數(shù)據(jù)挖掘導論

定　價：￥28.00

作　者：	戴紅、常子冠、于寧著
出版社：	清華大學出版社
叢編項：
標　簽：	工學教材研究生/本科/?？平滩?/td>

購買這本書可以去

ISBN：	9787302381044	出版時間：	2014-11-01	包裝：	平裝
開本：	16	頁數(shù)：	207	字數(shù)：

內(nèi)容簡介

　　本書為數(shù)據(jù)挖掘入門級教材，共分8章，主要內(nèi)容分為三個專題：技術、數(shù)據(jù)和評估。技術專題包括決策樹技術、K-means算法、關聯(lián)分析技術、神經(jīng)網(wǎng)絡技術、回歸分析技術、貝葉斯分析、凝聚聚類、概念分層聚類、混合模型聚類技術的EM算法、時間序列分析和基于Web的數(shù)據(jù)挖掘等常用的機器學習方法和統(tǒng)計技術。數(shù)據(jù)專題包括數(shù)據(jù)庫中的知識發(fā)現(xiàn)處理模型和數(shù)據(jù)倉庫及OLAP技術。評估專題包括利用檢驗集分類正確率和混淆矩陣，并結合檢驗集置信區(qū)間評估有指導學習模型，使用無指導聚類技術評估有指導模型，利用Lift和假設檢驗比較兩個有指導學習模型，使用MS Excel 2010和經(jīng)典的假設檢驗模型評估屬性，使用簇質量度量方法和有指導學習技術評估無指導聚類模型。本書秉承教材風格，強調(diào)廣度講解。注重成熟模型和開源工具的使用，以提高學習者的應用能力為目標；注重結合實例和實驗，加強基本概念和原理的理解和運用；注重實例的趣味性和生活性，提高學習者學習的積極性。使用章后練習、計算和實驗作業(yè)鞏固和檢驗所學內(nèi)容；使用詞匯表附錄，解釋和規(guī)范數(shù)據(jù)挖掘學科專業(yè)術語；使用適合教學的簡單易用開源的Weka和通用的MS Excel軟件工具實施數(shù)據(jù)挖掘驗證和體驗數(shù)據(jù)挖掘的精妙。本書可作為普通高等院校計算機科學、信息科學、數(shù)學和統(tǒng)計學專業(yè)的入門教材，也可作為如經(jīng)濟學、管理學、檔案學等對數(shù)據(jù)管理、數(shù)據(jù)分析與數(shù)據(jù)挖掘有教學需求的其他相關專業(yè)的基礎教材。同時，對數(shù)據(jù)挖掘技術和方法感興趣，致力于相關方面的研究和應用的其他讀者，也可以從本書中獲取基本的指導和體驗。本書配有教學幻燈片、大部分章后習題和實驗的參考答案以及課程大綱。

作者簡介

暫缺《數(shù)據(jù)挖掘導論》作者簡介

圖書目錄

第1章認識數(shù)據(jù)挖掘 1
1.1 數(shù)據(jù)挖掘的定義 1
1.2 機器學習 2
1.2.1 概念學習 2
1.2.2 歸納學習 3
1.2.3 有指導的學習 4
1.2.4 無指導的聚類 7
1.3 數(shù)據(jù)查詢 8
1.4 專家系統(tǒng) 8
1.5 數(shù)據(jù)挖掘的過程 9
1.5.1 準備數(shù)據(jù) 10
1.5.2 挖掘數(shù)據(jù) 10
1.5.3 解釋和評估數(shù)據(jù) 10
1.5.4 模型應用 11
1.6 數(shù)據(jù)挖掘的作用 11
1.6.1 分類 11
1.6.2 估計 12
1.6.3 預測 12
1.6.4 無指導聚類 12
1.6.5 關聯(lián)關系分析 13
1.7 數(shù)據(jù)挖掘技術 13
1.7.1 神經(jīng)網(wǎng)絡 14
1.7.2 回歸分析 14
1.7.3 關聯(lián)分析 15
1.7.4 聚類技術 16
1.8 數(shù)據(jù)挖掘的應用 16
1.8.1 應用領域 16
1.8.2 成功案例 18
1.9 Weka數(shù)據(jù)挖掘軟件 19
1.9.1 Weka簡介 19
1.9.2 使用Weka建立決策樹模型 22
1.9.3 使用Weka進行聚類 25
1.9.4 使用Weka進行關聯(lián)分析 26
本章小結 27
習題 28
第2章基本數(shù)據(jù)挖掘技術 30
2.1 決策樹 30
2.1.1 決策樹算法的一般過程 31
2.1.2 決策樹算法的關鍵技術 32
2.1.3 決策樹規(guī)則 40
2.1.4 其他決策樹算法 41
2.1.5 決策樹小結 41
2.2 關聯(lián)規(guī)則 42
2.2.1 關聯(lián)規(guī)則概述 42
2.2.2 關聯(lián)分析 43
2.2.3 關聯(lián)規(guī)則小結 46
2.3 聚類分析技術 47
2.3.1 K-means算法 48
2.3.2 K-means算法小結 51
2.4 數(shù)據(jù)挖掘技術的選擇 51
本章小結 52
習題 53
第3章數(shù)據(jù)庫中的知識發(fā)現(xiàn) 55
3.1 知識發(fā)現(xiàn)的基本過程 55
3.1.1 KDD過程模型 55
3.1.2 知識發(fā)現(xiàn)軟件 57
3.1.3 KDD過程的參與者 58
3.2 KDD過程模型的應用 58
3.2.1 步驟1：商業(yè)理解 58
3.2.2 步驟2：數(shù)據(jù)理解 59
3.2.3 步驟3：數(shù)據(jù)準備 60
3.2.4 步驟4：建模 65
3.2.5 評估 66
3.2.6 部署和采取行動 66
3.3 實驗：KDD案例 66
本章小結 72
習題 73
第4章數(shù)據(jù)倉庫 74
4.1 數(shù)據(jù)庫與數(shù)據(jù)倉庫 74
4.1.1 數(shù)據(jù)(庫)模型 75
4.1.2 規(guī)范化與反向規(guī)范化 77
4.2 設計數(shù)據(jù)倉庫 79
4.2.1 數(shù)據(jù)抽取、清洗、變換和加載 79
4.2.2 數(shù)據(jù)倉庫模型 82
4.2.3 數(shù)據(jù)集市 85
4.2.4 決策支持系統(tǒng) 86
4.3 聯(lián)機分析處理 87
4.3.1 概述 87
4.3.2 實驗：使用OLAP輔助駕駛員行為分析 90
4.4 使用Excel數(shù)據(jù)透視表和數(shù)據(jù)透視圖分析數(shù)據(jù) 93
4.4.1 創(chuàng)建簡單數(shù)據(jù)透視表和透視圖 93
4.4.2 創(chuàng)建多維透視表和透視圖 97
本章小結 100
習題 100
第5章評估技術 102
5.1 數(shù)據(jù)挖掘評估概述 102
5.1.1 評估內(nèi)容 102
5.1.2 評估工具 103
5.2 評估有指導學習模型 108
5.2.1 評估分類類型輸出模型 108
5.2.2 評估數(shù)值型輸出模型 109
5.2.3 計算檢驗集置信區(qū)間 111
5.2.4 無指導聚類技術的評估作用 112
5.3 比較有指導學習模型 112
5.3.1 使用Lift比較模型 112
5.3.2 通過假設檢驗比較模型 114
5.4 屬性評估 115
5.4.1 數(shù)值型屬性的冗余檢查 115
5.4.2 數(shù)值屬性顯著性的假設檢驗 117
5.5 評估無指導聚類模型 118
本章小結 118
習題 119
第6章神經(jīng)網(wǎng)絡技術 120
6.1 神經(jīng)網(wǎng)絡概述 120
6.1.1 神經(jīng)網(wǎng)絡模型 120
6.1.2 神經(jīng)網(wǎng)絡的輸入和輸出數(shù)據(jù)格式 121
6.1.3 激勵函數(shù) 123
6.2 神經(jīng)網(wǎng)絡訓練 124
6.2.1 反向傳播學習 124
6.2.2 自組織映射的無指導聚類 127
6.2.3 實驗：應用BP算法建立前饋神經(jīng)網(wǎng)絡 130
6.3 神經(jīng)網(wǎng)絡模型的優(yōu)勢和缺點 138
本章小結 138
習題 139
第7章統(tǒng)計技術 141
7.1 回歸分析 141
7.1.1 線性回歸分析 142
7.1.2 非線性回歸 149
7.1.3 樹回歸 151
7.2 貝葉斯分析 152
7.3 聚類技術 156
7.3.1 分層聚類 156
7.3.2 基于模型的聚類 163
7.4 數(shù)據(jù)挖掘中的統(tǒng)計技術與機器學習技術 165
本章小結 165
習題 167
第8章時間序列和基于Web的數(shù)據(jù)挖掘 169
8.1 時間序列分析 169
8.1.1 概述 169
8.1.2 線性回歸分析解決時間序列問題 173
8.1.3 神經(jīng)網(wǎng)絡技術解決時間序列問題 175
8.2 基于Web的數(shù)據(jù)挖掘 176
8.2.1 概述 176
8.2.2 Web文本挖掘 178
8.2.3 Web使用挖掘 179
8.3 多模型分類技術 185
8.3.1 裝袋技術 185
8.3.2 推進技術 185
本章小結 186
習題 187
附錄A 詞匯表 188
附錄B 數(shù)據(jù)挖掘數(shù)據(jù)集 201
參考文獻