本书基于作者多年来在动态数据挖掘方面的研究成果，全面系统地总结了集成学习及其在动态数据挖掘领域的基础理论与实际应用方面的近期新研究，引导读者从理论到实践再到应用，由浅入深地学习如何将集成学习应用于动态数据挖掘领域。本书从理论研究基础和代表性方法的角度介绍集成学习的基础知识，并针对时间序列和数据流两种不同类型的动态数据及其在挖掘过程中涉及的基本概念与理论进行介绍，最后集中讨论集成学习在动态数据挖掘中的热门方法和应用场景。

目录
第1章 绪论 1
1.1 数据挖掘 1
1.2 动态数据挖掘的定义 3
1.2.1 时间序列的基本概念 3
1.2.2 数据流的基本概念 4
1.3 集成学习方法 6
1.4 关于本书 7
第2章 集成学习的概念与算法 9
2.1 集成学习模型构建 9
2.1.1 并行集成法 10
2.1.2 提升法 14
2.2 模型融合方法 20
2.2.1 监督式融合方法 20
2.2.2 非监督式融合方法 22
2.3 模型的多样性 32
第3章 动态数据挖掘 39
3.1 动态数据表征 40
3.1.1 基于时域的表征方法 40
3.1.2 基于变换的表征方法 41
3.1.3 基于生成式模型的表征方法 43
3.1.4 基于深度学习模型的表征方法 44
3.2 动态数据的相似性度量方法 48
3.2.1 时间序列的相似性度量 49
3.2.2 数据流的概念漂移检测 51
3.3 动态数据的挖掘任务 58
第4章 时间序列数据挖掘的集成学习算法 61
4.1 时间序列挖掘 61
4.1.1 问题描述 61
4.1.2 算法种类 62
4.1.3 性能评估 63
4.2 时间序列集成学习算法 66
4.2.1 时间序列聚类集成 66
4.2.2 时间序列分类集成 71
4.2.3 时间序列回归集成 74
第5章 数据流数据挖掘的集成学习算法 78
5.1 数据流挖掘 78
5.1.1 问题描述 78
5.1.2 算法种类 79
5.1.3 性能评估 80
5.2 数据流集成学习算法 83
5.2.1 静态数据流的增量集成学习算法 84
5.2.2 静态数据流的在线集成学习算法 87
5.2.3 动态数据流的增量集成学习算法 89
5.2.4 动态数据流的在线集成学习算法 93
5.2.5 数据流的回归算法 97
参考文献 99