Web数据挖掘
¥
6.13
1.0折
¥
59.5
九五品
仅1件
作者[美] 刘兵 著,俞勇 等 译
出版社清华大学出版社
ISBN9787302298700
出版时间2016-11
版次1
装帧平装
开本16开
纸张胶版纸
页数434页
字数99999千字
定价59.5元
上书时间2024-05-10
商品详情
- 品相描述:九五品
- 商品描述
-
基本信息
书名:Web数据挖掘
定价:59.5元
作者:[美] 刘兵 著,俞勇 等 译
出版社:清华大学出版社
出版日期:2016-11-01
ISBN:9787302298700
字数:702000
页码:434
版次:2
装帧:平装
开本:16开
商品重量:
编辑推荐
(1)阐述Web数据挖掘的概念及其核心算法,使读者获得相对完整的关于Web数据挖掘的算法和技术知识。 (2)不仅介绍了搜索、页面爬取和资源探索以及链接分析等传统的Web挖掘主题,而且还介绍了结构化数据的抽取、信息整合、观点挖掘和Web使用挖掘等内容。
内容提要
过去几十年里,Web的迅速发展使其成为世界上规模大的公共数据源。Web挖掘的目标是从Web超链接、网页内容和使用日志中探寻有用的信息。 《世界著名计算机教材精选:Web数据挖掘(第2版)》旨在阐述Web数据挖掘的概念及其核心算法,使读者获得相对完整的关于Web数据挖掘的算法和技术知识。本书不仅介绍了搜索、页面爬取和资源探索以及链接分析等传统的Web挖掘主题,而且还介绍了结构化数据的抽取、信息整合、观点挖掘和Web使用挖掘等内容,这些内容在已有书籍中没有提及过,但它们在Web数据挖掘中却占有非常重要的地位。全书分为两大部分:部分包括第2章到第5章,介绍数据挖掘的基础,第二部分包括第6章到2章,介绍Web相关的挖掘任务。从本书自版出版之后,很多领域已经有了重大的进展。新版大部分的章节都已经添加了新的材料来反应这些进展,主要的改动在1章和2章中,这两章已经被重新撰写并做了重要的扩展。 《世界著名计算机教材精选:Web数据挖掘(第2版)》不仅可作为本科生的教科书,也是在Web数据挖掘和相关领域研读博士学位的研究生的重要参考用书,同时对Web挖掘研究人员和实践人员获取知识、信息、甚至是创新想法也很有帮助。
目录
章 概述1.1 什么是万维网1.2 万维网和互联网的历史简述1.3 Web数据挖掘1.3.1 什么是数据挖掘1.3.2 什么是Web数据挖掘1.4 各章概要1.5 如何阅读本书文献评注参考文献部分 数据挖掘基础第2章 关联规则和序列模式2.1 关联规则的基本概念2.2 Apriori算法2.2.1 频繁项目集生成2.2.2 关联规则生成2.3 关联规则挖掘的数据格式2.4 多最小支持度的关联规则挖掘2.4.1 扩展模型2.4.2 挖掘算法2.4.3 规则生成2.5 分类关联规则挖掘2.5.1 问题描述2.5.2 挖掘算法2.5.3 多最小支持度分类关联规则挖掘2.6 序列模式的基本概念2.7 基于GSP挖掘序列模式2.7.1 GSP算法2.7.2 多最小支持度挖掘2.8 基于PrefixSpan算法的序列模式挖掘2.8.1 PrefixSpan算法2.8.2 多最小支持度挖掘2.9 从序列模式中产生规则2.9.1 序列规则2.9.2 标签序列规则2.9.3 分类序列规则文献评注参考文献第3章 监督学习3.1 基本概念3.2 决策树归纳3.2.1 学习算法3.2.2 混杂度函数3.2.3 处理连续属性3.2.4 其他一些问题3.3 评估分类器3.3.1 评估方法3.3.2 查准率、查全率、F-score和平衡点(BreakevePoint)3.3.3 受试者工作特征曲线3.3.4 提升曲线3.4 规则归纳3.4.1 顺序化覆盖3.4.2 规则学习:Learn-One-Rule函数3.4.3 讨论3.5 基于关联规则的分类3.5.1 使用类关联规则进行分类3.5.2 使用类关联规则作为分类属性3.5.3 使用古典的关联规则分类3.6 朴素贝叶斯分类3.7 朴素贝叶斯文本分类3.7.1 概率框架3.7.2 朴素贝叶斯模型3.7.3 讨论3.8 支持向量机3.8.1 线性支持向量机:可分的情况3.8.2 线性支持向量机:数据不可分的情况3.8.3 非线性支持向量机:核方法总结3.9 A、近邻学习3.10 分类器的集成3.10.1 Bagging3.10.2 Boosting文献评注参考文献第4章 无监督学习4.1 基本概念4.2 A-均值聚类4.2.1 A-均值算法4.2.2 A-均值算法的硬盘版本4.2.3 优势和劣势4.3 聚类的表示4.3.1 聚类的一般表示方法4.3.2 任意形状的聚类4.4 层次聚类4.4.1 单连结方法4.4.2 全连结方法4.4.3 平均连结方法4.4.4 优势和劣势4.5 距离函数4.5.1 数字属性4.5.2 布尔属性和名词性属性4.5.3 文本文档4.6 数据标准化4.7 混合属性的处理4.8 采用哪种聚类算法4.9 聚类的评估4.10 发现数据区域和数据空洞文献评注参考文献第5章 部分监督学习5.1 从已标注数据和无标注数据中学习5.1.1 使用朴素贝叶斯分类器的EM算法5.1.2 Co-naining5.1.3 自学习5.1.4 直推式支持向量机5.1.5 基于图的方法5.1.6 讨论5.2 从正例和无标注数据中学习5.2.1 PU学习的应用5.2.2 理论基础5.2.3 建立分类器:两步方法5.2.4 建立分类器:偏置SVM5.2.5 建立分类器:概率估计5.2.6 讨论……第2部分 Web挖掘
作者介绍
序言
— 没有更多了 —
以下为对购买帮助不大的评价