具体描述
内容简介
聚类是数据挖掘领域的一个重要分支。《数据聚类》全面系统地介绍聚类的主要方法。首先，对涉及聚类的各个方面进行简略的综述；然后，对各类聚类算法进行较详细的讨论。
《数据聚类》主要内容分为三大部分：第1部分是经典算法部分（第2～6章），讨论k-均值、DBSCAN等传统算法；第二部分是高级算法部分（第7～12章），讨论半监督聚类、高维数据聚类、不确定数据聚类等；第三部分是多源数据聚类部分（第13章），主要讨论多视角聚类和多任务聚类。
《数据聚类》可供数据科学与人工智能等领域的研究人员、工程技术人员、相关学科研究生和基础较好的高年级本科生参考阅读。
内页插图
目录
序前言
符号表
1 概述
1．1 问题描述
1．2 方法进展
1．2．1 经典算法
1．2．2 高级算法
1．2．3 多源数据算法
1．3 半监督聚类
1．4 数据类型
1．4．1 属性数据
1．4．2 离散序列数据
1．4．3 时间序列数据
1．4．4 文本数据
1．4．5 多媒体数据
1．4．6 流数据
1．4．7 各类数据聚类技术汇总
1．5 衍生问题
1．5．1 特征选择
1．5．2 测度学习
1．5．3 聚类集成
1．5．4 软聚类
1．5．5 多解聚类
1．5．6 聚类验证
1．5．7 可视化与交互聚类
1．6 新的挑战
1．6．1 大数据聚类
1．6．2 多模数据聚类
1．6．3 深度聚类
1．7 结论
参考文献
2 基于模型的聚类
2．1 混合模型
2．1．1 混合模型简介
2．1．2 高斯混合模型
2．1．3 伯努利混合模型
2．1．4 混合模型选择
2．2 期望最大化算法
2．2．1 詹森不等式
2．2．2 期望最大化算法分析
2．2．3 期望最大化算法框架
2．2．4 期望最大化扩展算法
2．3 求解高斯混合模型
2．4 求解伯努利混合模型
参考文献
3 基于划分的聚类算法
3．1 划分方法概述
3．2 k-均值算法
3．2．1 目标函数
3．2．2 算法流程
3．2．3 性能分析
3．2．4 k的选择
3．2．5 初始中心点选择
3．3 类k-均值算法
3．3．1 k-中心点算法
3．3．2 k-中值算法
3．3．3 k-modes算法
3．3．4 模糊k-均值算法
3．3．5 核k-均值算法
3．3．6 二分k-均值算法
3．4 改进的k-均值算法
3．4．1 改进的k-均值算法概述
3．4．2 基于边界值的k-均值算法
3．4．3 阴阳k-均值算法
3．4．4 基于块向量的加速k-均值算法
参考文献
4 基于密度的聚类算法
4．1 密度算法概述
4．2 DBSCAN算法
4．2．1 基本定义及算法流程
4．2．2 算法分析
4．3 OPTICS算法
4．3．1 基本定义及算法流程
4．3．2 算法分析
4．4 DENCLUE算法
……
5 基于网格的聚类算法
6 层次聚类算法
7 半监督聚类
8 谱聚类
9 基于非负矩阵分解的聚类
10 高维数据聚类
11 图聚类
12 不确定数据聚类
13 多源相关数据聚类
后记
彩版
前言/序言
2016年初，谷歌围棋Alpha Go以4：1的成绩战胜了人类围棋世界冠军李世石，引起全世界的关注，这标志着人工智能的发展进入了一个全新的阶段。近几年来，人工智能得到飞速的发展，在很多领域如图像识别、语音识别等方面取得了突破性的进步。人工智能的研究也得到全世界学术界和产业界的高度关注，进入了一个新的高潮期。种种迹象表明，人类进入全方位智能时代已经为期不远了。所有这一切几乎均得益于神经网络的新技术——深度学习的发现和发展（非常有趣的是人工智能的几次高潮均来自神经网络的进步，可见神经网络的生命力）。深度学习的概念由Hinton等于2006年提出，在近年来已经逐渐成为机器学习的主流技术，在多数应用领域的性能明显超出已有技术。机器学习包括监督学习和无监督学习。目前的深度学习基本上只带来监督学习的进步，但仅靠监督学习是无法实现完整的人工智能的。作为智能系统，监督学习似乎足够“能”而不足够“智”。足够“能”体现为它能够在大数据中挖掘知识，这甚至是人脑做不到的。事实上人脑并不是处理大数据的系统，人类在任何领域所掌握的知识均有限，例如，每个人仅认识数干个汉字或单词。不足够“智”体现为监督学习需要大量人工标记的训练样本。人脑的学习并不需要大量的样本训练，人类是在没有指导或少量指导的条件下获得知识的，而且人脑会不断地学习并强化自己在各个领域的知识。人类在有限知识的基础上体现出惊人的创造力。类似人脑的智能系统更需要无监督学习、小样本学习、强化学习和迁移学习等功能。因此，人工智能的发展仍然任重而道远。
本书讨论聚类技术。聚类是无监督学习的主要内容，在很多文献中人们甚至把聚类和无监督学习两个概念等价使用。聚类一直是机器学习、数据挖掘、模式识别等领域的重要组成内容，近年来更得到高度重视。2015年，中国人工智能学会理事长李德毅院士在“新一代信息技术产业发展高峰论坛”上指出：“人类的认知科学要想有所突破，首先就要在大数据聚类上取得突破，聚类是挖掘大数据资产价值的第一步。”同年，深度学习的领军人物Lecun、Bengio和Hinton在Nature上的综述指出：“人和动物的学习很大程度上是无监督的：我们通过观察发现世界的结构，而不是对每个物体命名。”
那么什么是聚类呢？《周易·系辞上》说：“方以类聚，物以群分，吉凶生矣。”自然的事物总是按一定的规律组织起来的，人们通过认识这些组织的结构特征获得知识，从而做出决策。以生物为例（我们这个世界是因为有生物而活泼生动的），人们根据生物的相似程度（包括形态结构和生理功能等），把生物划分为种和属等不同的等级，并对每一类群的形态结构和生理功能等特征进行科学的描述，以弄清不同类群之间的亲缘关系和进化关系。相信很多人小时候学习生物时都会惊讶于鲸居然是哺乳动物而不是鱼，猫和老虎是同一科等。
和分类（监督学习的主要任务）不同，聚类是在无标记样本的条件下将数据分组，从而发现数据的天然结构。聚类在数据分析中扮演重要的角色，它通常被用于以下三个方面。
（1）发现数据的潜在结构：深入洞察数据、产生假设、检测异常、确定主要特征。
（2）对数据进行自然分组：确定不同组织之间的相似程度（系统关系）。
（3）对数据进行压缩：将聚类原型作为组织和概括数据的方法。
这几个方面的功能使聚类既可以作为预处理程序，又可以作为独立的数据分析工具。
聚类是典型的交叉学科，在很多领域有广泛的应用，其研究已有60多年的历史。生物分类学者、社会学者、哲学家、生物学家、统计学家、数学家、工程师、计算机科学家、医学研究者等众多收集和处理实际数据的工作者都对聚类方法做出了贡献。在不同的领域，聚类还可能被称为Q-分析、拓扑、凝结、分类等。聚类的概念最早出现在1954年的一篇处理人类学数据的论文中。自此开始，聚类一直是相关领域重要的研究内容之一。2009年，有人用谷歌学术搜索做过统计，发现仅2007年一年就有1660个包含“数据聚类”的条目。几十年来有数以万计的文献讨论聚类算法及其在科学和工程领域的应用，这充分说明聚类对数据分析的重要性。
用户评价
这本书就像一个宝箱，打开后里面全是解决各种问题的“钥匙”。我一直对解决实际问题充满热情，但常常在面对复杂的情况时感到无从下手。这本书提供了一种系统性的思考框架，让我能够将复杂的问题分解，然后用数据和算法去逐一攻破。我特别喜欢书中关于异常检测的章节，它让我明白了如何在海量数据中快速识别出不寻常的模式，这对于金融风控、网络安全等领域都至关重要。还有关于趋势预测的部分，它让我看到如何利用历史数据来预测未来的走向，这对于商业决策、资源规划都具有极高的参考价值。这本书的好处在于，它不仅仅是理论的堆砌，更是方法的传授。作者通过大量的实例，演示了如何将这些方法应用到实际场景中，让我能够举一反三，触类旁通。我感觉自己不仅仅是学会了一些算法，更是学会了一种解决问题的能力。它让我明白，数据背后蕴含着无限的可能性，只要我们掌握正确的方法，就能够从中提取出有价值的信息，解决现实世界中的各种挑战。这本书，让我从一个“问题解决者”升级为了一个“数据驱动的问题解决者”。
评分读完这本书，我最大的感受就是它极大地拓宽了我的思路。作为一名产品经理，我一直致力于理解用户需求，优化产品体验，但往往陷入一些固有的思维模式。这本书提供了一个全新的视角，让我看到如何从海量的用户行为数据中挖掘出更深层次的洞察。书里对于不同用户群体的划分和分析，让我对“用户画像”有了更立体、更动态的认识，不再是简单的年龄、性别、职业标签。我尤其对书中关于“个性化推荐”的章节印象深刻，它不仅仅是简单的“你可能喜欢”，而是深入探讨了如何理解用户的偏好演变，如何根据用户的实时行为调整推荐策略。这对我来说，简直是打开了一扇新的大门。此外，这本书还强调了数据分析的“闭环”思维，即从数据收集、分析到应用、反馈，再到新一轮的数据收集，形成一个不断优化的过程。这种系统性的方法论，让我意识到数据分析并非一次性的工作，而是一个持续迭代、不断精进的旅程。我感觉自己的工作方法得到了升华，不再是凭感觉做决策，而是能够用数据来支撑每一个关键性的选择，让产品朝着更符合用户需求的方向发展。这本书真的是给我带来了巨大的启发，让我对数据有了全新的敬畏感和探索欲。
评分这本书，就像一位技艺精湛的匠人，将原本杂乱无章的数据，打磨成了具有清晰脉络和独特价值的艺术品。我之前对数据处理一直有些畏惧，觉得那些庞杂的算法和模型遥不可及。但这本书用一种非常接地气的方式，一步步地引导我认识到数据分析的魅力。我喜欢作者在解释每一个概念时，都配有详实的数学推导和直观的图示，让我能够理解“为什么”这样做，而不仅仅是“怎么”做。特别是关于特征工程的部分，作者讲解得非常细致，让我明白如何从原始数据中提取出最有意义的信息，就像是给数据“量身定做”合适的服装，让它们在分析中更具表现力。书中的模型解释和评估章节，更是让我受益匪浅。我以前总是不知道如何判断一个模型的优劣，读了这本书之后，我学会了从多个维度去审视模型的性能，理解了各种评估指标的含义和局限性。这让我对模型的选择和调优有了更清晰的方向。总而言之，这本书不仅仅是关于数据处理的技术手册，更是一部关于如何“理解”和“驾驭”数据的哲学。它让我看到了数据背后隐藏的故事，学会了如何用逻辑和算法去解读这些故事，从而做出更明智的决策。
评分哇，这本书简直就是我一直以来在寻找的宝藏！我一直对数据分析有着浓厚的兴趣，但总觉得很多理论知识太过枯燥，难以理解。这本书的出现，彻底改变了我的看法。作者用一种非常生动有趣的方式，将抽象的概念变得具体可感。我尤其喜欢书中那些引人入胜的案例分析，它们不是那种干巴巴的教科书式例子，而是从实际应用场景出发，比如用户画像的构建，营销活动的精准推送，甚至是病理图像的分析。每一个案例都让我看到数据背后隐藏的巨大价值。更重要的是，作者并没有仅仅停留在理论层面，而是详细地讲解了实现这些分析的各种方法和工具。我以前对一些算法的理解很模糊，读了这本书之后，感觉豁然开朗，仿佛眼前多了一幅清晰的地图，指引我如何一步步去探索数据的奥秘。书中的图表和可视化也非常出色，它们能够直观地展示复杂的统计结果，让我更容易理解模型的输出和数据的分布。我感觉自己不仅仅是在阅读一本技术书籍，更像是在和一位经验丰富的导师进行一次深入的交流。这本书的阅读体验，就像是在品味一杯醇厚的美酒，每一口都能感受到其中的层次和回甘。我迫不及待地想把书中的知识应用到我自己的项目中，相信它会给我带来意想不到的惊喜。
评分老实说，我一开始抱着一种“试试看”的心态来读这本书，因为我一直觉得数据分析离我的领域（市场营销）有些遥远。但事实证明，我的想法太片面了！这本书用非常贴近实际应用的方式，让我看到了数据分析在市场营销中的巨大潜力。比如，书中关于客户细分和行为预测的部分，简直就是为我们营销人员量身定做的。我以前总是依靠经验和直觉来制定营销策略，但现在我明白了，通过数据分析，我们可以更精准地找到目标客户，制定更具针对性的营销活动，从而提高转化率，降低成本。书中提到的 A/B 测试以及如何利用数据来评估不同营销渠道的效果，让我觉得耳目一新。我感觉自己终于找到了一个能够量化我工作效果的工具，不再是那种“感觉做得不错”的模糊评价。这本书让我明白，数据分析不仅仅是技术人员的事情，更是我们每一个希望在工作中做得更好的人的必备技能。读完这本书，我仿佛拥有了一双“数据之眼”，能够穿透表象，看到更本质的规律，这让我对未来的工作充满了信心和期待。
评分很好很好很好很好很好很好很好很好很好
评分东西不错 会继续关注购买
评分书写的还是不错的！很厚实！
评分东西不错 会继续关注购买
评分还不错 可以考虑再次购买
评分喜欢读价格实惠知识点丰富送货速度快
评分好贵的一本书，希望是值得投入的东东！
评分发来是破损的，快递外包装也脏兮兮的。能靠点谱么？
评分速度很快，包装完好，内容待看过再来追评！
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 book.coffeedeals.club All Rights Reserved. 静流书站 版权所有