中图网文创礼盒，买2个减5元
年中庆第二波！每满100减50
欢迎光临中图网 请 | 注册
搜索
搜索全部
  • 搜索全部
  • 书名
  • 作者
  • 出版社
  • ISBN
高级搜索
阅读是一座随身携带的避难所人间草木生活如此多娇假装得很辛苦茶经
  • 合成诗经
  • 新人领礼券
  • 新用户注册领10元
中图网
>
教材
>
研究生/本科/专科教材
>
工学
数据挖掘
分享

数据挖掘

作者：蔡毅，黄清宝，许可，王国华，伍慰珍
出版社：清华大学出版社出版时间：2023-10-01
开本： 其他 页数： 236
本类榜单：教材销量榜
中 图 价:¥31.2(7.0折) 定价  ¥44.5 登录后可看到会员价
加入购物车 收藏
运费6元，满69元免运费
?快递不能达地区使用邮政小包，运费14元起
云南、广西、海南、新疆、青海、西藏六省，部分地区快递不可达
本类五星书更多>
中图价:¥31.2 加入购物车
中图网自出版七楼书店 淘书团

数据挖掘 版权信息

数据挖掘 本书特色

本书内容新颖，可操作性强，图文并茂，简明易懂，可以作为普通高等学校、高职高专院校数据科学与大数据专业、软件工程专业等计算机相关专业和信息管理类专业大数据开发技术课程的教材，也可以作为大数据技术培训班教材，并适合大数据技术研发人员和广大计算机爱好者自学使用

数据挖掘 内容简介

近年来，数据挖掘（Data Mining）引起了产业界的极大关注，主要原因是生产制造等环节中存在海 量有潜在价值的数据，而各行各业都迫切需要将这些数据转换成有用的信息和知识。这些信息和知识可 以广泛用于各种领域，包括商务管理、生产控制、市场分析、工程设计等，帮助企业创造更高的利润和 占据新的制高点。 本书内容新颖，可操作性强，图文并茂，简明易懂，可作为高等学校数据科学与大数据、软件工程 等计算机相关专业和信息管理类专业“大数据开发技术”课程的教材，也可作为大数据技术培训班的教 材，还适合大数据技术研发人员和广大计算机爱好者自学使用。

数据挖掘 目录


第1章 绪论 1
1.1 数据挖掘概述 1
1.2 数据挖掘的定义 1
1.2.1 数据挖掘的一般步骤 2
1.2.2 数据挖掘任务 2
1.3 数据挖掘的主要问题 3
1.3.1 数据挖掘算法的有效性和可扩展性 3
1.3.2 处理噪声和不完全数据 3
1.3.3 高维度数据 3
1.3.4 关系数据库和复杂数据类型的处理 4
1.3.5 异种数据库和全球信息系统挖掘信息 4
1.4 数据挖掘的应用 4
1.4.1 推荐系统 4
1.4.2 互联网风险控制 5
1.5 小结 5
1.6 参考文献 5
第2章 数据及数据集基本分析 6
2.1 数据对象与属性 6
2.1.1 属性的定义 7
2.1.2 定性属性 7
2.1.3 定量属性 8
2.2 数据与元数据 9
2.2.1 传统的元数据 9
2.2.2 元数据的类型 10
2.2.3 元数据的模式 10
2.3 结构化、非结构化和半结构化数据 11
2.3.1 结构化数据 11
2.3.2 非结构化数据 12
2.3.3 半结构化数据 13
2.4 数据集基本分析技术 14
2.4.1 频率和众数 15
2.4.2 百分位数 15
2.4.3 均值和中位数 16
2.4.4 极差和方差 16
2.4.5 多元数据统计 17
2.5 结构化数据集基本分析技术 17
2.5.1 鸢尾花数据集介绍 17
2.5.2 描述统计 18
2.6 文本数据集基本分析技术 19
2.6.1 20newsgroups数据集介绍 19
2.6.2 文本可视化 22
2.7 数据可视化技术 23
2.7.1 可视化数据变量之间的相关性 24
2.7.2 可视化数据变量值的分布情况 26
2.8 数据对象相似性与距离计算 30
2.8.1 数据对象的相似性定义 30
2.8.2 数据对象相似性的度量方法 30
2.9 大数据概述 31
2.9.1 大数据的兴起 31
2.9.2 大数据的特点 32
2.10 小结 32
2.11 练习题 32
2.12 参考文献 33
第3章 数据预处理 34
3.1 数据预处理概述 34
3.2 数据清洗 35
3.2.1 缺失值处理 35
3.2.2 异常点检测 36
3.2.3 异常点处理 37
3.2.4 重复数据处理 37
3.2.5 噪声处理 38
3.3 数据降维 39
3.3.1 数据降维概述 39
3.3.2 主成分分析降维 39
3.3.3 多维缩放降维 41
3.3.4 等度量映射降维 43
3.3.5 局部线性嵌入降维 45
3.3.6 降维效果比较 47
3.4 结构化数据预处理技术 50
3.4.1 数据清洗 50
3.4.2 分组与聚合 53
3.4.3 合并 54
3.4.4 案例------房价预测竞赛 55
3.5 文本数据预处理技术 58
3.5.1 文本数据预处理技术概述 58
3.5.2 文本数据获取 58
3.5.3 分词 59
3.5.4 数据清洗 59
3.5.5 词干提取 62
3.5.6 词形还原 63
3.5.7 案例------新闻数据预处理 63
3.6 隐私保护与数据脱敏 67
3.6.1 隐私保护与数据脱敏概述 67
3.6.2 隐私保护与数据脱敏定义 67
3.6.3 敏感信息识别 67
3.6.4 敏感信息去除 69
3.7 小结 70
3.8 练习题 71
3.9 参考文献 71
第4章 分类基本算法 72
4.1 分类概述 72
4.1.1 分类任务简介 72
4.1.2 二分类及多分类 73
4.1.3 不均衡问题 73
4.2 k近邻算法 74
4.2.1 算法 74
4.2.2 距离度量 74
4.2.3 k值的选择 75
4.2.4 分类决策规则 75
4.2.5 参数说明 75
4.3 决策树 76
4.3.1 决策树简介 76
4.3.2 决策树算法 77
4.3.3 信息增益 77
4.3.4 增益率 77
4.4 支持向量机 79
4.4.1 线性可分支持向量机 80
4.4.2 线性支持向量机 82
4.4.3 非线性支持向量机 82
4.4.4 参数说明 83
4.5 随机森林 84
4.5.1 随机森林简介 84
4.5.2 随机森林算法 85
4.5.3 参数说明 85
4.6 AdaBoost 86
4.6.1 AdaBoost简介 86
4.6.2 AdaBoost算法 86
4.6.3 参数说明 88
4.7 朴素贝叶斯 88
4.7.1 朴素贝叶斯基本方法 88
4.7.2 朴素贝叶斯算法 89
4.7.3 参数说明 90
4.8 特征权重函数 91
4.8.1 无监督特征权重函数 91
4.8.2 有监督特征权重函数 92
4.9 结构化数据分类案例 93
4.9.1 鸢尾花数据集 93
4.9.2 评估方式 94
4.9.3 KNN实例 94
4.9.4 SVM实例 94
4.9.5 决策树实例 95
4.9.6 随机森林实例 95
4.9.7 AdaBoost实例 96
4.9.8 朴素贝叶斯分类器实例 96
4.10 文本分类实例 96
4.10.1 文本表示 96
4.10.2 分类模型的训练 99
4.11 小结 108
4.12 练习题 108
4.13 参考文献 108
第5章 基于深度学习的分类算法 110
5.1 深度学习概述 110
5.1.1 深度学习的发展历程 110
5.1.2 深度学习的概念 111
5.1.3 深度学习的应用 111
5.1.4 深度学习的未来 112
5.2 卷积神经网络 113
5.2.1 卷积神经网络简介 113
5.2.2 卷积运算 114
5.2.3 非线性激活函数 115
5.2.4 *大池化运算 115
5.3 循环神经网络 116
5.3.1 循环神经网络简介 116
5.3.2 循环神经网络的结构类型 119
5.4 长短期记忆网络 121
5.5 图像分类案例 123
5.5.1 数据集下载与预处理 123
5.5.2 模型架构搭建 126
5.5.3 模型的训练与验证 128
5.5.4 使用数据增强策略 129
5.5.5 随机失活策略 130
5.5.6 使用预训练模型提升结果 131
5.6 结构化数据分类案例 134
5.6.1 数据分析和可视化 134
5.6.2 模型架构搭建 136
5.6.3 模型训练和预测 137
5.7 文本分类案例 137
5.7.1 数据预处理 137
5.7.2 模型架构搭建 139
5.7.3 模型训练与预测 139
5.8 小结 140
5.9 练习题 140
5.10 参考文献 140
第6章 聚类分析 142
6.1 聚类概述 142
6.2 划分聚类 143
6.2.1 K均值 143
6.2.2 K均值算法的实现 144
6.2.3 二分K均值 145
6.2.4 二分K均值算法实现 146
6.2.5 划分聚类的优点与缺点 148
6.3 层次聚类 149
6.3.1 簇的邻近性度量 149
6.3.2 AGNES算法 150
6.3.3 层次聚类的优点与缺点 153
6.4 基于密度的聚类 153
6.4.1 DBSCAN 153
6.4.2 算法实现 155
6.4.3 参数的选取 156
6.4.4 密度聚类的优点与缺点 157
6.5 主题模型 157
6.5.1 LDA 模型 158
6.5.2 LDA参数估计 159
6.5.3 LDA的优点与缺点 159
6.6 结构化数据聚类案例 161
6.6.1 数据集 161
6.6.2 评价指标 161
6.6.3 聚类及评估 162
6.7 文本聚类案例 166
6.7.1 数据集 166
6.7.2 数据预处理 166
6.7.3 LDA的训练和评估 168
6.7.4 LDA 结果的可视化 170
6.8 聚类分析的相关工作 171
6.9 小结 172
6.10 练习题 172
6.11 参考文献 172
第7章 推荐系统 175
7.1 推荐系统概述 175
7.1.1 推荐系统的发展 175
7.1.2 推荐系统的应用场景 178
7.1.3 推荐系统评测指标 178
7.1.4 推荐系统存在的问题 182
7.2 个性化建模方法 184
7.2.1 基于向量空间模型的表示法 184
7.2.2 基于主题的表示法 184
7.2.3 基于用户--物品评分矩阵的表示法 185
7.2.4 基于神经网络的表示法 185
7.3 基于内容的推荐 185
7.3.1 基于内容的推荐简介 185
7.3.2 基于内容的推荐算法 186
7.3.3 基于内容的推荐的优点和缺点 188
7.4 基于协同过滤的推荐 189
7.4.1 协同过滤简介 189
7.4.2 用户行为数据介绍 189
7.4.3 基于用户的协同过滤 191
7.4.4 基于物品的协同过滤 193
7.4.5 矩阵分解 197
7.4.6 负样本的采样 201
7.5 混合推荐 202
7.5.1 混合推荐简介 202
7.5.2 结合不同的推荐系统 202
7.5.3 在协同过滤中添加基于内容的特征 203
7.5.4 在基于内容的推荐中加入协同过滤的特征 203
7.5.5 构建一个统一推荐模型 203
7.5.6 混合推荐的优点和缺点 203
7.6 基于主题的推荐 204
7.6.1 为什么需要用到主题模型 204
7.6.2 LDA主题模型概述 204
7.6.3 使用主题模型计算相似物品 205
7.6.4 使用主题模型计算相似用户 206
7.7 基于深度学习的推荐算法 206
7.8 推荐算法案例 208
7.8.1 数据的读取与分析 208
7.8.2 推荐算法的应用 213
7.9 小结 220
7.10 练习题 220
7.11 参考文献 221
展开全部
商品评论(0条)
写书评 赚书币
暂无评论……
书友推荐
本类畅销
编辑推荐
返回顶部
新手上路
新用户指引
注册用户 更改注册信息
购物常见问题
关于特价书的常见问题
购买问题
订单跟踪
付款方式
账户余额  申请提现
配送方式及费用、范围
集团购买
售后服务
退换货流程
投诉与建议
特色服务
会员等级与书币
中图网书馨卡
邀请好友购买返10元礼包
其他信息
本站简介
联系我们
招聘英才
网站联盟
友情链接
微信公众号
中图网微信
中图网微博
中图网微博
手机中图网
手机中图网
中图网
诚信认证 电子商务诚信单位认证

京ICP备09013606号-3京信市监发[2002]122号海淀公安分局备案编号：1101083394

营业执照出版物经营许可证 京出发京批字第直110071

在线客服