数据挖掘：实用机器学习技术及Java实现

图书标准信息

• 作者 [新西兰]威腾 著
• 出版社 机械工业出版社
• 出版时间 2003-09
• 版次 1
• ISBN 9787111127697
• 定价 40.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 369页
• 正文语种 英语
• 丛书 经典原版书库

【内容简介】

　　《数据挖掘：实用机器学习技术及Java实现（英文版）》是一本将数据挖掘算法和数据挖掘实践完美结合起来的优秀教材。作者以其丰富的经验，对数据挖掘的概念和数据挖掘所有的技术（特别是机器学习）进行了深入浅出的介绍，并对应用机器学习工具进行数据挖掘给出了良好的建议。数据挖掘中的各个关键要素也事例融合在众多实例中加以介绍。

　　《数据挖掘：实用机器学习技术及Java实现（英文版）》还介绍了Weka这种基于Java的软件系统。该软件系统可以用来分析数据集，找到适用的模式，进行正确的分析，也可以用来开发自己的机器学方案。

　　《数据挖掘：实用机器学习技术及Java实现（英文版）》的主要特点：

　　解释数据挖掘算法的原理。

　　通过实例帮助读者根据实际情况选择合适的算法，并比较和评估不同方法得出的结果。

　　介绍提高性能的技术，包括数据处理以及组合不同方法得到的输出。

【作者简介】

　　LanH.Witten，新西兰怀卡托大学计算机科学系教授。他是ACM和新西兰皇家学会的成员，并参加了英国、美国、加拿大和新西兰的专业计算、信息检索、工程等协会。他著有多部著作，是多家技术杂志的作者，发表过大量论文。

　　 

【目录】

Foreword

Preface

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 application

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 Infereing rudimentary rules

4.2 Statistical modeling

4.3 Divide and conuquer:Constructing decision trees

4.4 Covering algorithms:Construsting rules

4.5 Mining association rules

4.6 Linear models

4.7 Instance-based learning

4.8 Further reading

5 Credibility:Evaluation what's been learnde

5.1 Training and testing

5.2 predicting per formance

5.3 Cross-vaidation

5.4 Other estimates

5.5 Comparing data mining schems

5.6 Predicting Probabilities

5.7 Counting the cost

5.8 Evaluating numer ic prediction

5.9 The minimum description length principle

5.10 Applying MDL to clustering

5.11 Further reading

6 Implemententation:Real machine learning schemes

6.1 Decision tress

6.2 Classification rules

6.3 Extending linear classification:Support vector machines

6.4 Instance-based learning

6.5 Numeric prediction

6.6 Clustering

7 Moving on:Engineering the input and output

7.1 Attribute selection

7.2 Discretizing numeric attributes

7.3 Automtic data cleansing

7.4 Combining multiple models

7.5 Further reading

8 Nuts and bolts:Machine learning algorithms in Java

8.1 Getting started

8.2 Javadoc and the class library

8.3 Processing dataset using the machine learning programs

8.4 Embedded machine learning

8.5 Writing new learning schemes

9 Looking forward

9.1 learning from massive datasets

9.2 Visualizing machine learning

9.3 Incorporation domain knowlgdge

9.4 Text mining

9.5 Mining the World Wide Web

9.6 Further reading

References

Index

About the authors