• 数据挖掘:原理与实践(进阶篇)
  • 数据挖掘:原理与实践(进阶篇)
  • 数据挖掘:原理与实践(进阶篇)
  • 数据挖掘:原理与实践(进阶篇)
  • 数据挖掘:原理与实践(进阶篇)
  • 数据挖掘:原理与实践(进阶篇)
  • 数据挖掘:原理与实践(进阶篇)
21年品牌 40万+商家 超1.5亿件商品

数据挖掘:原理与实践(进阶篇)

12 1.5折 79 九品

仅1件

贵州遵义
认证卖家担保交易快速发货售后保障

作者Aggarwal 著;查鲁·C.、阿加沃尔(Charu、C.、王晓阳 王建勇 禹晓辉 陈世敏 译

出版社机械工业出版社

出版时间2020-12

版次1

装帧平装

上书时间2025-01-07

绥阳大禹书室

十二年老店
已实名 已认证 进店 收藏店铺

   商品详情   

品相描述:九品
图书标准信息
  • 作者 Aggarwal 著;查鲁·C.、阿加沃尔(Charu、C.、王晓阳 王建勇 禹晓辉 陈世敏 译
  • 出版社 机械工业出版社
  • 出版时间 2020-12
  • 版次 1
  • ISBN 9787111670308
  • 定价 79.00元
  • 装帧 平装
  • 开本 16开
  • 纸张 胶版纸
  • 页数 220页
【内容简介】

全书理论联系实际,全面讲述数据挖据理论、技术及应用的教材。研讨了数据挖掘的方方面面,从基础理论到复杂数据类型及其应用。不仅讨论传统的数据挖掘问题,而且介绍了高级数据类型,例如文本、时间序列、离散序列、空间数据、图数据和社会网络。本书由基础篇和进阶篇组成。基础篇对应原书的第1~11章,进阶篇对应原书的第12~20章。

【作者简介】
查鲁C. 阿加沃尔(Charu C. Aggarwal)是IBM T. J. Watson研究中心的杰出研究人员,于1996年获麻省理工学院博士学位。他对数据挖掘领域有着广泛的研究,在国际会议和期刊上发表了250多篇论文,拥有80多项专利。他曾三次被评为IBM的“杰出发明人”,并曾获得IBM公司奖、IBM杰出创新奖和两项IBM杰出技术成就奖。他因为提出基于冷凝的数据挖掘中的隐私保护技术而获得EDBT2014的时间检验奖。他还获得了IEEE ICDM研究贡献奖(2015),这是数据挖掘领域对具有突出贡献的研究的两个*高奖项之一。.他曾多次担任ACM/IEEE知名国际学术会议的主席或程序委员会主席,并担任大数据相关多个知名期刊的主编或编委。由于在知识发现和数据挖掘算法上的贡献,他入选SIAM、ACM和IEEE的会士。
【目录】
出版者的话译者序前言第14章 时间序列数据挖掘114.1 引言114.2 时间序列的前期准备和相似性度量214.2.1 缺失值处理214.2.2 噪声去除314.2.3 归一化414.2.4 数据转换和约简514.2.5 时间序列相似性度量614.3 时间序列预测714.3.1 自回归模型914.3.2 自回归移动平均模型1014.3.3 带有隐含变量的多元预测1114.4 时间序列模体1314.4.1 基于距离的模体1414.4.2 转换为序列模式挖掘1514.4.3 周期模式1614.5 时间序列聚类1614.5.1 共同演化序列的在线聚类1714.5.2 基于形状的聚类1914.6 时间序列异常检测2014.6.1 点异常2114.6.2 形状异常2214.7 时间序列分类2314.7.1 有监督事件检测2314.7.2 全时序分类2614.8 小结2714.9 文献注释2714.10 练习题28第15章 离散序列挖掘2915.1 引言2915.2 序列模式挖掘3015.2.1 频繁模式到频繁序列3215.2.2 约束的序列模式挖掘3415.3 序列聚类3515.3.1 基于距离的方法3615.3.2 基于图的方法3615.3.3 基于序列的聚类3715.3.4 概率聚类3715.4 序列中的异常检测4015.4.1 位置异常4015.4.2 组合异常4415.5 隐马尔可夫模型4515.5.1 HMM的正式定义4715.5.2 评估:计算观察序列的拟合概率4815.5.3 说明:确定观察序列的最优状态序列4915.5.4 训练:鲍姆韦尔奇算法4915.5.5 应用5015.6 序列分类5115.6.1 最近邻分类器5115.6.2 基于图的方法5115.6.3 基于规则的方法5215.6.4 内核SVM5215.6.5 概率方法:隐马尔可夫模型5415.7 小结5415.8 文献注释5515.9 练习题55第16章 空间数据挖掘5716.1 引言5716.2 上下文空间属性的挖掘5816.2.1 形状到时间序列的转换5816.2.2 使用小波分析的空间数据到多维数据的转换6116.2.3 共址空间模式6216.2.4 形状聚类6316.2.5 异常检测6416.2.6 形状分类6616.3 轨迹挖掘6716.3.1 轨迹数据和多变量时间序列的等价性6716.3.2 将轨迹转换为多维数据6816.3.3 轨迹模式挖掘6816.3.4 轨迹聚类7016.3.5 轨迹异常检测7216.3.6 轨迹分类7316.4 小结7416.5 文献注释7416.6 练习题75第17章 图数据挖掘7617.1 引言7617.2 图匹配和距离计算7717.2.1 同构子图问题的Ullman算法7917.2.2 最大公共子图问题8217.2.3 用于距离计算的图匹配方法8217.3 基于转换的距离计算8617.3.1 基于频繁子结构的转换和距离计算8617.3.2 拓扑描述量8717.3.3 基于内核的转换和计算8917.4 图数据的频繁子结构挖掘9017.4.1 基于节点的连接9217.4.2 基于边的连接9217.4.3 频繁模式挖掘到图模式挖掘9317.5 图聚类9317.5.1 基于距离的方法9417.5.2 基于频繁子结构的方法9417.6 图分类 9617.6.1 基于距离的方法9617.6.2 基于频繁子结构的方法9717.6.3 内核SVM9817.7 小结9817.8 文献注释9917.9 练习题99第18章 挖掘Web数据10118.1 引言10118.2 Web爬取和资源发现10218.2.1 基本爬虫算法10218.2.2 偏好爬虫10318.2.3 多线程10418.2.4 爬虫陷阱应对方法10418.2.5 检测近似重复的覆盖10418.3 搜索引擎索引和查询处理10518.4 排名算法10718.4.1 PageRank10718.4.2 HITS11118.5 推荐系统11218.5.1 基于内容的推荐11418.5.2 协同过滤基于邻域的方法11518.5.3 基于图的方法11618.5.4 聚类方法11718.5.5 潜在因素模型11818.6 Web使用记录的挖掘11918.6.1 数据预处理12018.6.2 应用12018.7 小结12118.8 文献注释12118.9 练习题122第19章 社交网络分析12319.1 引言12319.2 社交网络:预备知识与特性12419.2.1 同质性12419.2.2 三元闭合和聚类系数12419.2.3 网络构成的动态性12519.2.4 符合幂定律的度分布12619.2.5 中心度和声望的度量12619.3 社区发现12919.3.1 Kernighan-Lin算法13119.3.2 Girvan-Newman算法13219.3.3 多层次的图划分:METIS13519.3.4 谱聚类13719.4 协同分类14019.4.1 迭代分类算法14119.4.2 随机游走方式的标签传播14219.4.3 有监督的谱方法14519.5 链接预测14719.5.1 基于邻域的度量14819.5.2 Katz度量14919.5.3 基于随机游走的度量15019.5.4 链接预测作为分类问题15019.5.5 链接预测作为缺失值估计问题15019.5.6 讨论15119.6 
点击展开 点击收起

—  没有更多了  —

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP