✍ Scribed by 徐华
No coin nor oath required. For personal study only.
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。
封面
扉页
内容简介
版权页
序
前言
关于教学计划编排的建议
目录
第1章 绪论
1.1 应用背景
1.2 什么是数据挖掘
1.3 数据挖掘的主要技术
1.4 数据挖掘的主要研究内容
1.5 数据挖掘面临的主要问题
1.6 数据挖掘相关的资料
1.7 本书的总体章节安排
1.8 小结
参考文献
第2章 数据预处理
2.1 前言
2.2 数据预处理的基本概念
2.3 数据的描述
2.4 数据清洗
2.5 数据集成和转换
2.6 数据归约和变换
2.7 小结
参考文献
第3章 数据仓库
3.1 前言
3.2 数据库基本概念回顾
3.3 数据仓库简介
3.4 多维数据模型
3.5 数据仓库结构
3.6 数据仓库的功能
3.7 从数据仓库到数据挖掘
3.8 小结
参考文献
第4章 相关性与关联规则
4.1 基本概念
4.2 频繁项集挖掘方法
4.3 多种关联规则挖掘
4.4 从关联分析到相关分析
4.5 基于约束的频繁模式挖掘
4.6 小结
参考文献
第5章 分类和预测
5.1 前言
5.2 基本概念
5.3 关于分类和预测的问题
5.4 决策树分类
5.5 贝叶斯分类
5.6 神经网络
5.7 支持向量机
5.8 关联分类
5.9 分类准确率
5.10 小结
参考文献
第6章 聚类分析
6.1 聚类分析的定义和数据类型
6.2 流聚类方法分类与相似性质量
6.3 基于分割的聚类
6.4 基于层次的聚类
6.5 基于密度的聚类
6.6 基于网格的聚类
6.7 基于模型的聚类
6.8 离群点检测
6.9 小结
参考文献
第7章 数据挖掘应用
7.1 前言
7.2 应用研发思路
7.3 预处理方法
7.4 特征提取方法
7.5 皮肤特征预测模型
7.6 小结
参考文献
正文结束
附录
附录A 插图索引
附录B 表格索引
附录C 算法索引
附录D 关键词索引
📜 SIMILAR VOLUMES
本书重点介绍Python语言在数据处理与数据挖掘方面的应用技巧，主要包括数据分析基础知识（数据收集与分析软件、数据挖掘的分析基础、简单数据的统计分析），数据分析高级方法（多元数据的综合分析、时序数据的模型分析），大数据基本处理方法（大数据分析基础应用、文献计量与科研评价、社会网络分析方法、数据分析编程平台）等内容。附录中还提供了Python数据分析相关方法和函数等，方便读者随时查看。本书内容丰富，图文并茂，可操作性强且便于查阅，主要面向数据分析的读者，能有效帮助读者提高数据处理与分析的水平，提升工作效率。书中的例子数据、习题数据及相关代码都可在作者的学习博客http://blog.leanot
本书对大数据挖掘与应用的基本算法进行了系统的介绍，每种算法不仅包括对算法基本原理的介绍，而且配有大量的例题以及基于阿里云数加平台的演示，这种理论与实践相结合的方式极大地方便了读者对抽象的数据挖掘算法的理解和掌握。本书共17章，内容覆盖了数据预处理、关联规则挖掘算法、分类算法和聚类算法及常见的数据挖掘应用，具体章节包括大数据简介、数据预处理技术、关联规则挖掘、逻辑回归方法、KNN算法、朴素贝叶斯分类算法、随机森林分类算法、支持向量机、人工神经网络算法、决策树分类算法、Kmeans聚类算法、K中心点聚类算法、自组织神经网络聚类算法、DBSCAN聚类算法以及社交网络分析方法及应用、文本分析方法及
<p>《数据仓库与数据挖掘原理及应用》从专业角度全面介绍了数据仓库和数据挖掘的理论、方法、技术及其应用，系统地阐述了数据仓库和数据挖掘的产生、发展和应用及其主要概念、原理和算法，并结合当前数据仓库和数据挖掘中一些新的应用实例进一步加以说明，力求学以致用。</p> <p>全书分为三篇。第一篇介绍数据仓库的起源和演变过程，阐述数据仓库的定义、体系结构、组成、元数据、数据粒度和数据模型以及ETL过程，论述数据仓库设计和实现的方法。结合具体应用详细阐述了如何构建数据仓库及其主要应用，包括OLAP和OLAM等。第二篇介绍数据挖掘的起源和发展趋势，以及数据挖掘与web挖掘的技术和方法，包括聚类、分类、预
《数据分析与数据挖掘》主要介绍数据挖掘和数据分析的基本概念和方法，包括数据的基本属性和概念、数据预处理技术、数据立方体和OLAP技术、频繁模式挖掘、回归分析、分类、聚类、离群点分析。书中涉及到的模型和算法均给予了相应的实例。
<p>《数据仓库与数据挖掘》主要介绍数据仓库和数据挖掘技术的基本原理和应用方法，全书共分为12章，主要内容包括数据仓库的概念和体系结构、数据仓库的数据存储和处理、数据仓库系统的设计与开发、关联规则、数据分类、数据聚类、贝叶斯网络、粗糙集、神经网络、遗传算法、统计分析、文本和Web挖掘。《数据仓库与数据挖掘》既重视理论知识的讲解，又强调应用技能的培养。每章首先介绍算法的主要思想和理论基础，之后利用算法去解决实例中给出的任务，而且对于数据仓库的组建方法和多数章节中的数据挖掘算法，《数据仓库与数据挖掘》都使用Microsoft SQL Server 2005进行了操作实现。《数据仓库与数据挖掘》通过
《大数据系列丛书：大数据挖掘及应用》围绕大数据背景下的数据挖掘及应用问题，从大数据挖掘的基本概念入手，由浅入深、循序渐进地介绍了大数据挖掘分析过程中的数据准备和预处理方法、数据可视化技术、数据挖掘理论和经典算法、常用大数据分析计算平台的编程模型、并行化程序设计技术、统计分析R语言基础等内容。其中数据挖掘理论和经典算法不仅覆盖了传统的关联分析、分类和聚类，还包括深度学习理论等数据挖掘研究和发展的潮流主题。每一章内容都尽量从不同角度进行深入浅出的剖析，还配以丰富的习题和参考文献，对于读者掌握大数据挖掘及应用领域的基本知识和进一步研究都具有参考价值。 《大数据系列丛书：大数据挖掘及应用》可以作为高校