數(shù)據(jù)挖掘?qū)д?/h1>

定　價(jià)：￥28.00

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

購(gòu)買這本書可以去

ISBN：	9787302381044	出版時(shí)間：	2014-11-01	包裝：	平裝
開(kāi)本：	16	頁(yè)數(shù)：	207	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書為數(shù)據(jù)挖掘入門級(jí)教材，共分8章，主要內(nèi)容分為三個(gè)專題：技術(shù)、數(shù)據(jù)和評(píng)估。技術(shù)專題包括決策樹(shù)技術(shù)、K-means算法、關(guān)聯(lián)分析技術(shù)、神經(jīng)網(wǎng)絡(luò)技術(shù)、回歸分析技術(shù)、貝葉斯分析、凝聚聚類、概念分層聚類、混合模型聚類技術(shù)的EM算法、時(shí)間序列分析和基于Web的數(shù)據(jù)挖掘等常用的機(jī)器學(xué)習(xí)方法和統(tǒng)計(jì)技術(shù)。數(shù)據(jù)專題包括數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)處理模型和數(shù)據(jù)倉(cāng)庫(kù)及OLAP技術(shù)。評(píng)估專題包括利用檢驗(yàn)集分類正確率和混淆矩陣，并結(jié)合檢驗(yàn)集置信區(qū)間評(píng)估有指導(dǎo)學(xué)習(xí)模型，使用無(wú)指導(dǎo)聚類技術(shù)評(píng)估有指導(dǎo)模型，利用Lift和假設(shè)檢驗(yàn)比較兩個(gè)有指導(dǎo)學(xué)習(xí)模型，使用MS Excel 2010和經(jīng)典的假設(shè)檢驗(yàn)?zāi)Ｐ驮u(píng)估屬性，使用簇質(zhì)量度量方法和有指導(dǎo)學(xué)習(xí)技術(shù)評(píng)估無(wú)指導(dǎo)聚類模型。本書秉承教材風(fēng)格，強(qiáng)調(diào)廣度講解。注重成熟模型和開(kāi)源工具的使用，以提高學(xué)習(xí)者的應(yīng)用能力為目標(biāo)；注重結(jié)合實(shí)例和實(shí)驗(yàn)，加強(qiáng)基本概念和原理的理解和運(yùn)用；注重實(shí)例的趣味性和生活性，提高學(xué)習(xí)者學(xué)習(xí)的積極性。使用章后練習(xí)、計(jì)算和實(shí)驗(yàn)作業(yè)鞏固和檢驗(yàn)所學(xué)內(nèi)容；使用詞匯表附錄，解釋和規(guī)范數(shù)據(jù)挖掘?qū)W科專業(yè)術(shù)語(yǔ)；使用適合教學(xué)的簡(jiǎn)單易用開(kāi)源的Weka和通用的MS Excel軟件工具實(shí)施數(shù)據(jù)挖掘驗(yàn)證和體驗(yàn)數(shù)據(jù)挖掘的精妙。本書可作為普通高等院校計(jì)算機(jī)科學(xué)、信息科學(xué)、數(shù)學(xué)和統(tǒng)計(jì)學(xué)專業(yè)的入門教材，也可作為如經(jīng)濟(jì)學(xué)、管理學(xué)、檔案學(xué)等對(duì)數(shù)據(jù)管理、數(shù)據(jù)分析與數(shù)據(jù)挖掘有教學(xué)需求的其他相關(guān)專業(yè)的基礎(chǔ)教材。同時(shí)，對(duì)數(shù)據(jù)挖掘技術(shù)和方法感興趣，致力于相關(guān)方面的研究和應(yīng)用的其他讀者，也可以從本書中獲取基本的指導(dǎo)和體驗(yàn)。本書配有教學(xué)幻燈片、大部分章后習(xí)題和實(shí)驗(yàn)的參考答案以及課程大綱。

作者簡(jiǎn)介

暫缺《數(shù)據(jù)挖掘?qū)д摗纷髡吆?jiǎn)介

圖書目錄

第1章認(rèn)識(shí)數(shù)據(jù)挖掘 1
1.1 數(shù)據(jù)挖掘的定義 1
1.2 機(jī)器學(xué)習(xí) 2
1.2.1 概念學(xué)習(xí) 2
1.2.2 歸納學(xué)習(xí) 3
1.2.3 有指導(dǎo)的學(xué)習(xí) 4
1.2.4 無(wú)指導(dǎo)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(guò)程 9
1.5.1 準(zhǔn)備數(shù)據(jù) 10
1.5.2 挖掘數(shù)據(jù) 10
1.5.3 解釋和評(píng)估數(shù)據(jù) 10
1.5.4 模型應(yīng)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(jì) 12
1.6.3 預(yù)測(cè) 12
1.6.4 無(wú)指導(dǎo)聚類 12
1.6.5 關(guān)聯(lián)關(guān)系分析 13
1.7 數(shù)據(jù)挖掘技術(shù) 13
1.7.1 神經(jīng)網(wǎng)絡(luò) 14
1.7.2 回歸分析 14
1.7.3 關(guān)聯(lián)分析 15
1.7.4 聚類技術(shù) 16
1.8 數(shù)據(jù)挖掘的應(yīng)用 16
1.8.1 應(yīng)用領(lǐng)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(jiǎn)介 19
1.9.2 使用Weka建立決策樹(shù)模型 22
1.9.3 使用Weka進(jìn)行聚類 25
1.9.4 使用Weka進(jìn)行關(guān)聯(lián)分析 26
本章小結(jié) 27
習(xí)題 28
第2章基本數(shù)據(jù)挖掘技術(shù) 30
2.1 決策樹(shù) 30
2.1.1 決策樹(shù)算法的一般過(guò)程 31
2.1.2 決策樹(shù)算法的關(guān)鍵技術(shù) 32
2.1.3 決策樹(shù)規(guī)則 40
2.1.4 其他決策樹(shù)算法 41
2.1.5 決策樹(shù)小結(jié) 41
2.2 關(guān)聯(lián)規(guī)則 42
2.2.1 關(guān)聯(lián)規(guī)則概述 42
2.2.2 關(guān)聯(lián)分析 43
2.2.3 關(guān)聯(lián)規(guī)則小結(jié) 46
2.3 聚類分析技術(shù) 47
2.3.1 K-means算法 48
2.3.2 K-means算法小結(jié) 51
2.4 數(shù)據(jù)挖掘技術(shù)的選擇 51
本章小結(jié) 52
習(xí)題 53
第3章數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn) 55
3.1 知識(shí)發(fā)現(xiàn)的基本過(guò)程 55
3.1.1 KDD過(guò)程模型 55
3.1.2 知識(shí)發(fā)現(xiàn)軟件 57
3.1.3 KDD過(guò)程的參與者 58
3.2 KDD過(guò)程模型的應(yīng)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(zhǔn)備 60
3.2.4 步驟4：建模 65
3.2.5 評(píng)估 66
3.2.6 部署和采取行動(dòng) 66
3.3 實(shí)驗(yàn)：KDD案例 66
本章小結(jié) 72
習(xí)題 73
第4章數(shù)據(jù)倉(cāng)庫(kù) 74
4.1 數(shù)據(jù)庫(kù)與數(shù)據(jù)倉(cāng)庫(kù) 74
4.1.1 數(shù)據(jù)(庫(kù))模型 75
4.1.2 規(guī)范化與反向規(guī)范化 77
4.2 設(shè)計(jì)數(shù)據(jù)倉(cāng)庫(kù) 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(cāng)庫(kù)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(jī)分析處理 87
4.3.1 概述 87
4.3.2 實(shí)驗(yàn)：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(jiǎn)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(jié) 100
習(xí)題 100
第5章評(píng)估技術(shù) 102
5.1 數(shù)據(jù)挖掘評(píng)估概述 102
5.1.1 評(píng)估內(nèi)容 102
5.1.2 評(píng)估工具 103
5.2 評(píng)估有指導(dǎo)學(xué)習(xí)模型 108
5.2.1 評(píng)估分類類型輸出模型 108
5.2.2 評(píng)估數(shù)值型輸出模型 109
5.2.3 計(jì)算檢驗(yàn)集置信區(qū)間 111
5.2.4 無(wú)指導(dǎo)聚類技術(shù)的評(píng)估作用 112
5.3 比較有指導(dǎo)學(xué)習(xí)模型 112
5.3.1 使用Lift比較模型 112
5.3.2 通過(guò)假設(shè)檢驗(yàn)比較模型 114
5.4 屬性評(píng)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(shè)檢驗(yàn) 117
5.5 評(píng)估無(wú)指導(dǎo)聚類模型 118
本章小結(jié) 118
習(xí)題 119
第6章神經(jīng)網(wǎng)絡(luò)技術(shù) 120
6.1 神經(jīng)網(wǎng)絡(luò)概述 120
6.1.1 神經(jīng)網(wǎng)絡(luò)模型 120
6.1.2 神經(jīng)網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)格式 121
6.1.3 激勵(lì)函數(shù) 123
6.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練 124
6.2.1 反向傳播學(xué)習(xí) 124
6.2.2 自組織映射的無(wú)指導(dǎo)聚類 127
6.2.3 實(shí)驗(yàn)：應(yīng)用BP算法建立前饋神經(jīng)網(wǎng)絡(luò) 130
6.3 神經(jīng)網(wǎng)絡(luò)模型的優(yōu)勢(shì)和缺點(diǎn) 138
本章小結(jié) 138
習(xí)題 139
第7章統(tǒng)計(jì)技術(shù) 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(shù)回歸 151
7.2 貝葉斯分析 152
7.3 聚類技術(shù) 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(jì)技術(shù)與機(jī)器學(xué)習(xí)技術(shù) 165
本章小結(jié) 165
習(xí)題 167
第8章時(shí)間序列和基于Web的數(shù)據(jù)挖掘 169
8.1 時(shí)間序列分析 169
8.1.1 概述 169
8.1.2 線性回歸分析解決時(shí)間序列問(wèn)題 173
8.1.3 神經(jīng)網(wǎng)絡(luò)技術(shù)解決時(shí)間序列問(wèn)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(shù) 185
8.3.1 裝袋技術(shù) 185
8.3.2 推進(jìn)技術(shù) 185
本章小結(jié) 186
習(xí)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(xiàn)