数据挖掘：实用机器学习技术

图书标准信息

• 作者 [新西兰]威滕（Witten I.H.） 著
• 出版社 机械工业出版社
• 出版时间 2005-09
• 版次 1
• ISBN 9787111172482
• 定价 58.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 524页
• 丛书 经典原版书库

【内容简介】

《经典原版书库·数据挖掘：实用机器学习技术（英文版）（第2版）（新版）》对1999年的初版做了重大的改动。虽说核心概念没有变化，但本书进行了更新使其能反映过去5年里的变化，参考文献几乎翻了一番。新版的重要部分包括：30个新的技术章节；一个加强了的具有交互式界面的Weka机器学习工作平台；有关神经网络的完整信息，一个有关贝叶斯网络的新节；等等。

《经典原版书库·数据挖掘：实用机器学习技术（英文版）（第2版）（新版）》提供了机器学习概念的完整基础，此外还针对实际工作中应用相关工具和技术提出了一些建议，在本书中你将发现：

●成功数据挖掘技术的核心算法，包括历经考验的真实技术及前沿的方法。

●转换输入或输出以改善性能的方法。

●可下载的Weka软件，一个用于数据挖掘任务的机器学习算法的集合，包括用于数据预处理、分类、回归、聚类、关联规则以及在新的交互式界面上可视化的工具。

【作者简介】

　　LanH.Witten新西兰怀卡托大学计算机科学系教授，ACM和新西兰皇家学会成员。他曾荣获2004年国际信息处理研究联合会颁发的Namur奖项，这是一个两年一度的荣誉奖项，用于奖励那些在信息和通信技术的社会应用方面做出杰现贡献及具有国际影响的人。他的著作包括《ManagingGigabytes》（1999）、《HowtoBuildaDigitalLibrary》（2003），以及众多的期刊文章和会议论文。EibeFrank，新西兰怀卡托大学计算机科学系高级讲师。他在机器学习领域发表了大量的论文，是《MachineLearingJournal》和《JournalofArtificialIntelligenceResearch》的编委之一。同时他还是许多数据挖掘和机器学习学术会议设计委员会的成员。作为Weka机器学习软件的核心开发成员之一，他维护并不断完善着这个软件。

【目录】

Foreword

Preface

Part I Machine learning tools and techniques

1. What?s it all about?

1.1 Data mining and machine learning

1.2 Simple examples: the weather problem and others

1.3 Fielded applications

1.4 Machine learning and statistics

1.5 Generalization as search

1.6 Data mining and ethics

1.7 Further reading

2. Input: Concepts, instances, attributes

2.1 What?s a concept?

2.2 What?s in an example?

2.3 What?s in an attribute?

2.4 Preparing the input

2.5 Further reading

3. Output: Knowledge representation

3.1 Decision tables

3.2 Decision trees

3.3 Classification rules

3.4 Association rules

3.5 Rules with exceptions

3.6 Rules involving relations

3.7 Trees for numeric prediction

3.8 Instance-based representation

3.9 Clusters

3.10 Further reading

4. Algorithms: The basic methods

4.1 Inferring rudimentary rules

4.2 Statistical modeling

4.3 Divide-and-conquer: constructing decision trees

4.4 Covering algorithms: constructing rules

4.5 Mining association rules

4.6 Linear models

4.7 Instance-based learning

4.8 Clustering

4.9 Further reading

5. Credibility: Evaluating what?s been learned

5.1 Training and testing

5.2 Predicting performance

5.3 Cross-validation

5.4 Other estimates

5.5 Comparing data mining schemes

5.6 Predicting probabilities

5.7 Counting the cost

5.8 Evaluating numeric prediction

5.9 The minimum description length principle

5.10 Applying MDL to clustering

5.11 Further reading

6. Implementations: Real machine learning schemes

6.1 Decision trees

6.2 Classification rules

6.3 Extending linear models

6.4 Instance-based learning

6.5 Numeric prediction

6.6 Clustering

6.7 Bayesian networks

7. Transformations: Engineering the input and output

7.1 Attribute selection

7.2 Discretizing numeric attributes

7.3 Some useful transformations

7.4 Automatic data cleansing

7.5 Combining multiple models

7.6 Using unlabeled data

7.7 Further reading

8. Moving on: Extensions and applications

8.1 Learning from massive datasets

8.2 Incorporating domain knowledge

8.3 Text and Web mining

8.4 Adversarial situations

8.5 Ubiquitous data mining

8.6 Further reading

Part II: The Weka machine learning workbench

9. Introduction to Weka

9.1 What?s in Weka?

9.2 How do you use it?

9.3 What else can you do?

9.4 How do you get it?

10. The Explorer

10.1 Getting started

10.2 Exploring the Explorer

10.3 Filtering algorithms

10.4 Learning algorithms

10.5 Meta-learning algorithms

10.6 Clustering algorithms

10.7 Association-rule learners

10.8 Attribute selection

11. The Knowledge Flow interface

11.1 Getting started

11.2 Knowledge Flow components

11.3 Configuring and connecting the components

11.4 Incremental learning

12. The Experimenter

12.1 Getting started

12.2 Simple setup

12.3 Advanced setup

12.4 The Analyze panel

12.5 Distributing processing over several machines

13. The command-line interface

13.1 Getting started

13.2 The structure of Weka

13.3 Command-line options

14. Embedded machine learning

……

15. Writing new learning schemes

References

Index