本書的第一部分介紹了如何使用元啟發式算法來克服數據挖掘過程中的問題，算法性能評估，并具體介紹了原啟發式算法。第二部分詳細描述了一系列的數據挖掘任務，包括聚類算法、關聯規則、監督分類法以及特征選擇，然后探討了如何通過通用啟發式算法來處理數據挖掘任務。
本書內容介紹齊全，讀者可以系統理解書中的所有概念，并且提供了將通用啟發式演算法應用到從大數據信息挖掘的相關方法總覽。
1.大數據從數據產生和數據收集開始，在數據存儲和管理階段存在不小的挑戰，本書使用元啟發式演算法作為這些挑戰的解決方案，首先，這種算法可以處理大量的難題，其次非常靈活，對不同類型的數據和文檔都能讀取。
2.本書介紹非常全面，提供了元啟發式算法應用于大數據信息挖掘的各個方面。
Clarisse DHAENENS、Laetitia JOURDAN，兩人均是法國里爾大學的教授，CRIStAL實驗室(計算機科學、信號和自動化研究中心)，以及法國國家信息與自動化研究所（INRIA）的研究團隊成員。
目錄
第1章 優化與大數據 //1
1．1 大數據環境 //2
1．1．1 大數據環境示例 //3
1．1．2 定義 //4
1．1．3 大數據面臨的挑戰 //6
1．1．4 元啟發式算法和大數據 //9
1．2 大數據中的知識發現 //11
1．2．1 數據挖掘與知識發現 //11
1．2．2 主要的數據挖掘任務 //13
1．2．3 數據挖掘任務作為優化問題 //17
1．3 數據挖掘算法的性能分析 //17
1．3．1 環境 //17
1．3．2 一個或多個數據集評估 //19
1．3．3 存儲庫和數據集 //20
1．4 本章小結 //21
第2章 元啟發式算法簡介 //23
2．1 引言 //24
2．1．1 組合優化問題 //25
2．1．2 解決組合優化問題 //25
2．1．3 優化方法的主要類型 //26
2．2 元啟發式算法的通用概念 //27
2．2．1 表示/編碼 //27
2．2．2 約束滿足 //28
2．2．3 優化標準/目標函數 //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 結合局部搜索方法 //36
2．4 基于群體的元啟發式算法 //37
2．4．1 進化計算 //38
2．4．2 群智能算法 //41
2．5 多目標元啟發式算法 //43
2．5．1 多目標優化的基本概念 //44
2．5．2 使用元啟發式算法進行多目標優化 //46
2．5．3 多目標優化的性能評估 //50
2．6 本章小結 //51
第3章 元啟發式算法與并行優化 //53
3．1 并行計算 //54
3．1．1 位級別并行 //55
3．1．2 指令級并行 //55
3．1．3 任務與數據并行 //55
3．2 并行元啟發式算法 //56
3．2．1 一般概念 //56
3．2．2 并行基于單一解的元啟發式算法 //56
3．2．3 并行基于總體的元啟發式算法 //58
3．3 并行元啟發式算法的基礎設施和技術 //58
3．3．1 分布式模型 //58
3．3．2 硬件型號 //59
3．4 質量措施 //62
3．4．1 加速 //62
3．4．2 效率 //62
3．4．3 串行分數 //63
3．5 本章小結 //63
第4章 元啟發式算法與聚類算法 //65
4．1 任務描述 //66
4．1．1 劃分法 //67
4．1．2 層次法 //68
4．1．3 基于網格法 //70
4．1．4 基于密度法 //70
4．2 大數據與聚類分析 //71
4．3 優化模型 //71
4．3．1 組合問題 //71
4．3．2 質量措施 //72
4．3．3 表示 //79
4．4 方法概述 //83
4．5 驗證 //84
4．5．1 內部驗證 //86
4．5．2 外部驗證 //86
4．6 本章小結 //88
第5章 元啟發式算法與關聯規則 //89
5．1 任務描述和經典算法 //91
5．1．1 初始化問題 //91
5．1．2 先驗算法 //92
5．2 優化模型 //93
5．2．1 組合問題 //93
5．2．2 質量測量 //93
5．2．3 單目標還是多目標問題 //95
5．3 關聯規則挖掘問題的元啟發式算法概述 //96
5．3．1 一般性 //96
5．3．2 分類關聯規則的元啟發式算法 //97
5．3．3 定量關聯規則的進化算法 //102
5．3．4 模糊關聯規則的元啟發式算法 //105
5．4 總表 //108
5．5 本章小結 //110
第6章 元啟發式算法與（監督）分類 //111
6．1 任務描述和標準算法 //112
6．1．1 問題描述 //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 人工神經網絡 //115
6．1．6 支持向量機 //116
6．2 優化模型 //117
6．2．1 組合問題 //117
6．2．2 質量措施 //117
6．2．3 監督分類的性能評估方法 //119
6．3 構建標準分類器的元啟發式算法 //120
6．3．1 KNN算法優化 //120
6．3．2 決策樹 //121
6．3．3 ANN算法優化 //124
6．3．4 SVM算法優化 //125
6．4 元啟發式算法分類規則 //127
6．4．1 建模 //127
6．4．2 目標函數 //128
6．4．3 算子 //130
6．4．4 算法 //131
6．5 本章小結 //133
第7章 使用元啟發式算法在分類中進行特征選擇 //135
7．1 任務描述 //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 優化模型 //139
7．2．1 組合優化問題 //139
7．2．2 表示 //140
7．2．3 算子 //141
7．2．4 質量測量 //141
7．2．5 驗證 //144
7．3 算法概述 //144
7．4 本章小結 //145
第8章 框架 //147
8．1 設計元啟發式算法的框架 //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 數據挖掘框架 //153
8．2．1 Orange //154
8．2．2 R與Rattle GUI //154
8．3 元啟發式算法數據挖掘框架 //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 //159
結論 //161
參考文獻 //163
新書資訊