　有向图　 　　9.6.5　查找强分支　 　9.7　NP完全性介绍　 　　9.7.1　难与易　 　　9.7.2　NP类　 　　9.7.3　NP完全问题　　 　小结　 　练习　 　参考文献　 第10章　算法设计技巧　 　10.1　贪心算法　 　　10.1.1　一个简单的调度问题　 　　10.1.2　赫夫曼编码　 　　10.1.3　近似装箱问题　 　10.2　分治算法　 　　10.2.1　分治算法的运行时间　 　　10.2.2　最近点问题　 　　10.2.3　选择问题　 　　10.2.4　一些算术问题的理论改进　 　10.3　动态规划　 　　10.3.1　用表代替递归　 　　10.3.2　矩阵乘法的顺序安排　 　　10.3.3　最优二叉查找树　 　　10.3.4　所有点对最短路径　 　10.4　随机化算法　 　　10.4.1　随机数生成器　 　　10.4.2　跳跃表　 　　10.4.3　素性测试　 　10.5　回溯算法　 　　10.5.1　公路收费点重建问题　 　　10.5.2　博弈　 　小结　 　练习　 　参考文献　 第11章　摊还分析　 　第12章　高级数据结构及其实现

不解释，送给有眼光的人，是算法中不可缺少的一本经典之作