正版包邮 数据挖掘与分析 概念与算法 融合机器学习 统计学等相关学科知识 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

图书标签:

• 数据挖掘
• 机器学习
• 统计学
• 数据分析
• 算法
• 人工智能
• 商业分析
• 数据科学
• Python
• R语言

店铺： 蓝墨水图书专营店

出版社： 人民邮电出版社

ISBN：9787115458421

商品编码：13849544339

出版时间：2017-09-01

商品参数

数据挖掘与分析:概念与算法
	定价	129.00
	出版社	人民邮电出版社
	版次	1
	出版时间	2017年8月
	开本
	作者	(美) 穆罕默德· 扎基 (Mohammed J. Zaki)
	装帧	平装
	页数
	字数
	ISBN编码	9787115458421
	重量

目录

第1章 数据挖掘与分析 1 

1.1 数据矩阵 1 

1.2 属性 2 

1.3 数据的几何和代数描述 3 

1.3.1 距离和角度 5 

1.3.2 均值与总方差 8 

1.3.3 正交投影 9 

1.3.4 线性无关与维数 10 

1.4 数据：概率观点 12 

1.4.1 二元随机变量 17 

1.4.2 多元随机变量 20 

1.4.3 随机抽样和统计量 21 

1.5 数据挖掘 22 

1.5.1 探索性数据分析 23 

1.5.2 频繁模式挖掘 24 

1.5.3 聚类 24 

1.5.4 分类 25 

1.6 补充阅读 26 

1.7 习题 26 

第壹部分 数据分析基础 

第2章 数值属性 28 

2.1 一元变量分析 28 

2.1.1 数据居中度度量 29 

2.1.2 数据离散度度量 32 

2.2 二元变量分析 35 

2.2.1 位置和离散度的度量 36 

2.2.2 相关性度量 37 

2.3 多元变量分析 40 

2.4 数据规范化 44 

2.5 正态分布 46 

2.5.1 一元正态分布 46 

2.5.2 多元正态分布 47 

2.6 补充阅读 50 

2.7 习题 51 

第3章 类别型属性 53 

3.1 一元分析 53 

3.1.1 伯努利变量（Bernoulli variable） 53 

3.1.2 多元伯努利变量 55 

3.2 二元分析 61 

3.3 多元分析 69 

3.4 距离和角度 74 

3.5 离散化 75 

3.6 补充阅读 77 

3.7 习题 78 

第4章 图数据 79 

4.1 图的概念 79 

4.2 拓扑属性 83 

4.3 中心度分析 86 

4.3.1 基本中心度 86 

4.3.2 Web中心度 88 

4.4 图的模型 96 

4.4.1 Erd?s-Rényi随机图模型 98 

4.4.2 Watts-Strogatz小世界图模型 101 

4.4.3 Barabási-Albert无标度模型 104 

4.5 补充阅读 111 

4.6 习题 112 

第5章 核方法 114 

5.1 核矩阵 117 

5.1.1 再生核映射 118 

5.1.2 Mercer核映射 120 

5.2 向量核 122 

5.3 特征空间中的基本核操作 126 

5.4 复杂对象的核 132 

5.4.1 字符串的谱核 132 

5.4.2 图节点的扩散核 133 

5.5 补充阅读 137 

5.6 习题 137 

第6章 高维数据 139 

6.1 高维对象 139 

6.2 高维体积 141 

6.3 超立方体的内接超球面 143 

6.4 薄超球面壳的体积 144 

6.5 超空间的对角线 145 

6.6 多元正态的密度 146 

6.7 附录：球面体积的推导 149 

6.8 补充阅读 153 

6.9 习题 153 

第7章 降维 156 

7.1 背景知识 156 

7.2 主成分分析 160 

7.2.1 zui优线近似 160 

7.2.2 zui优二维近似 163 

7.2.3 zui优r维近似 167 

7.2.4 主成分分析的几何意义 170 

7.3 核主成分分析 172 

7.4 奇异值分解 178 

7.4.1 奇异值分解的几何意义 179 

7.4.2 奇异值分解和主成分分析之间的联系 180 

7.5 补充阅读 182 

7.6 习题 182 

第二部分 频繁模式挖掘 

第8章 项集挖掘 186 

8.1 频繁项集和关联规则 186 

8.2 频繁项集挖掘算法 189 

8.2.1 逐层的方法：Apriori算法 191 

8.2.2 事务标识符集的交集方法：Eclat算法 193 

8.2.3 频繁模式树方法：FPGrowth算法 197 

8.3 生成关联规则 201 

8.4 补充阅读 203 

8.5 习题 203 

第9章 项集概述 208 

9.1 zui大频繁项集和闭频繁项集 208 

9.2 挖掘zui大频繁项集：GenMax算法 211 

9.3 挖掘闭频繁项集：Charm算法 213 

9.4 非可导项集 215 

9.5 补充阅读 220 

9.6 习题 221 

第10章 序列挖掘 223 

10.1 频繁序列 223 

10.2 挖掘频繁序列 224 

10.2.1 逐层挖掘：GSP 225 

10.2.2 垂直序列挖掘：Spade 226 

10.2.3 基于投影的序列挖掘：PrefixSpan 228 

10.3 基于后缀树的子串挖掘 230 

10.3.1 后缀树 230 

10.3.2 Ukkonen线性时间算法 233 

10.4 补充阅读 238 

10.5 习题 239 

第11章 图模式挖掘 242 

11.1 同形和支撑 242 

11.2 候选生成 245 

11.3 gSpan算法 249 

11.3.1 扩展和支撑计算 250 

11.3.2 权wei性测试 255 

11.4 补充阅读 256 

11.5 习题 257 

第12章 模式与规则评估 260 

12.1 规则和模式评估的度量 260 

12.1.1 规则评估度量 260 

12.1.2 模式评估度量 268 

12.1.3 比较多条规则和模式 270 

12.2 显著性检验和置信区间 273 

12.2.1 产生式规则的费希尔精que检验 273 

12.2.2 显著性的置换检验 277 

12.2.3 置信区间内的自助抽样 282 

12.3 补充阅读 284 

12.4 习题 285 

第三部分 聚类 

第13章 基于代表的聚类 288 

13.1 K-means 算法 288 

13.2 核K-means 292 

13.3 期望zui大聚类 295 

13.3.1 一维中的EM 297 

13.3.2 d维中的EM 300 

13.3.3 极大似然估计 305 

13.3.4 EM方法 309 

13.4 补充阅读 311 

13.5 习题 312 

第14章 层次式聚类 315 

14.1 预备知识 315 

14.2 聚合型层次式聚类 317 

14.2.1 簇间距离 317 

14.2.2 更新距离矩阵 321 

14.2.3 计算复杂度 322 

14.3 补充阅读 322 

14.4 习题 323 

第15章 基于密度的聚类 325 

15.1 DBSCAN 算法 325 

15.2 核密度估计 328 

15.2.1 一元密度估计 328 

15.2.2 多元密度估计 331 

15.2.3 zui近邻密度估计 333 

15.3 基于密度的聚类：DENCLUE 333 

15.4 补充阅读 338 

15.5 习题 339 

第16章 谱聚类和图聚类 341 

16.1 图和矩阵 341 

16.2 基于图的割的聚类 347 

16.2.1 聚类目标函数：比例割与归—割 349 

16.2.2 谱聚类算法 351 

16.2.3 zui大化目标：平均割与模块度 354 

16.3 马尔可夫聚类 360 

16.4 补充阅读 366 

16.5 习题 367 

第17章 聚类的验证 368 

17.1 外部验证度量 368 

17.1.1 基于匹配的度量 369 

17.1.2 基于熵的度量 372 

17.1.3 成对度量 375 

17.1.4 关联度量 378 

17.2 内部度量 381 

17.3 相对度量 388 

17.3.1 分簇稳定性 394 

17.3.2 聚类趋向性 396 

17.4 补充阅读 400 

17.5 习题 401 

第四部分 分类 

第18章 基于概率的分类 404 

18.1 贝叶斯分类器 404 

18.1.1 估计先验概率 404 

18.1.2 估计似然 405 

18.2 朴素贝叶斯分类器 409 

18.3 Kzui近邻分类器 412 

18.4 补充阅读 414 

18.5 习题 415 

第19章 决策树分类器 416 

19.1 决策树 417 

19.2 决策树算法 419 

19.2.1 分割点评估度量 420 

19.2.2 评估分割点 422 

19.3 补充阅读 429 

19.4 习题 429 

第20章 线性判别分析 431 

20.1 zui优线性判别 431 

20.2 核判别分析 437 

20.3 补充阅读 443 

20.4 习题 443 

第21章 支持向量机 445 

21.1 支持向量和间隔 445 

21.2 SVM：线性可分的情况 450 

21.3 软间隔SVM：线性不可分的情况 454 

21.3.1 铰链误损 455 

21.3.2 二次误损 458 

21.4 核SVM：非线性情况 459 

21.5 SVM训练算法 462 

21.5.1 对偶解法：随机梯度上升 463 

21.5.2 原始问题解：牛顿优化 467 

21.6 补充阅读 473 

21.7 习题 473 

第22章 分类的评估 475 

22.1 分类性能度量 475 

22.1.1 基于列联表的度量 476 

22.1.2 二值分类：正类和负类 479 

22.1.3 ROC分析 482 

22.2 分类器评估 487 

22.2.1 K折交叉验证 487 

22.2.2 自助抽样 488 

22.2.3 置信区间 489 

22.2.4 分类器比较：配对t检验 493 

22.3 偏置-方差分解 495 

22.4 补充阅读 503 

22.5 习题 504 

内容介绍

 本书是专注于数据挖掘与分析的入门图书，内容分为数据分析基础、频繁模式挖掘、聚类和分类四个部分，

每一部分的各个章节兼顾基础知识和前沿话题，例如核方法、高维数据分析、复杂图和网络等。每一章zui后

均附有参考书目和习题。

    本书适合高等院校相关专业的学生和教师阅读，也适合从事数据挖掘与分析相关工作的人员学习参考

《数据思维：在信息洪流中捕捉洞察》 引言 我们正生活在一个前所未有的信息时代，数据以前所未有的速度和规模产生、积累。从社交媒体上的每一次互动，到传感器采集的每一项读数，再到商业交易中的每一笔记录，数据无处不在。然而，海量的数据本身并不能直接转化为价值，它们更像是一片未被开垦的矿藏，需要精密的工具和敏锐的思维去挖掘。这本书并非关于复杂的算法或精深的统计模型，而是旨在培养一种“数据思维”——一种理解数据、分析数据并从中提炼出有价值洞察的能力。我们将探索如何将数据视为一种语言，如何倾听它讲述的故事，以及如何利用这些故事来指导决策、解决问题，并最终在信息洪流中找到清晰的方向。 第一章：数据的本质与价值——不仅仅是数字 在本章中，我们将首先深入理解“数据”的真正含义。它远不止是冰冷的数字或杂乱的文本。数据是现象的痕迹，是行为的记录，是世界运行的缩影。我们将探讨不同类型的数据，包括结构化数据（如数据库中的表格）、半结构化数据（如XML、JSON文件）以及非结构化数据（如文本、图像、音频、视频）。理解这些数据的特性，是进行有效分析的第一步。 更重要的是，我们将讨论数据的价值所在。数据之所以有价值，是因为它能够帮助我们： 理解过去： 回溯历史，发现趋势和模式，了解事物是如何演变的。 描述现在： 实时监测状态，掌握当前情况，进行准确的评估。 预测未来： 基于历史和现有数据，对未来的可能性进行推断，做出前瞻性规划。 优化决策： 提供客观依据，减少主观臆断，提升决策的科学性和有效性。 发现机会与风险： 识别新的市场需求，发现潜在的运营瓶颈，规避不必要的损失。 我们将通过一系列引人入胜的案例，说明数据是如何在各个领域（如商业、科学、医疗、城市管理等）发挥其关键作用的。这些案例将展示，那些能够有效利用数据的组织和个人，往往能在竞争中脱颖而出，在探索中取得突破。 第二章：提问的力量——定义你的数据目标 在开始任何数据分析之前，最重要的一步是明确你想通过数据解决什么问题，或者你想获得什么样的洞察。许多数据项目之所以失败，并非因为技术不足，而是因为缺乏清晰的目标。本章将聚焦于“提问”这一核心能力。 我们将学习如何将模糊的业务需求转化为具体、可衡量的数据问题。这涉及到： 明确你的“为什么”： 你想通过分析数据来达到什么目的？是提升销售额？降低成本？改善用户体验？还是发现新的科学规律？ 将目标分解： 大而模糊的目标往往难以实现。我们需要将它们分解成一系列更小、更具体的问题，例如：“哪些客户群体对我们的最新产品最感兴趣？”“是什么因素导致用户流失率升高？”“哪种营销渠道带来的转化率最高？” 思考数据的可用性： 你所提出的问题，是否有相关的数据可以回答？如果数据不存在，能否通过其他方式获取？ 定义成功的标准： 你将如何衡量分析的成功？例如，一个成功的分析应该能够提供可操作的建议，或者带来显著的业务改进。 我们将探讨如何进行有效的头脑风暴，如何与相关利益者沟通以达成共识，以及如何使用“SMART”原则（Specific, Measurable, Achievable, Relevant, Time-bound）来构建清晰的数据目标。本章将强调，一个好的数据问题，是成功数据之旅的起点。 第三章：数据的收集与清洗——筑牢分析的地基 拥有了清晰的数据目标，下一步就是获取所需的数据，并确保数据的质量。这一阶段的工作常常被低估，但却是整个数据分析过程中至关重要的一环。正如建造高楼需要坚实的地基，可靠的数据分析依赖于高质量的数据。 本章将深入探讨： 数据源的多样性： 我们将了解各种常见的数据收集渠道，包括数据库查询、API接口、Web抓取、问卷调查、传感器数据、日志文件等。 数据收集的策略： 如何选择最合适的数据收集方法？如何确保数据的完整性和代表性？如何处理隐私和安全问题？ 数据清洗的艺术： 真实世界的数据往往充满了“脏乱差”。我们将学习如何识别和处理数据中的错误、缺失值、异常值、重复项以及不一致的格式。这包括： 缺失值处理： 填补、删除还是插值？每种方法都有其适用场景。 异常值检测与处理： 如何识别可能影响分析结果的极端值？是删除、转换还是进一步调查？ 数据格式统一： 确保日期、数值、文本等数据格式的一致性。 重复数据识别与删除： 避免因重复记录而造成的误判。 数据校验： 建立规则来检查数据的合理性。 我们将通过具体的例子，展示数据清洗过程中可能遇到的挑战，以及如何系统地解决这些问题。本章的目标是让读者认识到，数据清洗并非一项枯燥的任务，而是保证后续分析结果可靠性的必要步骤。 第四章：探索性数据分析（EDA）——初识你的数据 一旦数据被清洗和整理完毕，我们就进入了探索性数据分析（EDA）的阶段。EDA是理解数据的“第一印象”，它帮助我们初步了解数据的分布、特征、变量之间的关系，并发现潜在的模式和异常。EDA是一种迭代的过程，它促使我们不断地提出新的问题，并尝试用数据来回答。 在本章中，我们将重点关注： 描述性统计： 计算均值、中位数、标准差、方差、百分位数等基本统计量，以量化数据的中心趋势和离散程度。 数据可视化： 通过各种图表来直观地展示数据。我们将学习如何使用： 直方图和密度图： 查看单个变量的分布情况。 散点图： 观察两个变量之间的关系。 箱线图： 比较不同组别的数据分布，并识别异常值。 条形图和饼图： 展示分类变量的频率或比例。 热力图： 可视化变量之间的相关性。 时间序列图： 分析数据随时间的变化趋势。 识别变量间的关系： 探索不同变量之间是否存在相关性、独立性或其他统计关系。 发现潜在的模式和趋势： EDA是发现数据中隐藏模式的温床，这些模式可能为后续的深入分析提供线索。 初步假设的形成： 基于EDA的结果，我们可以形成关于数据和业务问题的初步假设，这些假设将在后续阶段进行验证。 我们将强调，EDA不是为了得出最终结论，而是为了激发好奇心，引导我们更深入地思考数据，并为后续的建模和分析奠定基础。 第五章：数据分析的思维框架——从现象到洞察 本章将聚焦于构建一种系统性的数据分析思维框架。我们不仅仅是处理数据，更是要理解数据背后的逻辑，以及如何将数据转化为有价值的洞察。 我们将探讨： 从问题出发： 始终围绕最初定义的数据问题进行分析。 选择合适的分析方法： 根据问题的性质和数据的类型，选择最合适的分析技术。这可能涉及描述性分析、诊断性分析（探究“为什么会发生？”）、预测性分析（探究“未来会发生什么？”）或规范性分析（探究“我们应该做什么？”）。 迭代与反馈： 数据分析是一个不断迭代的过程。每一次分析都可能产生新的问题或需要调整方向。 逻辑推理与批判性思维： 不仅仅是被动接受数据呈现的结果，而是要进行逻辑推理，审视分析过程的合理性，并对结果进行批判性评估。 因果关系与相关关系的区分： 识别数据中的相关性是重要的，但更重要的是理解它们是否代表因果关系，以及如何区分两者。 领域知识的整合： 数据分析不是孤立的，它需要与特定领域的知识相结合，才能产生真正有意义的洞察。 我们将引入一些常用的分析思维模型，例如“5W1H”分析法在数据场景下的应用，以及如何构建逻辑清晰的分析报告。本章的目标是培养读者在面对复杂数据时，能够有条不紊地思考，并最终提炼出 actionable insights（可操作的洞察）。 第六章：数据故事的讲述——将洞察转化为影响力 最终，数据分析的价值体现在能否有效地将发现的洞察传达给他人，并促使他们采取行动。本章将关注“数据故事”的讲述艺术。 我们将学习： 理解你的听众： 不同的听众有不同的知识背景和兴趣点，你需要调整你的讲述方式和侧重点。 构建清晰的叙事结构： 好的数据故事有一个引人入胜的开头、清晰的中间过程和有力的结尾。 可视化在叙事中的作用： 使用精炼、有说服力的图表来支持你的观点，而非仅仅是展示数据。 突出关键发现： 明确你的核心信息，并将其放在显眼的位置。 提供 actionable recommendations（可操作的建议）： 将你的洞察转化为具体的、可执行的建议。 避免术语陷阱： 用通俗易懂的语言解释复杂的数据概念。 排练与反馈： 通过反复排练和获取反馈，不断优化你的数据故事。 我们将通过实例，展示如何将复杂的分析结果，以简洁、生动、有感染力的方式呈现，从而有效地影响决策，推动变革。本章强调，即使拥有最深刻的洞察，如果无法有效传达，其价值也将大打折扣。 结论：拥抱数据，拥抱未来 数据思维不是一种特定的技能，而是一种看待世界、解决问题的方式。它是一种将信息转化为智慧，将洞察转化为行动的能力。在这个数据驱动的时代，无论你的专业背景是什么，培养强大的数据思维都将为你带来巨大的优势。 本书的目的并非让你成为一名专业的数据科学家，而是帮助你成为一个更具洞察力、更善于决策的“数据公民”。通过理解数据的本质，掌握提问的艺术，学会数据清洗的技巧，熟悉探索性分析的方法，构建系统性的分析框架，并最终能够有效地讲述你的数据故事，你将能够在信息洪流中游刃有余，发现隐藏的机遇，应对未知的挑战，并为自己、为组织、为社会创造更大的价值。 现在，请准备好，开启你的数据思维之旅。

评分☆☆☆☆☆

这本书我看了有一阵子了，本来是想找一本比较“接地气”的数据挖掘入门书，结果发现内容比我想象的要深奥不少。比如，在讲聚类算法的时候，作者并没有停留在K-Means这种基础模型，而是深入到DBSCAN、层次聚类等更复杂的变体，并且详细解释了它们背后的数学原理，像是距离度量、簇的定义等等。光是理解这些就花了我不少时间和精力。而且，书里还穿插了不少统计学方面的知识，比如假设检验、方差分析，这对我这个统计学基础比较薄弱的人来说，简直是在挑战极限。不过，也正是因为这样，我感觉学到的东西特别扎实，不再是那种“知其然不知其所以然”的学习。书里还提到了不少机器学习的算法，虽然不是机器学习的专著，但把它们巧妙地融入到数据挖掘的流程中，让我对如何选择和应用这些算法有了更清晰的认识。总的来说，这本书适合那些有一定编程基础，并且愿意深入钻研数据挖掘背后的理论和数学原理的读者。如果你是想速成，或者只想了解一些表面的技巧，这本书可能就不是你的首选了。我个人觉得，虽然啃起来比较费劲，但每一页都充满了干货，值得反复琢磨。

评分☆☆☆☆☆

购买这本书，很大程度上是受到了“融合机器学习、统计学等相关学科知识”这句话的吸引。我对数据挖掘的兴趣，正是源于它能够从海量数据中提取有价值的信息，而机器学习和统计学无疑是实现这一目标的两大基石。这本书在内容组织上，非常注重这种融合。我印象比较深的是，在讲到回归分析时，作者不仅介绍了传统的线性回归，还详细阐述了岭回归、Lasso回归等正则化方法，并将这些与机器学习中的过拟合问题紧密联系起来，让我明白了正则化为何能够有效防止过拟合。书中还引入了许多统计学的概念，比如概率分布、参数估计、置信区间等，并且将这些统计学概念融入到数据挖掘的实际应用中，让我看到统计学在数据分析中的重要作用。对我而言，这本书最大的价值在于它打破了学科壁垒，将看似独立的知识点串联起来，形成了一个完整的知识体系。通过阅读这本书，我不仅学习了数据挖掘的各种技术，更重要的是，我理解了这些技术背后的学科原理，以及它们是如何协同工作的。这让我对数据分析的理解更加全面和深刻。

评分☆☆☆☆☆

我最初购买这本书，主要是出于对其“概念与算法”并重的承诺。我一直认为，对算法的深刻理解，必须建立在对其背后概念的透彻把握之上。这本书在这方面做得相当不错。它在介绍每一个算法时，都会先从其核心思想、解决了什么问题入手，然后逐步深入到数学原理和实现细节。比如，在讲解决策树时，作者并没有直接给出ID3或C4.5的伪代码，而是先详细解释了信息增益、增益率这些概念是如何指导树的构建的，以及它们各自的局限性。这种循序渐进的讲解方式，让我能够真正理解算法的设计逻辑，而不是简单地记住公式。书中还对一些容易混淆的概念进行了清晰的区分，比如分类与回归的区别，聚类与分类的区别等，并且给出了具体的例子来说明。此外，对于一些常用算法的优缺点、适用场景，作者也进行了详细的分析，这对于我们在实际应用中选择合适的算法非常有帮助。虽然有些章节的技术细节可能需要反复阅读，但总体来说，这本书在概念的清晰度和算法的深入讲解上，都达到了我的预期，让我对数据挖掘的各个环节有了更扎实的认识。

评分☆☆☆☆☆

我拿到这本书时，主要的目标是想提升自己在实际工作中使用数据分析解决问题的能力。我一直觉得理论知识固然重要，但更关键的是如何将这些理论转化为可操作的步骤。这本书在这一点上做得可圈可点。它并非只是罗列算法和概念，而是将大量的案例研究贯穿其中，从数据预处理、特征工程，到模型选择、结果评估，每一步都配有详实的说明和代码示例。我尤其喜欢书中关于“特征工程”部分的讲解，作者列举了非常多实用的技巧，比如如何处理缺失值、如何进行特征编码，甚至是如何通过领域知识来创造新的特征。这些内容在其他很多数据挖掘的书籍中都很少提及，或者只是简单带过。这本书让我意识到，好的特征工程往往比复杂的模型更能提升分析效果。此外，书里在讲解模型评估时，也提供了很多不同于简单准确率的度量方法，比如F1-score、AUC等，并解释了它们各自的适用场景，这对我理解模型的好坏有了更深的层次。虽然有些案例的代码我还需要调试才能运行，但整体而言，这本书极大地丰富了我解决实际数据问题的工具箱，让我更有信心去面对复杂的数据挑战。

评分☆☆☆☆☆

这本《数据挖掘与分析》给我最大的感受就是它的“融会贯通”能力。它不像我之前读过的一些书籍，要么是纯粹的算法介绍，要么是偏重某一门学科。这本书很聪明地将数据挖掘、机器学习、统计学以及一些必要的计算机科学基础知识有机地结合在了一起。举个例子，在讲解异常检测时，作者不仅介绍了基于统计的方法（如Z-score、IQR），还穿插了基于机器学习的方法（如孤立森林、One-Class SVM），并且详细解释了这些方法在概念上的联系和区别，以及它们各自的优缺点。这种跨学科的视角让我受益匪浅，我能够从不同的角度去理解同一个问题。书中还对一些基础的数学概念，如概率论、线性代数等进行了必要的回顾和阐述，这对于那些像我一样，可能已经遗忘部分数学知识的读者来说，是非常贴心的。虽然有时会觉得内容有点“跳跃”，但仔细阅读后，你会发现作者的逻辑非常清晰，每一部分知识的引入都有其必然性。这本书让我明白了，数据挖掘并非孤立存在，而是建立在坚实的理论基础之上，并且需要与其他学科的知识相互支撑。