✍ Scribed by 袁梅宇
No coin nor oath required. For personal study only.
本书借助代表当今数据挖掘和机器学习最高水平的著名开源软件Weka，通过大量的实践操作，使读者了解并掌握数据挖掘和机器学习的相关技能，拉近理论与实践的距离。全书共分9章，主要内容包括Weka介绍、探索者界面、知识流界面、实验者界面、命令行界面、Weka高级应用、Weka API、学习方案源代码分析和机器学习实战。本书系统讲解Weka 3.7.13的操作、理论和应用，内容全面、实例丰富、可操作性强，做到理论与实践的统一。本书适合数据挖掘和机器学习相关人员作为技术参考书使用，也适合用作计算机专业高年级本科生和研究生的教材或教学参考用书。
封面
扉页
内容简介
版权页
再版前言
第一版前言
目录
第1章 Weka介绍
1.1 Weka简介
1.2 基本概念
1.3 Weka系统安装
1.4 访问数据库
1.5 示例数据集
课后强化练习
第2章 探索者界面
2.1 图形用户界面
2.2 预处理
2.3 分类
2.4 聚类
2.5 关联
2.6 选择属性
2.7 可视化
课后强化练习
第3章 知识流界面
3.1 知识流介绍
3.2 知识流组件
3.3 使用知识流组件
3.4 手把手教你用
课后强化练习
第4章 实验者界面
4.1 简介
4.2 标准实验
4.3 远程实验
4.4 分析结果
课后强化练习
第5章 命令行界面
5.1 命令行界面介绍
5.2 Weka结构
5.3 命令行选项
5.4 过滤器和分类器选项
5.5 包管理器
课后强化练习
第6章 Weka高级应用
6.1 贝叶斯网络
6.2 神经网络
6.3 文本分类
6.4 时间序列分析及预测
课后强化练习
第7章 Weka API
7.1 加载数据
7.2 保存数据
7.3 处理选项
7.4 内存数据集处理
7.5 过滤
7.6 分类
7.7 聚类
7.8 属性选择
7.9 可视化
7.10 序列化
7.11 文本分类综合示例
课后强化练习
第8章 学习方案源代码分析
8.1 NaiveBayes源代码分析
8.2 实现分类器的约定
课后强化练习
第9章 机器学习实战
9.1 数据挖掘过程概述
9.2 实战KDD Cup 1999
9.3 实战KDD Cup 2010
课后强化练习
正文结束
附录A 中英文术语对照
附录B Weka算法介绍
过滤器算法介绍
分类算法介绍
聚类算法介绍
关联算法介绍
选择属性算法介绍
参考文献
📜 SIMILAR VOLUMES
书签已装载， 书签制作方法请找 [email protected] 完全免费 《数据挖掘实用机器学习技术(原书第2版)》介绍数据挖掘的基本理论与实践方法。主要内容包括：各种模型(决策树、关联规则、线性模型、聚类、贝叶斯网以及神经网络)以及在实践中的运用，所存在缺陷的分析。安全地清理数据集、建立以及评估模型的预测质量的方法，并且提供了一个公开的数据挖掘工作平台Weka。Weka系统拥有进行数据挖掘任务的图形用户界面，有助于理解模型，是一个实用并且深受欢迎的工具。 海报：
书签已装载， 书签制作方法请找 [email protected] 完全免费 大数据时代应用机器学习方法解决数据挖掘问题的实用指南。 洞察隐匿于大数据中的结构模式，有效指导数据挖掘实践和商业应用。 weka系统的主要开发者将丰富的研发、商业应用和教学实践的经验和技术融会贯通。 广泛覆盖在数据挖掘实践中采用的算法和机器学习技术，着眼于解决实际问题 避免过分要求理论基础和数学知识，重点在于告诉读者“如何去做”，同时包括许多算法、代码以及具体实例的实现。 将所有的概念都建立在具体实例的基础之上，促使读者首先考虑使用简单的技术。如果简单的技术不足以解决问题，再考虑提升到更为复杂的高
本书较为全面地论述了机器学习、深度学习、大数据技术与图像处理技术的基本概念、基础原理和基本方法，以农业为应用场景，力求通缩易懂，深入浅出的介绍了与机器学习、深度学习、大数据技术与图像处理技术问题联系密切的内容。全书主要分为4大部分：机器学习、大数据技术和图像处理技术的基础知识；经典的机器学习基本理论和方法，以及深度学习和大数据未来的发展；实践应用；机器学习和人工智能的数学基础与编程基础。
本书主要根据作者近几年在清华大学面向研究生和本科生开设的“数据挖掘：方法与应用”课程的教学实践与积累，参考近几年国外著名大学相关课程的教学体系，系统的介绍数据挖掘的基本概念和基本原理方法；结合一些典型的应用实例展示用数据挖掘的思维方法求解问题的一般性模式与思路。本书可作为有一定数据结构、数据库和程序设计基础的研究生或本科生开展数据挖掘知识学习和研究的入门性教材与参考读物。