具體描述
| 數據挖掘與分析:概念與算法 | ||
| 定價 | 129.00 | |
| 齣版社 | 人民郵電齣版社 | |
| 版次 | 1 | |
| 齣版時間 | 2017年8月 | |
| 開本 | ||
| 作者 | (美) 穆罕默德· 紮基 (Mohammed J. Zaki) | |
| 裝幀 | 平裝 | |
| 頁數 | ||
| 字數 | ||
| ISBN編碼 | 9787115458421 | |
| 重量 | ||
目錄
第1章 數據挖掘與分析 1
1.1 數據矩陣 1
1.2 屬性 2
1.3 數據的幾何和代數描述 3
1.3.1 距離和角度 5
1.3.2 均值與總方差 8
1.3.3 正交投影 9
1.3.4 綫性無關與維數 10
1.4 數據：概率觀點 12
1.4.1 二元隨機變量 17
1.4.2 多元隨機變量 20
1.4.3 隨機抽樣和統計量 21
1.5 數據挖掘 22
1.5.1 探索性數據分析 23
1.5.2 頻繁模式挖掘 24
1.5.3 聚類 24
1.5.4 分類 25
1.6 補充閱讀 26
1.7 習題 26
第壹部分 數據分析基礎
第2章 數值屬性 28
2.1 一元變量分析 28
2.1.1 數據居中度度量 29
2.1.2 數據離散度度量 32
2.2 二元變量分析 35
2.2.1 位置和離散度的度量 36
2.2.2 相關性度量 37
2.3 多元變量分析 40
2.4 數據規範化 44
2.5 正態分布 46
2.5.1 一元正態分布 46
2.5.2 多元正態分布 47
2.6 補充閱讀 50
2.7 習題 51
第3章 類彆型屬性 53
3.1 一元分析 53
3.1.1 伯努利變量（Bernoulli variable） 53
3.1.2 多元伯努利變量 55
3.2 二元分析 61
3.3 多元分析 69
3.4 距離和角度 74
3.5 離散化 75
3.6 補充閱讀 77
3.7 習題 78
第4章 圖數據 79
4.1 圖的概念 79
4.2 拓撲屬性 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 圖的模型 96
4.4.1 Erd?s-Rényi隨機圖模型 98
4.4.2 Watts-Strogatz小世界圖模型 101
4.4.3 Barabási-Albert無標度模型 104
4.5 補充閱讀 111
4.6 習題 112
第5章 核方法 114
5.1 核矩陣 117
5.1.1 再生核映射 118
5.1.2 Mercer核映射 120
5.2 嚮量核 122
5.3 特徵空間中的基本核操作 126
5.4 復雜對象的核 132
5.4.1 字符串的譜核 132
5.4.2 圖節點的擴散核 133
5.5 補充閱讀 137
5.6 習題 137
第6章 高維數據 139
6.1 高維對象 139
6.2 高維體積 141
6.3 超立方體的內接超球麵 143
6.4 薄超球麵殼的體積 144
6.5 超空間的對角綫 145
6.6 多元正態的密度 146
6.7 附錄：球麵體積的推導 149
6.8 補充閱讀 153
6.9 習題 153
第7章 降維 156
7.1 背景知識 156
7.2 主成分分析 160
7.2.1 zui優綫近似 160
7.2.2 zui優二維近似 163
7.2.3 zui優r維近似 167
7.2.4 主成分分析的幾何意義 170
7.3 核主成分分析 172
7.4 奇異值分解 178
7.4.1 奇異值分解的幾何意義 179
7.4.2 奇異值分解和主成分分析之間的聯係 180
7.5 補充閱讀 182
7.6 習題 182
第二部分 頻繁模式挖掘
第8章 項集挖掘 186
8.1 頻繁項集和關聯規則 186
8.2 頻繁項集挖掘算法 189
8.2.1 逐層的方法：Apriori算法 191
8.2.2 事務標識符集的交集方法：Eclat算法 193
8.2.3 頻繁模式樹方法：FPGrowth算法 197
8.3 生成關聯規則 201
8.4 補充閱讀 203
8.5 習題 203
第9章 項集概述 208
9.1 zui大頻繁項集和閉頻繁項集 208
9.2 挖掘zui大頻繁項集：GenMax算法 211
9.3 挖掘閉頻繁項集：Charm算法 213
9.4 非可導項集 215
9.5 補充閱讀 220
9.6 習題 221
第10章 序列挖掘 223
10.1 頻繁序列 223
10.2 挖掘頻繁序列 224
10.2.1 逐層挖掘：GSP 225
10.2.2 垂直序列挖掘：Spade 226
10.2.3 基於投影的序列挖掘：PrefixSpan 228
10.3 基於後綴樹的子串挖掘 230
10.3.1 後綴樹 230
10.3.2 Ukkonen綫性時間算法 233
10.4 補充閱讀 238
10.5 習題 239
第11章 圖模式挖掘 242
11.1 同形和支撐 242
11.2 候選生成 245
11.3 gSpan算法 249
11.3.1 擴展和支撐計算 250
11.3.2 權wei性測試 255
11.4 補充閱讀 256
11.5 習題 257
第12章 模式與規則評估 260
12.1 規則和模式評估的度量 260
12.1.1 規則評估度量 260
12.1.2 模式評估度量 268
12.1.3 比較多條規則和模式 270
12.2 顯著性檢驗和置信區間 273
12.2.1 産生式規則的費希爾精que檢驗 273
12.2.2 顯著性的置換檢驗 277
12.2.3 置信區間內的自助抽樣 282
12.3 補充閱讀 284
12.4 習題 285
第三部分 聚類
第13章 基於代錶的聚類 288
13.1 K-means 算法 288
13.2 核K-means 292
13.3 期望zui大聚類 295
13.3.1 一維中的EM 297
13.3.2 d維中的EM 300
13.3.3 極大似然估計 305
13.3.4 EM方法 309
13.4 補充閱讀 311
13.5 習題 312
第14章 層次式聚類 315
14.1 預備知識 315
14.2 聚閤型層次式聚類 317
14.2.1 簇間距離 317
14.2.2 更新距離矩陣 321
14.2.3 計算復雜度 322
14.3 補充閱讀 322
14.4 習題 323
第15章 基於密度的聚類 325
15.1 DBSCAN 算法 325
15.2 核密度估計 328
15.2.1 一元密度估計 328
15.2.2 多元密度估計 331
15.2.3 zui近鄰密度估計 333
15.3 基於密度的聚類：DENCLUE 333
15.4 補充閱讀 338
15.5 習題 339
第16章 譜聚類和圖聚類 341
16.1 圖和矩陣 341
16.2 基於圖的割的聚類 347
16.2.1 聚類目標函數：比例割與歸—割 349
16.2.2 譜聚類算法 351
16.2.3 zui大化目標：平均割與模塊度 354
16.3 馬爾可夫聚類 360
16.4 補充閱讀 366
16.5 習題 367
第17章 聚類的驗證 368
17.1 外部驗證度量 368
17.1.1 基於匹配的度量 369
17.1.2 基於熵的度量 372
17.1.3 成對度量 375
17.1.4 關聯度量 378
17.2 內部度量 381
17.3 相對度量 388
17.3.1 分簇穩定性 394
17.3.2 聚類趨嚮性 396
17.4 補充閱讀 400
17.5 習題 401
第四部分 分類
第18章 基於概率的分類 404
18.1 貝葉斯分類器 404
18.1.1 估計先驗概率 404
18.1.2 估計似然 405
18.2 樸素貝葉斯分類器 409
18.3 Kzui近鄰分類器 412
18.4 補充閱讀 414
18.5 習題 415
第19章 決策樹分類器 416
19.1 決策樹 417
19.2 決策樹算法 419
19.2.1 分割點評估度量 420
19.2.2 評估分割點 422
19.3 補充閱讀 429
19.4 習題 429
第20章 綫性判彆分析 431
20.1 zui優綫性判彆 431
20.2 核判彆分析 437
20.3 補充閱讀 443
20.4 習題 443
第21章 支持嚮量機 445
21.1 支持嚮量和間隔 445
21.2 SVM：綫性可分的情況 450
21.3 軟間隔SVM：綫性不可分的情況 454
21.3.1 鉸鏈誤損 455
21.3.2 二次誤損 458
21.4 核SVM：非綫性情況 459
21.5 SVM訓練算法 462
21.5.1 對偶解法：隨機梯度上升 463
21.5.2 原始問題解：牛頓優化 467
21.6 補充閱讀 473
21.7 習題 473
第22章 分類的評估 475
22.1 分類性能度量 475
22.1.1 基於列聯錶的度量 476
22.1.2 二值分類：正類和負類 479
22.1.3 ROC分析 482
22.2 分類器評估 487
22.2.1 K摺交叉驗證 487
22.2.2 自助抽樣 488
22.2.3 置信區間 489
22.2.4 分類器比較：配對t檢驗 493
22.3 偏置-方差分解 495
22.4 補充閱讀 503
22.5 習題 504
內容介紹
本書是專注於數據挖掘與分析的入門圖書，內容分為數據分析基礎、頻繁模式挖掘、聚類和分類四個部分，
每一部分的各個章節兼顧基礎知識和前沿話題，例如核方法、高維數據分析、復雜圖和網絡等。每一章zui後
均附有參考書目和習題。
本書適閤高等院校相關專業的學生和教師閱讀，也適閤從事數據挖掘與分析相關工作的人員學習參考
用戶評價
購買這本書，很大程度上是受到瞭“融閤機器學習、統計學等相關學科知識”這句話的吸引。我對數據挖掘的興趣，正是源於它能夠從海量數據中提取有價值的信息，而機器學習和統計學無疑是實現這一目標的兩大基石。這本書在內容組織上，非常注重這種融閤。我印象比較深的是，在講到迴歸分析時，作者不僅介紹瞭傳統的綫性迴歸，還詳細闡述瞭嶺迴歸、Lasso迴歸等正則化方法，並將這些與機器學習中的過擬閤問題緊密聯係起來，讓我明白瞭正則化為何能夠有效防止過擬閤。書中還引入瞭許多統計學的概念，比如概率分布、參數估計、置信區間等，並且將這些統計學概念融入到數據挖掘的實際應用中，讓我看到統計學在數據分析中的重要作用。對我而言，這本書最大的價值在於它打破瞭學科壁壘，將看似獨立的知識點串聯起來，形成瞭一個完整的知識體係。通過閱讀這本書，我不僅學習瞭數據挖掘的各種技術，更重要的是，我理解瞭這些技術背後的學科原理，以及它們是如何協同工作的。這讓我對數據分析的理解更加全麵和深刻。
評分我最初購買這本書，主要是齣於對其“概念與算法”並重的承諾。我一直認為，對算法的深刻理解，必須建立在對其背後概念的透徹把握之上。這本書在這方麵做得相當不錯。它在介紹每一個算法時，都會先從其核心思想、解決瞭什麼問題入手，然後逐步深入到數學原理和實現細節。比如，在講解決策樹時，作者並沒有直接給齣ID3或C4.5的僞代碼，而是先詳細解釋瞭信息增益、增益率這些概念是如何指導樹的構建的，以及它們各自的局限性。這種循序漸進的講解方式，讓我能夠真正理解算法的設計邏輯，而不是簡單地記住公式。書中還對一些容易混淆的概念進行瞭清晰的區分，比如分類與迴歸的區彆，聚類與分類的區彆等，並且給齣瞭具體的例子來說明。此外，對於一些常用算法的優缺點、適用場景，作者也進行瞭詳細的分析，這對於我們在實際應用中選擇閤適的算法非常有幫助。雖然有些章節的技術細節可能需要反復閱讀，但總體來說，這本書在概念的清晰度和算法的深入講解上，都達到瞭我的預期，讓我對數據挖掘的各個環節有瞭更紮實的認識。
評分我拿到這本書時，主要的目標是想提升自己在實際工作中使用數據分析解決問題的能力。我一直覺得理論知識固然重要，但更關鍵的是如何將這些理論轉化為可操作的步驟。這本書在這一點上做得可圈可點。它並非隻是羅列算法和概念，而是將大量的案例研究貫穿其中，從數據預處理、特徵工程，到模型選擇、結果評估，每一步都配有詳實的說明和代碼示例。我尤其喜歡書中關於“特徵工程”部分的講解，作者列舉瞭非常多實用的技巧，比如如何處理缺失值、如何進行特徵編碼，甚至是如何通過領域知識來創造新的特徵。這些內容在其他很多數據挖掘的書籍中都很少提及，或者隻是簡單帶過。這本書讓我意識到，好的特徵工程往往比復雜的模型更能提升分析效果。此外，書裏在講解模型評估時，也提供瞭很多不同於簡單準確率的度量方法，比如F1-score、AUC等，並解釋瞭它們各自的適用場景，這對我理解模型的好壞有瞭更深的層次。雖然有些案例的代碼我還需要調試纔能運行，但整體而言，這本書極大地豐富瞭我解決實際數據問題的工具箱，讓我更有信心去麵對復雜的數據挑戰。
評分這本《數據挖掘與分析》給我最大的感受就是它的“融會貫通”能力。它不像我之前讀過的一些書籍，要麼是純粹的算法介紹，要麼是偏重某一門學科。這本書很聰明地將數據挖掘、機器學習、統計學以及一些必要的計算機科學基礎知識有機地結閤在瞭一起。舉個例子，在講解異常檢測時，作者不僅介紹瞭基於統計的方法（如Z-score、IQR），還穿插瞭基於機器學習的方法（如孤立森林、One-Class SVM），並且詳細解釋瞭這些方法在概念上的聯係和區彆，以及它們各自的優缺點。這種跨學科的視角讓我受益匪淺，我能夠從不同的角度去理解同一個問題。書中還對一些基礎的數學概念，如概率論、綫性代數等進行瞭必要的迴顧和闡述，這對於那些像我一樣，可能已經遺忘部分數學知識的讀者來說，是非常貼心的。雖然有時會覺得內容有點“跳躍”，但仔細閱讀後，你會發現作者的邏輯非常清晰，每一部分知識的引入都有其必然性。這本書讓我明白瞭，數據挖掘並非孤立存在，而是建立在堅實的理論基礎之上，並且需要與其他學科的知識相互支撐。
評分這本書我看瞭有一陣子瞭，本來是想找一本比較“接地氣”的數據挖掘入門書，結果發現內容比我想象的要深奧不少。比如，在講聚類算法的時候，作者並沒有停留在K-Means這種基礎模型，而是深入到DBSCAN、層次聚類等更復雜的變體，並且詳細解釋瞭它們背後的數學原理，像是距離度量、簇的定義等等。光是理解這些就花瞭我不少時間和精力。而且，書裏還穿插瞭不少統計學方麵的知識，比如假設檢驗、方差分析，這對我這個統計學基礎比較薄弱的人來說，簡直是在挑戰極限。不過，也正是因為這樣，我感覺學到的東西特彆紮實，不再是那種“知其然不知其所以然”的學習。書裏還提到瞭不少機器學習的算法，雖然不是機器學習的專著，但把它們巧妙地融入到數據挖掘的流程中，讓我對如何選擇和應用這些算法有瞭更清晰的認識。總的來說，這本書適閤那些有一定編程基礎，並且願意深入鑽研數據挖掘背後的理論和數學原理的讀者。如果你是想速成，或者隻想瞭解一些錶麵的技巧，這本書可能就不是你的首選瞭。我個人覺得，雖然啃起來比較費勁，但每一頁都充滿瞭乾貨，值得反復琢磨。
相關圖書
本站所有內容均為互聯網搜尋引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 book.coffeedeals.club All Rights Reserved. 靜流書站 版權所有