數(shù)據(jù)挖掘原理（第4版）

定　價(jià)：￥118.00

作　者：	麥克斯·布拉默（Max Bramer），李曉著
出版社：	清華大學(xué)出版社
叢編項(xiàng)：	計(jì)算機(jī)科學(xué)典范教材
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787302596493	出版時(shí)間：	2022-01-01	包裝：
開本：	16開	頁數(shù)：	461	字?jǐn)?shù)：

內(nèi)容簡介

　　本書解釋、探索了數(shù)據(jù)挖掘的主要技術(shù)，可以從數(shù)據(jù)中自動(dòng)提取隱式和潛在有用的信息。數(shù)據(jù)挖掘越來越多地用于商業(yè)、科學(xué)和其他應(yīng)用領(lǐng)域，它側(cè)重于分類、關(guān)聯(lián)規(guī)則挖掘和聚類。書中對(duì)每個(gè)主題都進(jìn)行了清晰的解釋，重點(diǎn)是算法而不是數(shù)學(xué)公式，并通過詳細(xì)的有效示例加以說明。本書是為沒有強(qiáng)數(shù)學(xué)或統(tǒng)計(jì)學(xué)背景的讀者寫的，并詳細(xì)解釋了使用的所有公式。本書適合作為本科生或研究生層次的教材，適用專業(yè)包括計(jì)算機(jī)科學(xué)、商業(yè)研究、市場營銷、人工智能、生物信息學(xué)和法醫(yī)學(xué)。為了幫助讀者自學(xué)，本書旨在幫助普通讀者理解什么是“黑盒”，這樣他們就可以有差別地使用商業(yè)數(shù)據(jù)挖掘包，高級(jí)讀者或?qū)W術(shù)研究者可以對(duì)未來該領(lǐng)域的技術(shù)進(jìn)步做出貢獻(xiàn)。書中每一章都有實(shí)踐練習(xí)，讓讀者檢查自己的進(jìn)度。附錄還包括所使用的技術(shù)術(shù)語的完整術(shù)語表。數(shù)據(jù)挖掘原理包括對(duì)流數(shù)據(jù)分類算法的介紹，包括平穩(wěn)數(shù)據(jù)（底層模型是固定的）和依賴時(shí)間的數(shù)據(jù)（底層模型不時(shí)變化）——這種現(xiàn)象稱為概念漂移。本書提供了前饋神經(jīng)網(wǎng)絡(luò)與反向傳播的詳細(xì)描述，并顯示它如何可以用于分類。

作者簡介

　　麥克斯·布拉默是英國樸次茅斯大學(xué)信息技術(shù)系榮譽(yù)教授、IFIP副主席、英國計(jì)算機(jī)學(xué)會(huì)AI專家組主席。自從 “數(shù)據(jù)挖掘”“數(shù)據(jù)庫中的知識(shí)發(fā)現(xiàn)”“大數(shù)據(jù)”和“預(yù)測(cè)分析”等技術(shù)興起以來，Max積極參與了多個(gè)數(shù)據(jù)挖掘項(xiàng)目，尤其是與數(shù)據(jù)自動(dòng)分類相關(guān)的項(xiàng)目。Max發(fā)表了大量技術(shù)文章，曾撰寫Research and Development in Intelligent Systems等著作。Max具有多年的本科和研究生教學(xué)經(jīng)驗(yàn)。

圖書目錄

第1章數(shù)據(jù)挖掘簡介
1.1 數(shù)據(jù)爆炸
1.2 知識(shí)發(fā)現(xiàn)
1.3 數(shù)據(jù)挖掘的應(yīng)用
1.4 標(biāo)簽數(shù)據(jù)和無標(biāo)簽數(shù)據(jù)
1.5 監(jiān)督學(xué)習(xí)：分類
1.6 監(jiān)督學(xué)習(xí)：數(shù)值預(yù)測(cè)
1.7 無監(jiān)督學(xué)習(xí)：關(guān)聯(lián)規(guī)則
1.8 無監(jiān)督學(xué)習(xí)：聚類
第2章用于挖掘的數(shù)據(jù)
2.1 標(biāo)準(zhǔn)制定
2.2 變量的類型
2.3 數(shù)據(jù)準(zhǔn)備
2.4 缺失值
2.4.1 丟棄實(shí)例
2.4.2 用最頻繁值/平均值替換
2.5 減少屬性個(gè)數(shù)
2.6 數(shù)據(jù)集的UCI存儲(chǔ)庫
2.7 本章小結(jié)
2.8 自我評(píng)估練習(xí)
第3章分類簡介：樸素貝葉斯和最近鄰算法
3.1 什么是分類
3.2 樸素貝葉斯分類器
3.3 最近鄰分類
3.3.1 距離測(cè)量
3.3.2 標(biāo)準(zhǔn)化
3.3.3 處理分類屬性
3.4 急切式和懶惰式學(xué)習(xí)
3.5 本章小結(jié)
3.6 自我評(píng)估練習(xí)
第4章使用決策樹進(jìn)行分類
4.1 決策規(guī)則和決策樹
4.1.1 決策樹：高爾夫示例
4.1.2 術(shù)語
4.1.3 degrees數(shù)據(jù)集
4.2 TDIDT算法
4.3 推理的類型
4.4 本章小結(jié)
4.5 自我評(píng)估練習(xí)
第5章決策樹歸納：使用熵進(jìn)行屬性選擇
5.1 屬性選擇：一個(gè)實(shí)驗(yàn)
5.2 替代決策樹
5.2.1 足球/無板籃球示例
5.2.2 匿名數(shù)據(jù)集
5.3 選擇要分裂的屬性：使用熵
……
第6章決策樹歸納：使用頻率表進(jìn)行屬性選擇
第7章估計(jì)分類器的預(yù)測(cè)精度
第8章連續(xù)屬性
第9章避免決策樹的過度擬合
第10章關(guān)于熵的更多信息
第11章歸納分類的模塊化規(guī)則
第12章度量分類器的性能
第13章處理大量數(shù)據(jù)
第14章集成分類
第15章比較分類器
第16章關(guān)聯(lián)規(guī)則挖掘Ⅰ
第17章關(guān)聯(lián)規(guī)則挖掘Ⅱ
第18章關(guān)聯(lián)規(guī)則挖掘Ⅲ：頻繁模式樹
第19章聚類
第20章文本挖掘
第21章分類流數(shù)據(jù)
第22章分類流數(shù)據(jù)Ⅱ：時(shí)間權(quán)關(guān)數(shù)據(jù)
第23章神經(jīng)網(wǎng)絡(luò)概論
附錄A 基本數(shù)學(xué)知識(shí)
附錄B 數(shù)據(jù)集
附錄C 更多信息來源
附錄D 詞匯表和符號(hào)
附錄E 自我評(píng)估練習(xí)題答案