☆☆☆☆☆
简体网页||繁体网页



点击这里下载

类似图书 点击查看全场最低价

---

内容介绍

本书是专注于数据挖掘与分析的基本算法的入门图书，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相关工作的人员学习参考。

作者介绍

Mohammed J. Zaki

伦斯勒理工学院计算机科学系教授，ACM杰出科学家，IEEE会士，目前致力于研究新数据挖掘技术。曾获得谷歌教职研究奖等诸多奖项。

 

Wagner Meira Jr.

巴西米纳斯联邦大学计算机科学系教授，数据库专家。

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 

DIYI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 quanwei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确检验　　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 

图灵教育 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 涵盖 电子书 下载 mobi epub pdf txt

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

类似图书 点击查看全场最低价