数据挖掘与机器学习 本书特色

本书主要介绍数据挖掘的基本技术和应用。数据挖掘作为一个多学科领域，从多个学科汲取营养。这些学科包括统计学、机器学习、模式识别、数据库技术、信息检索、网络科学、知识库系统、人工智能、高性能计算和数据可视化。我们提供发现隐藏在大型数据集中的模式的技术，关注可行性、有用性、有效性和可伸缩性问题。尽管我们确实提供了这些领域的必要背景材料，以便读者理解它们各自在数据挖掘中的作用。本书中由浅入深的为每个章节准备了案例，使读者能了解数据挖掘技术是如何运用在实际问题上的，从而灵活运用所学知识和技能。

数据挖掘与机器学习 内容简介

本书主要介绍数据挖掘的基本技术和应用。数据挖掘作为一个多学科领域，从多个学科汲取营养。这些学科包括统计学、机器学习、模式识别、数据库技术、信息检索、网络科学、知识库系统、人工智能、高性能计算和数据可视化。我们提供发现隐藏在大型数据集中的模式的技术，关注可行性、有用性、有效性和可伸缩性问题。尽管我们确实提供了这些领域的必要背景材料，以便读者理解它们各自在数据挖掘中的作用。本书中由浅入深的为每个章节准备了案例，使读者能了解数据挖掘技术是如何运用在实际问题上的，从而灵活运用所学知识和技能。

数据挖掘与机器学习 目录

第 1 章 数据挖掘概述 1

1.1　数据挖掘发展简述　1

1.1.1　数据时代　1

1.1.2　数据分析的技术发展　2

1.2　数据挖掘概念　5

1.2.1　数据挖掘的定义与OLAP　5

1.2.2　数据挖掘与知识发现KDD　6

1.3　数据挖掘的功能与应用领域　9

1.3.1　电子商务　9

1.3.2　电信行业　10

1.3.3　金融行业　10

1.3.4　医疗行业　10

1.3.5　社会网络　11

1.3.6　数据挖掘应用的问题　11

1.4　数据挖掘的模式类型　11

1.4.1　类/概念描述：特征和区分　12

1.4.2　回归（regression）　13

1.4.3　分类（classification）　14

1.4.4　预测（forecasting）　15

1.4.5　关联分析（association）　15

1.4.6　聚类分析（cluster）　16

1.4.7　异常检测（anomalydetection）　17

1.4.8　小结　17

1.5　数据挖掘的数据类型　18

1.5.1　数据库　18

1.5.2　数据仓库数据　19

1.5.3　其它数据类型　20

1.6　数据挖掘的交叉学科　20

1.6.1　统计学　21

1.6.2　机器学习　21

1.6.3　数据库与数据仓库　22

第　2章 Pandas数据分析　23

2.1　Pandas与数据分析　23

2.1.1　统计学与数据挖掘　23

2.1.2　常用的统计学指标　24

2.1.3　Pandas的简单介绍　26

2.2　Pandas统计案例分析　30

2.2.1　实验实现Pandas自行车数据分析　30

2.2.2　实验实现Pandas服务热线数据分析　36

第3章　数据挖掘与机器学习　41

3.1　数据挖掘中的机器学习　41

3.1.1　什么是机器学习？　41

3.1.2　机器学习处理的问题　42

3.1.3　机器学习的框架　42

3.1.4　数据的加载和分割　43

3.2　机器学习的模型　45

3.2.1　模型的选择　45

3.2.1　学习和预测　46

3.2.3　实验实现机器学习模型　47

3.3　模型的评判和保存　48

3.3.1　分类、回归、聚类不同的评判指标　48

3.3.2　交叉验证 (Cross validation)　49

3.3.3　实验实现分类、回归指标　50

3.3.4　实验实现cross_val_score　51

3.3.5　实验实现模型的保存　52

3.4　支持向量机　53

3.4.1　支持向量机　53

3.4.2　实验实现支持向量机分类　54

3.4.3　实验实现支持向量机回归　55

3.4.4　实验实现支持向量机异常检测　55

3.5　过拟合问题　58

3.5.1　过拟合　58

3.5.2　实验实现学习曲线和验证曲线　59

第4章　分类分析方法与应用　62

4.1　数据挖掘分类问题　62

4.2　概率模型　63

4.2.1　原理　63

4.2.2　应用场景　66

4.3　朴素贝叶斯分类　66

4.3.1　原理与应用场景　66

4.3.2　实验实现朴素贝叶斯算法　67

4.4　向量空间模型　68

4.4.1　原理与应用场景　68

4.4.2　实验实现空间向量模型　69

4.5　KNN算法　72

4.5.1　原理与应用场景　72

 1/2    1 2 下一页 尾页

教材 研究生/本科/专科教材 工学

在线阅读