写给程序员的数据挖掘实践指南

第1章 数据挖掘简介及本书使用方法　欢迎来到21世纪　并不只是对象　tb级挖掘是现实不是科幻　本书体例第2章 协同过滤-爱你所爱　如何寻找相似用户　曼哈顿距离　欧氏距离　n维下的思考　一般化　python中数据表示方法及代码　计算曼哈顿距离的代码　用户的评级差异　皮尔逊相关系数　在继续之前稍微休息一下　*后一个公式-余弦相似度　相似度的选择　一些怪异的事情　k近邻　python的一个推荐类　一个新数据集第3章 协同过滤-隐式评级及基于物品的过滤　隐式评级　调整后的余弦相似度　slope one算法　slope one算法的粗略描述图　基于python的实现　加权slope one：推荐模块　movielens数据集第4章 内容过滤及分类-基于物品属性的过滤　一个简单的例子　用python实现　给出推荐的原因　一个取值范围的问题　归一化　改进的标准分数　归一化 vs. 不归一化　回到pandora　体育项目的识别　python编程　就是它了　汽车mpg数据　杂谈第5章 分类的进一步探讨-算法评估及knn　训练集和测试集　10折交叉验证的例子　混淆矩阵　一个编程的例子　kappa统计量　近邻算法的改进　一个新数据集及挑战　更多数据、更好的算法以及一辆破公共汽车第6章 概率及朴素贝叶斯-朴素贝叶斯　微软购物车　贝叶斯定理　为什么需要贝叶斯定理　i100 i500　用python编程实现　共和党 vs. 民主党　数字　python实现　这种做法会比近邻算法好吗第7章 朴素贝叶斯及文本-非结构化文本分类　一个文本正负倾向性的自动判定系统　训练阶段第8章 聚类-群组发现　k-means聚类　sse或散度　小结　安然公司