数据挖掘导论：（英文版）

图书标准信息

• 作者 [美]谭、斯坦巴克、库马尔 著
• 出版社 机械工业出版社
• 出版时间 2010-09
• 版次 1
• ISBN 9787111316701
• 定价 59.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 769页
• 丛书 经典原版书库

【内容简介】

《数据挖掘导论（英文版）》全面介绍了数据挖掘的理论和方法，着重介绍如何用数据挖掘知识解决各种实际问题，涉及学科领域众多，适用面广。书中涵盖5个主题：数据、分类、关联分析、聚类和异常检测。除异常检测外，每个主题都包含两章：前面一章讲述基本概念、代表性算法和评估技术，后面一章较深入地讨论高级概念和算法。目的是使读者在透彻地理解数据挖掘基础的同时，还能了解更多重要的高级主题。包含大量的图表、综合示例和丰富的习题。·不需要数据库背景。只需要很少的统计学或数学背景知识。·网上配套教辅资源丰富，包括PPT、习题解答、数据集等。

【作者简介】

Pang-Ning Tan现为密歇根州立大学计算机与工程系助理教授，主要教授数据挖掘、数据库系统等课程。他的研究主要关注于为广泛的应用(包括医学信息学、地球科学、社会网络、Web挖掘和计算机安全)开发适用的数据挖掘算法。
Michael Steinbach拥有明尼苏达大学数学学士学位、统计学硕士学位和计算机科学博士学位，现为明尼苏达大学双城分校计算机科学与工程系助理研究员。
Vipin Kumar现为明尼苏达大学计算机科学与工程系主任和William Norris教授。1988年至2005年，他曾担任美国陆军高性能计算研究中心主任。

【目录】

Preface

1Introduction

1.1WhatIsDataMining?

1.2MotivatingChallenges

1.3TheOriginsofDataMining

1.4DataMiningTasks

1.5ScopeandOrganizationoftheBook

1.6BibliographicNotes

1.7Exercises

2Data

2.1TypesofData

2.1.1AttributesandMeasurement

2.1.2TypesofDataSets

2.2DataQuality

2.2.1MeasurementandDataCollectionIssues

2.2.2IssuesRelatedtoApplications

2.3DataPreprocessing

2.3.1Aggregation

2.3.2Sampling

2.3.3DimensionalityReduction

2.3.4FeatureSubsetSelection

2.3.5FeatureCreation

2.3.6DiscretizationandBinarization

2.3.7VariableTransformation

2.4MeasuresofSimilarityandDissimilarity

2.4.1Basics

2.4.2SimilarityandDissimilaritybetweenSimpleAttributes.

2.4.3DissimilaritiesbetweenDataObjects

2.4.4SimilaritiesbetweenDataObjects

2.4.5ExamplesofProximityMeasures

2.4.6IssuesinProximityCalculation

2.4.7SelectingtheRightProximityMeasure

2.5BibliographicNotes

2.6Exercises

3ExploringData

3.1TheIrisDataSet

3.2SummaryStatistics

3.2.1FrequenciesandtheMode

3.2.2Percentiles

3.2.3MeasuresofLocation:MeanandMedian

3.2.4MeasuresofSpread:RangeandVariance

3.2.5MultivariateSummaryStatistics

3.2.6OtherWaystoSummarizetheData

3.3Visualization

3.3.1MotivationsforVisualization

3.3.2GeneralConcepts

3.3.3Techniques

3.3.4VisualizingHigher-DimensionalData

3.3.5Do'sandDon'ts

3.4OLAPandMultidimensionalDataAnalysis

3.4.1RepresentingIrisDataasaMultidimensionalArray

3.4.2MultidimensionalData:TheGeneralCase

3.4.3AnalyzingMultidimensionalData

3.4.4FinalCommentsonMultidimensionalDataAnalysis

3.5BibliographicNotes

3.6Exercises

Classification:

4BasicConcepts,DecisionTrees,andModelEvaluation

4.1Preliminaries

4.2GeneralApproachtoSolvingaClassificationProblem

4.3DecisionTreeInduction

4.3.1HowaDecisionTreeWorks

4.3.2HowtoBuildaDecisionTree

4.3.3MethodsforExpressingAttributeTestConditions.

4.3.4MeasuresforSelectingtheBestSplit

4.3.5AlgorithmforDecisionTreeInduction

4.3.6AnExample:WebRobotDetection

4.3.7CharacteristicsofDecisionTreeInduction

4.4ModelOverfitting

4.4.1OverfittingDuetoPresenceofNoise

4.4.2OverfittingDuetoLackofRepresentativeSamples.

4.4.3OverfittingandtheMultipleComparisonProcedure

4.4.4EstimationofGeneralizationErrors

4.4.5HandlingOverfittinginDecisionTreeInduction..

4.5EvaluatingthePerformanceofaClassifier

4.5.1HoldoutMethod

4.5.2RandomSubsampling

4.5.3Cross-Validation

4.5.4Bootstrap

4.6MethodsforComparingClassifiers

4.6.1EstimatingaConfidenceIntervalforAccuracy

4.6.2ComparingthePerformanceofTwoModels

4.6.3ComparingthePerformanceofTwoClassifiers

4.7BibliographicNotes

4.8Exercises

5Classification:AlternativeTechniques

6AssociationAnalysis:BasicConceptsandAlgorithms