数据挖掘原理
内容提要 ：
成对日益庞大的数据资源，人们迫切需要强有力的工个来“挖掘”其中的有作信息，数据挖掘就是针对这一需求而发展起来的一门汇集统计学、机器学习、数据库、人工智能学科内容的新兴的交叉学科。本书深入探讨数据挖掘原理，把信息科学、计算科学和统计学对数据挖掘的贡献融俣在一起，是一本真正的跨学科教材。
本书适合计算机专业、应用数学专业高年级本科生和研究生，以及致力于数据挖掘方向的研究和工作人员等阅读。
编辑推荐 ：
很多学科都面临一个普遍问题：如何存储、访问异常庞大的数据集，并用模型来描述和理解它们？这些问题使得人们对数据挖掘技术的兴趣不断增强。长期以来，很多相互独立的不同学科分别致力于数据挖掘的各个方面。本书把信息科学、计算科学和统计学生在数据挖掘方面的应用融合在一起，是第一本真正的跨学科教材。
本书由一部分构成。第一部分是基础，介绍了数据挖掘算法及其应用所依赖的基本原理。讨论方示直观易懂，深入浅出。第二部分是数据挖掘算法，系统讨论了如何构建求解特定问题的没算法。讨论的内容包括用于分类和回归的树及规则，关联规则、信念网络、传统统计模型，以及各种非线性模型，比如神经网络和“基于记忆”的局部模型。第三部分介绍了如何应用前面讨论的算法和原理来解决现实世界中的数据挖掘问题。谈到的问题包括元数据的作用，如何处理残缺数据，以及数据预处理。
作者简介 ：
(英)汉德（David Hand）是伦敦帝国大学数学系统计学教授。Heikki Mannila是赫尔辛基工业大学计算科学与工程系的教授，诺基亚研究中心的研究员。Padhraic Smyth是加州大学Lrvine分校信息与计算科学系的副教授。
目录 ：
出版者的话
专家指导委员会名单 中文版序言 前言 第1章 绪论 第2章 测理和数据 第3章 可视化和探索数据 第4章 数据分析和不确定性 第5章 数据挖掘算法概览 第6章 模型和模式 第7章 数据挖掘算法的评发函数 第8章 搜索和优化方法 第9章 描述建模 第10章 用于分类的预测建模 第11章 用于回归的预测 第12章 数据组织和数据库 第13章 寻找模式和规则 第14章 根据内容检索 附录 随机变量 参考文献 索引 |
你读过这本书吗？
图书城书评：
图书城书列：
更多图书...
|
