数据挖掘与机器学 数据库 吴建生 许桂秋 新华正版
￥ 21.5 4.3折 ￥ 49.8 全新
仅1件
河北保定
认证卖家担保交易快速发货售后保障
作者吴建生 许桂秋
出版社人民邮电出版社
ISBN9787115503527
出版时间2018-08
版次1
装帧平装
开本16
页数170页
字数289千字
定价49.8元
货号400_9787115503527
上书时间2024-06-26
- 在售商品 暂无
- 平均发货时间 25小时
- 好评率 暂无
- 最新上架
商品详情
- 品相描述：全新
- 正版特价新书
- 商品描述
-
主编：
中科曙光下的教育培训结构，目前在有几十所合作院校，部分高校实现了课程植入，瑞翼教育对每个教育点派驻团队。企业高校，大数据、人工智能必修课程，企业案例实践台
目录：
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 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 数据挖掘的交学科 20
1.6.1 统计学 21
1.6.2 机器学 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 41
3.1 数据挖掘中的机器学 41
3.1.1 什么是机器学？ 41
3.1.2 机器学处理的问题 42
3.1.3 机器学的框架 42
3.1.4 数据的加载和分割 43
3.2 机器学的模型 45
3.2.1 模型的选择 45
3.2.1 学和预测 46
3.2.3 实验实现机器学模型 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 63
4.2.2 应用场景 66
4.3 朴素贝叶斯分类 66
4.3.1 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 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 与应用场景 72
4.5.2 实验实现knn算法 74
4.6 多类问题 76
4.6.1 与应用场景 76
4.6.2 实验实现多类问题 77
第5章 回归模型算法与应用 79
5.1 回归预测问题 80
5.2 线回归 81
5.2.1 与应用场景 81
5.2.2 实验实现线回归 82
5.3 岭回归和lasso 84
5.3.1 与应用场景 84
5.3.2 实验实现岭回归 87
5.4 逻辑回归 89
5.4.1 与应用场景 89
5.4.2 实验实现逻辑回归 91
第6章 无监督学 94
6.1 无监督学问题 94
6.1.1 无监督学 94
6.1.2 聚类分析的基本概念与 95
6.2 划分聚类 96
6.2.1 划分聚类 96
6.2.2 k-means算法 97
6.2.3 实验实现k-means算法 100
6.3 层次聚类 103
6.3.1 层次聚类算法 103
6.3.2 实验实现层次聚类算法实现 105
6.4 聚类效果评测 106
6.4.1 聚类效果的评测 106
6.4.2 实验实现聚类效果评测 107
6.5 降维 108
6.5.1 降维方法 108
6.5.2 实验实现降维 108
第7章 关联规则 110
7.1 关联规则的概念 111
7.1.1 什么是关联规则？ 111
7.2 apriori算法 112
7.2.1 apriori算法概念 112
7.2.2 apriori算法实现 113
7.2.3 实验实现apriori算法 115
7.3 协同过滤 119
7.3.1 协同过滤算法的概念 119
7.3.2 协同过滤（基于用户） 120
7.3.3 协同过滤（基于用户） 122
7.3.4 实验实现协同过滤算法 124
第8章 图像数据分析 129
8.1 图像数据 129
8.2 图像数据分析方法 131
8.3 图像数据分析案例 133
8.3.1 pil：python图像处理类库应用示例 133
8.3.2 numpy图像数据分析示例 138
8.3.3 scipy图像数据分析示例 141
8.3.4 scikit-image 145
8.3.5 综合练 150
第 9 章 自然语言处理与nltk 151
9.1 自然语言处理概述 151
9.1.1 什么是自然语言处理？ 151
9.2 nltk入门基础 152
9.2.1 python的第三方模块nltk 152
9.2.2 实验实现词条化 153
9.2.3 实验实现词干还原 154
9.2.4 实验实现词型归并 155
9.2.5 实验实现文本划分 156
9.2.6 实验实现数值型数据的转换 157
9.3 nltk文本分析 159
9.3.1 实验实现文本分类器 159
9.3.2 实验实现别判断 161
9.3.3 实验实现情感分析 162
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、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、有用、有效和可伸缩问题。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。
作者简介：
吴建生，广西科技师范学院数学与计算机科学学院教授、硕士生导师。数学与计算机科学学院院长，中国计算机学会会员、广西人工智能常务理事、广西数学学会常务理事。研究领域为智能计算、机器学、数据挖掘。获得广西科学技术进步3项。公开发表研究30 多篇，被 ci、ei 收录18 篇，完成软件著作8套，发明专利4个、实用新型专利10多个。
— 没有更多了 —
以下为对购买帮助不大的评价