包邮数据挖掘:概念、模型、方法和算法

1星价 ¥58.5 (7.3折)

2星价￥58.5 定价￥79.8

作者：坎塔尔季奇

出版社：清华大学出版社

本类榜单：教材

分类：教材 > 研究生/本科/专科教材 > 工学

暂无评论

图文详情

ISBN：9787302307143
装帧：一般胶版纸
册数：暂无
重量：暂无
开本：16开
页数：403
出版时间：2017-10-01
条形码：9787302307143 ; 978-7-302-30714-3

本书特色

随着数据集规模和复杂度的持续上升，分析员必须利用更高级的软件工具来执行间接的、自动的智能化数据分析。《数据挖掘：概念、模型、方法和算法(第2版)》介绍了通过分析高维数据空间中的海量原始数据来提取用于决策的新信息的尖端技术和方法。　　本书开篇阐述数据挖掘原理，此后在示例的引导下详细讲解起源于统计学、机器学习、神经网络、模糊逻辑和演化计算等学科的具有代表性的、*前沿的挖掘方法和算法。本书还着重描述如何恰当地选择方法和数据分析软件并合理地调整参数。每章末尾附有复习题。　　本书主要用作计算机科学、计算机工程和计算机信息系统专业的研究生数据挖掘教材，高年级本科生或具备同等教育背景的读者也完全可以理解本书的所有主题。本书特色◆ 介绍支持向量机(SVM)和Kohonen映射◆ 讲解DBSCAN、BIRCH和分布式DBSCAN聚类算法◆ 介绍贝叶斯网络，讨论图形中的Betweeness和Centrality参数测量算法◆ 分析在建立决策树时使用的CART算法和基尼指数◆ 介绍Bagging & Boosting集成学习方法，并详述AdaBoost算法◆ 讨论Relief以及PageRank算法◆ 讨论文本挖掘的潜在语义分析(LSA)，并分析如何测定文本文档之间的语义相似性◆ 讲解时态、空间、Web、文本、并行和分布式数据挖掘等新主题◆ 更详细地讲解数据挖掘技术商业、隐私、安全和法律方面的内容

内容简介

从《数据挖掘：概念、模型、方法和算法》第1 版出版以来的7年中，数据挖掘领域在开发新技术和拓展其应用范围方面有了长足的进步。正是数据挖掘领域中的这些变化，令笔者下定决心修订本书的第1 版，出版第2版。本版的核心内容并没有改变，但汇总了这个快速变化的领域中的*进展，呈现了数据挖掘在学术研究和商业应用领域的*尖端技术。与第1 版相比，*显著的变化是添加了如下内容：??一些新主题，例如集成学习、图表挖掘、时态、空间、分布式和隐私保护等的数据挖掘；??一些新算法，例如分类递归树(CART)，DBSCAN (Density-Based Spatial Clustering of Applications with Noise)、BIRCH(Balanced and Iterative Reducing and Clustering Using Hierarchies)、PageRank、AdaBoost、支持向量机(SVM)、Kohonen 自组织映射(SOM)和潜在语义索引(LSI)；??详细介绍数据挖掘过程的实用方面和商用理解，讨论验证、部署、数据理解、因果关系、安全和隐私等重要问题；??比较数据挖掘模型的一些量化方式方法，如ROC 曲线、增益图、ROI 图、McNemar测试和K 折交叉验证成对t 测试。

目录第1章数据挖掘的概念 11.1 概述 11.2 数据挖掘的起源 31.3 数据挖掘过程 41.4 大型数据集 71.5 数据仓库 101.6 数据挖掘的商业方面：为什么数据挖掘项目会失败 131.7 本书结构安排 151.8 复习题 161.9 参考书目 17第2章数据准备 192.1 原始数据的表述 192.2 原始数据的特性 232.3 原始数据的转换 242.3.1 标准化 242.3.2 数据平整 252.3.3 差值和比率 252.4 丢失数据 262.5 时间相关数据 272.6 异常点分析 302.7 复习题 352.8 参考书目 38第3章数据归约 413.1 大型数据集的维度 413.2 特征归约 433.2.1 特征选择 443.2.2 特征提取 483.3 Relief算法 503.4 特征排列的熵度量 513.5 主成分分析 533.6 值归约 553.7 特征离散化：ChiMerge技术 583.8 案例归约 613.9 复习题 633.10 参考书目 64第4章从数据中学习 674.1 学习机器 684.2 统计学习原理 724.3 学习方法的类型 754.4 常见的学习任务 774.5 支持向量机 804.6 kNN：*近邻分类器 904.7 模型选择与泛化 924.8 模型的评估 954.9 90%准确的情形 1004.9.1 保险欺诈检测 1014.9.2 改进心脏护理 1024.10 复习题 1034.11 参考书目 104第5章统计方法 1075.1 统计推断 1075.2 评测数据集的差异 1095.3 贝叶斯定理 1125.4 预测回归 1145.5 方差分析 1185.6 对数回归 1205.7 对数-线性模型 1215.8 线性判别分析 1245.9 复习题 1265.10 参考书目 128第6章决策树和决策规则 1316.1 决策树 1326.2 C4.5算法：生成决策树 1346.3 未知属性值 1396.4 修剪决策树 1426.5 C4.5算法：生成决策规则 1436.6 CART算法和Gini指标 1466.7 决策树和决策规则的局限性 1486.8 复习题 1506.9 参考书目 153第7章人工神经网络 1557.1 人工神经元的模型 1567.2 人工神经网络的结构 1597.3 学习过程 1617.4 使用ANN完成的学习任务 1647.4.1 模式联想 1647.4.2 模式识别 1647.5 多层感知机 1667.6 竞争网络和竞争学习 1727.7 SOM 1747.8 复习题 1787.9 参考书目 180第8章集成学习 1838.1 集成学习方法论 1848.2 多学习器组合方案 1878.3 bagging和boosting 1888.4 AdaBoost算法 1898.5 复习题 1908.6 参考书目 193第9章聚类分析 1959.1 聚类的概念 1959.2 相似度的度量 1989.3 凝聚层次聚类 2039.4 分区聚类 2069.5 增量聚类 2089.6 DBSCAN算法 2119.7 BIRCH 算法 2139.8 聚类验证 2159.9 复习题 2159.10 参考书目 218第10章关联规则 22110.1 购物篮分析 22210.2 Apriori 算法 22310.3 从频繁项集中得到关联规则 22510.4 提高Apriori算法的效率 22610.5 FP增长方法 22710.6 关联分类方法 22910.7 多维关联规则挖掘 23110.8 复习题 23210.9 参考书目 236第11章 Web挖掘和文本挖掘 23711.1 Web挖掘 23711.2 Web内容、结构与使用挖掘 23811.3 HITS和LOGSOM算法 24011.4 挖掘路径遍历模式 24511.5 PageRank算法 24711.6 文本挖掘 24911.7 潜在语义分析 25211.8 复习题 25511.9 参考书目 257第12章数据挖掘高级技术 25912.1 图挖掘 25912.2 时态数据挖掘 27012.2.1 时态数据表示 27112.2.2 序列之间的相似性度量 27412.2.3 时态数据模型 27612.2.4 数据挖掘 27712.3 空间数据挖掘(SDM) 28112.4 分布式数据挖掘(DDM) 28412.5 关联并不意味着存在因果关系 29012.6 数据挖掘的隐私、安全及法律问题 29512.7 复习题 29912.8 参考书目 300第13章遗传算法 30313.1 遗传算法的基本原理 30413.2 用遗传算法进行优化 30513.2.1 编码方案和初始化 30613.2.2 适合度估计 30613.2.3 选择 30713.2.4 交叉 30813.2.5 突变 30813.3 遗传算法的简单例证 31013.3.1 表述 31013.3.2 初始群体 31113.3.3 评价 31113.3.4 交替 31213.3.5 遗传算子 31213.3.6 评价(第二次迭代) 31313.4 图式 31413.5 旅行推销员问题 31613.6 使用遗传算法的机器学习 31813.6.1 规则交换 32013.6.2 规则概化 32013.6.3 规则特化 32113.6.4 规则分割 32113.7 遗传算法用于聚类 32113.8 复习题 32313.9 参考书目 324第14章模糊集和模糊逻辑 32714.1 模糊集 32714.2 模糊集的运算 33214.3 扩展原理和模糊关系 33514.4 模糊逻辑和模糊推理系统 33914.5 多因子评价 34214.6 从数据中提取模糊模型 34414.7 数据挖掘和模糊集 34914.8 复习题 35014.9 参考书目 352第15章可视化方法 35315.1 感知和可视化 35315.2 科学可视化和信息可视化 35415.3 平行坐标 35915.4 放射性可视化 36115.5 使用自组织映射进行可视化 36315.6 数据挖掘的可视化系统 36515.7 复习题 36815.8 参考书目 369附录A 数据挖掘工具 371附录B 数据挖掘应用 393

展开全部