本书是在作者多年从事数据挖掘行业实践和相关科学研究的基础上编写而成，书中包括数据挖据理论研究及实际应用的现状分析、研究内容的组织框架、研究方法与技术路线的描述、数据挖掘理论及应用的综述、不确定性理论、多目标优化的分类器方法、模糊多目标优化的分类器模型和算法、基于粗糙集和统计贡献度的特征选择算法、基于粗糙集预处理和粗近似的多目标优化的分类器模型和算法以及基于模糊化、核方法和惩罚因子的多目标优化的分类器模型和算法等内容。本书含有不确定性多目标优化的数据挖掘在信用评分、Web客户忠诚度分析、蛋白质交互的热点区域预测以及重大疾病的医疗诊断和预测等几个经典领域中的实际应用的描述。最后，通过对研究内容和实际应用效果的总结，展望了进一步研究和应用的方向。本书可供从事数据挖掘、机器学习与知识工

特征选择是机器学习的重要研究内容，有着广泛的应用价值。特征选择主要从数据（尤其是高维数据）中选取有效特征来表示数据，从而提高机器学习算法的性能。《高维数据的特征选择：理论与算法》以重庆工商大学等单位的机器学习、图像处理课题为基础，系统地介绍特征选择的基本概念，以及相关的理论和算法，也对它的前沿研究（如无监督特征选择）和其在计算机视觉中的应用进行详细介绍，最后对特征选择的发展方向进行展望。 《高维数据的特征选择：理论与算法》理论联系实际，对教学、科研具有重要指导意义，可作为高等院校和科研机构从事机器学习的学者的参考书，亦可供从事大数据分析（如基因数据、计算机视觉）的专业技术人员参考。

本书是在作者多年从事数据挖掘行业实践和相关科学研究的基础上编写而成，书中包括数据挖据理论研究及实际应用的现状分析、研究内容的组织框架、研究方法与技术路线的描述、数据挖掘理论及应用的综述、不确定性理论、多目标优化的分类器方法、模糊多目标优化的分类器模型和算法、基于粗糙集和统计贡献度的特征选择算法、基于粗糙集预处理和粗近似的多目标优化的分类器模型和算法以及基于模糊化、核方法和惩罚因子的多目标优化的分类器模型和算法等内容。本书含有不确定性多目标优化的数据挖掘在信用评分、Web客户忠诚度分析、蛋白质交互的热点区域预测以及重大疾病的医疗诊断和预测等几个经典领域中的实际应用的描述。最后，通过对研究内容和实际应用效果的总结，展望了进一步研究和应用的方向。 本书可供从事数据挖掘、机器学

本书是作者及所在课题组近年来关于数据驱动全局优化方法研究成果的总结。先介绍数据驱动优化方法的发展现状、关键技术及常用的测试函数，然后介绍基于空间缩减的全局优化方法、基于混合代理模型的全局优化方法、基于多代理模型全局优化方法、代理模型辅助的约束全局优化方法及离散全局优化方法、代理模型辅助的高维全局优化方法。本书介绍的数据驱动全局优化方法优化效率高，新颖性和先进性强，可广泛用于解决工程优化问题。

本书介绍了 PostgreSQL 内部的工作原理，包括数据库对象的逻辑组织与物理实现，进程与内存的架构。并依次剖析了几个重要的子：查询处理、外部数据包装器、并发控制、清理过程、缓冲 区管理、WAL、备份及流复制。本书为 DBA 与开发者提供了一幅全景概念地图，有助于读者形 成对数据库实现的整体认识，亦可作为深入学习 PostgreSQL 源代码的导读手册，对于理解数据库原 理与 PostgreSQL 内部实现大有裨益。 本书适合数据库开发人员及相关领域的研究人员、数据库 DBA 及高等院校相关的学生阅读。

零基础入门，让读者轻松、快速地掌握使用Power BI 创建和设计报表的整体流程。本书为读者提供了一个轻松愉快的阅读学习体验，全彩印刷、版式灵活、颜色清爽、内容优选、案例典型、视频赠送。本书包含大量案例，读者可以边学边练，书中的大多数3 级标题以案例名称命名，既便于读者从目录中快速找到相应的案例，又能让读者了解每个知识点、每项技术的实际应用场景，从而实现技术与应用的无缝对接。为了便于读者学习和练习，本书附赠所有案例的源文件和重点案例的多媒体视频教程。本书适合想要学习使用Power BI 或Power BI for Excel 进行数据分析和报表制作的读者。如果读者对Power BI 不熟悉或从未使用过Power BI，那么学习本书可以让您在短时间内快速掌握Power BI 的使用方法，并使用它来解决实际应用中的问题。对于有使用经验的读者来说，学习本书有助于梳