掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
數據挖掘基礎(第2版) 版權信息
- ISBN：9787302634492
- 條形碼：9787302634492 ; 978-7-302-63449-2
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
數據挖掘基礎(第2版) 本書特色
本教材幫助應用型院校學生學習和掌握數據挖掘的基本知識以及應用技能，以通俗、簡明并結合實際應用的方式編寫本教材。詳細講述了數據挖掘概念及常用方法，包括分類方法、聚類方法和關聯規則方法。此外，從實際應用出發，講解了日志的挖掘與應用方法，以及多個數據挖掘應用案例。
數據挖掘基礎(第2版) 內容簡介
本書介紹數據挖掘的基本概念，包括數據挖掘的常用算法、常用工具、用途和應用場景及應用狀況，講述常用數據挖掘方法，如分類、聚類、關聯規則的概念、思想、典型算法、應用場景等。此外，本書還從實際應用出發，講解基于日志的大數據挖掘技術的原理、工具、應用場景和成功案例。 通過本書的學習，讀者將了解數據挖掘的基本概念、思想和算法，并掌握其應用要領。本書可以作為培養應用型人才的課程教材，也可作為相關開發人員的自學教材和參考手冊。
數據挖掘基礎(第2版) 目錄
第1 章 數據挖掘的概念
1.1 數據挖掘概述 1
1.1.1 什么是數據挖掘 2
1.1.2 數據挖掘常用算法概述 2
1.1.3 數據挖掘常用工具概述 3
1.2 數據探索 5
1.2.1 數據概述 5
1.2.2 數據質量 6
1.2.3 數據預處理 8
1.3 數據挖掘的應用 10
1.3.1 數據挖掘的現狀及發展趨勢 10
1.3.2 數據挖掘需要解決的問題 10
1.3.3 數據挖掘的應用場景 12
1.4 作業與練習 15
參考文獻 15
第2 章 分類
2.1 分類概述 16
2.1.1 分類的基本概念 16
2.1.2 解決分類問題的一般方法 16
2.1.3 分類模型的過擬合 18
2.2 決策樹 18
2.2.1 決策樹的工作原理及構建 18
2.2.2 決策樹歸納算法 19
2.2.3 處理決策樹中的過擬合 21
2.3 貝葉斯決策與分類器 21
2.3.1 規則分類器 21
2.3.2 貝葉斯定理在分類中的應用 22
2.3.3 樸素貝葉斯在分類中的應用 23
2.4 支持向量機 24
2.4.1 *大邊緣超平面 24
VIII 數據挖掘基礎（第2 版）
2.4.2 線性支持向量機SVM 25
2.4.3 非線性支持向量機SVM 27
2.5 分類在實際場景中的應用案例 31
2.5.1 在關鍵字檢索中的應用 31
2.5.2 在甄別欺詐行為中的應用 32
2.5.3 在在線廣告推薦中的應用 32
2.5.4 在Web 機器人檢測中的應用 34
2.6 作業與練習 35
參考文獻 35
第3 章 聚類
3.1 聚類概述 36
3.1.1 聚類的基本概念 36
3.1.2 聚類的評價標準 37
3.1.3 聚類算法的選擇 39
3.2 聚類算法 39
3.2.1 層次聚類算法 39
3.2.2 劃分聚類算法 40
3.2.3 基于密度的聚類算法 41
3.2.4 基于網格的聚類算法 42
3.2.5 基于模型的聚類算法 43
3.2.6 使用Spark 實現K-means 的訓練 43
3.3 聚合分析方法 45
3.3.1 歐氏距離 45
3.3.2 聚合過程 45
3.3.3 聚類樹 47
3.3.4 聚合分析方法應用實例 48
3.4 聚類在實際場景中的應用案例 49
3.4.1 在電網中的應用 49
3.4.2 在電力用戶用電行為分析中的應用 49
3.4.3 在電商中的應用 50
3.4.4 聚類實現的例子 50
3.5 作業與練習 56
參考文獻 56
第4 章 關聯規則
4.1 關聯規則概述 57
4.1.1 經典案例導入 57
4.1.2 關聯規則的基本概念和定義 58
4.1.3 關聯規則的分類 60
4.2 關聯規則的挖掘過程 61
4.2.1 知識回顧 61
4.2.2 頻繁項集產生 62
4.2.3 強關聯規則 63
4.2.4 關聯規則評價標準 64
4.3 關聯規則的Apriori 算法 65
4.3.1 知識回顧 65
4.3.2 Apriori 算法的核心思想 66
4.3.3 Apriori 算法描述 66
4.3.4 Apriori 算法評價 68
4.3.5 Apriori 算法改進 68
4.4 關聯規則的FP-growth 算法 69
4.4.1 構建FP 樹 70
4.4.2 從FP 樹中挖掘頻繁項集 72
4.4.3 FP-growth 算法與Apriori 算法的區別 73
4.4.4 使用Spark 實現FP-growth 算法的訓練 73
4.5 實戰：關聯規則挖掘實例 74
4.5.1 關聯規則挖掘技術在國內外的應用現狀 74
4.5.2 關聯規則應用實例 75
4.5.3 關聯規則在大型超市中應用的步驟 77
4.6 作業與練習 79
參考文獻 79
第5 章 綜合實戰—日志的挖掘與應用
5.1 日志的概念 80
5.1.1 日志是什么 80
5.1.2 日志能做什么 81
5.2 日志處理 82
5.2.1 產生日志 82
5.2.2 傳輸日志 83
5.2.3 存儲日志 85
5.2.4 分析日志 88
5.2.5 日志規范與標準 97
5.3 R 語言與日志分析工具 99
5.3.1 R 語言 99
5.3.2 日志分析工具 103
5.3.3 日志分析系統的規劃建設 106
5.4 日志挖掘應用 110
5.4.1 安全運維 110
5.4.2 系統健康分析 110
5.4.3 用戶行為分析 111
5.4.4 業務分析設計 112
5.5 日志分析挖掘實例 113
5.6 作業與練習 115
參考文獻 115
第6 章 數據挖掘應用案例
6.1 電力行業采用聚類方法進行主變油溫分析 116
6.1.1 需求背景及采用的大數據分析方法 116
6.1.2 大數據分析方法的實現過程 117
6.1.3 大數據分析方法的實現結果 119
6.2 銀行信貸評價 119
6.2.1 簡介 119
6.2.2 神經網絡模型 120
6.2.3 實證檢驗 120
6.3 指數預測 121
6.3.1 金融時間序列概況 121
6.3.2 小波消噪 122
6.3.3 向量機 123
6.3.4 指數預測 123
6.4 客戶分群的精準智能營銷 124
6.4.1 挖掘目標 124
6.4.2 分析方法和過程 124
6.4.3 建模仿真 128
6.5 使用WEKA 進行房屋定價 129
6.6 作業與練習 133
參考文獻 133
附錄A
1.1 數據挖掘概述 1
1.1.1 什么是數據挖掘 2
1.1.2 數據挖掘常用算法概述 2
1.1.3 數據挖掘常用工具概述 3
1.2 數據探索 5
1.2.1 數據概述 5
1.2.2 數據質量 6
1.2.3 數據預處理 8
1.3 數據挖掘的應用 10
1.3.1 數據挖掘的現狀及發展趨勢 10
1.3.2 數據挖掘需要解決的問題 10
1.3.3 數據挖掘的應用場景 12
1.4 作業與練習 15
參考文獻 15
第2 章 分類
2.1 分類概述 16
2.1.1 分類的基本概念 16
2.1.2 解決分類問題的一般方法 16
2.1.3 分類模型的過擬合 18
2.2 決策樹 18
2.2.1 決策樹的工作原理及構建 18
2.2.2 決策樹歸納算法 19
2.2.3 處理決策樹中的過擬合 21
2.3 貝葉斯決策與分類器 21
2.3.1 規則分類器 21
2.3.2 貝葉斯定理在分類中的應用 22
2.3.3 樸素貝葉斯在分類中的應用 23
2.4 支持向量機 24
2.4.1 *大邊緣超平面 24
VIII 數據挖掘基礎（第2 版）
2.4.2 線性支持向量機SVM 25
2.4.3 非線性支持向量機SVM 27
2.5 分類在實際場景中的應用案例 31
2.5.1 在關鍵字檢索中的應用 31
2.5.2 在甄別欺詐行為中的應用 32
2.5.3 在在線廣告推薦中的應用 32
2.5.4 在Web 機器人檢測中的應用 34
2.6 作業與練習 35
參考文獻 35
第3 章 聚類
3.1 聚類概述 36
3.1.1 聚類的基本概念 36
3.1.2 聚類的評價標準 37
3.1.3 聚類算法的選擇 39
3.2 聚類算法 39
3.2.1 層次聚類算法 39
3.2.2 劃分聚類算法 40
3.2.3 基于密度的聚類算法 41
3.2.4 基于網格的聚類算法 42
3.2.5 基于模型的聚類算法 43
3.2.6 使用Spark 實現K-means 的訓練 43
3.3 聚合分析方法 45
3.3.1 歐氏距離 45
3.3.2 聚合過程 45
3.3.3 聚類樹 47
3.3.4 聚合分析方法應用實例 48
3.4 聚類在實際場景中的應用案例 49
3.4.1 在電網中的應用 49
3.4.2 在電力用戶用電行為分析中的應用 49
3.4.3 在電商中的應用 50
3.4.4 聚類實現的例子 50
3.5 作業與練習 56
參考文獻 56
第4 章 關聯規則
4.1 關聯規則概述 57
4.1.1 經典案例導入 57
4.1.2 關聯規則的基本概念和定義 58
4.1.3 關聯規則的分類 60
4.2 關聯規則的挖掘過程 61
4.2.1 知識回顧 61
4.2.2 頻繁項集產生 62
4.2.3 強關聯規則 63
4.2.4 關聯規則評價標準 64
4.3 關聯規則的Apriori 算法 65
4.3.1 知識回顧 65
4.3.2 Apriori 算法的核心思想 66
4.3.3 Apriori 算法描述 66
4.3.4 Apriori 算法評價 68
4.3.5 Apriori 算法改進 68
4.4 關聯規則的FP-growth 算法 69
4.4.1 構建FP 樹 70
4.4.2 從FP 樹中挖掘頻繁項集 72
4.4.3 FP-growth 算法與Apriori 算法的區別 73
4.4.4 使用Spark 實現FP-growth 算法的訓練 73
4.5 實戰：關聯規則挖掘實例 74
4.5.1 關聯規則挖掘技術在國內外的應用現狀 74
4.5.2 關聯規則應用實例 75
4.5.3 關聯規則在大型超市中應用的步驟 77
4.6 作業與練習 79
參考文獻 79
第5 章 綜合實戰—日志的挖掘與應用
5.1 日志的概念 80
5.1.1 日志是什么 80
5.1.2 日志能做什么 81
5.2 日志處理 82
5.2.1 產生日志 82
5.2.2 傳輸日志 83
5.2.3 存儲日志 85
5.2.4 分析日志 88
5.2.5 日志規范與標準 97
5.3 R 語言與日志分析工具 99
5.3.1 R 語言 99
5.3.2 日志分析工具 103
5.3.3 日志分析系統的規劃建設 106
5.4 日志挖掘應用 110
5.4.1 安全運維 110
5.4.2 系統健康分析 110
5.4.3 用戶行為分析 111
5.4.4 業務分析設計 112
5.5 日志分析挖掘實例 113
5.6 作業與練習 115
參考文獻 115
第6 章 數據挖掘應用案例
6.1 電力行業采用聚類方法進行主變油溫分析 116
6.1.1 需求背景及采用的大數據分析方法 116
6.1.2 大數據分析方法的實現過程 117
6.1.3 大數據分析方法的實現結果 119
6.2 銀行信貸評價 119
6.2.1 簡介 119
6.2.2 神經網絡模型 120
6.2.3 實證檢驗 120
6.3 指數預測 121
6.3.1 金融時間序列概況 121
6.3.2 小波消噪 122
6.3.3 向量機 123
6.3.4 指數預測 123
6.4 客戶分群的精準智能營銷 124
6.4.1 挖掘目標 124
6.4.2 分析方法和過程 124
6.4.3 建模仿真 128
6.5 使用WEKA 進行房屋定價 129
6.6 作業與練習 133
參考文獻 133
附錄A
展開全部
數據挖掘基礎(第2版) 作者簡介
劉鵬，清華大學博士畢業，現任南京云創大數據科技股份有限公司總經理，兼任中國大數據應用聯盟人工智能專家委員會主任、中國信息協會教育分會人工智能專家委員會主任、全國普通高校畢業生就業創業指導委員會委員、第45屆世界技能大賽中國區云計算選拔賽裁判長/專家指導組組長、2019年全國大學生數據建模比賽命題人、工信部云計算研究中心專家。
陶建輝，現任IT信息科技公司總經理，中國計算機學會（CCF）高級會員，歷任數據服務公司（上海市大數據產業技術創新戰略聯盟成員單位）副總經理、DEC/Compaq/HP技術顧問、高級技術顧問、部屬研究所課題組長等。
書友推薦
- >
羅曼·羅蘭讀書隨筆-精裝
- >
上帝之肋:男人的真實旅程
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
【精裝繪本】畫給孩子的中國神話
- >
月亮與六便士
- >
伯納黛特,你要去哪(2021新版)
- >
苦雨齋序跋文-周作人自編集
- >
名家帶你讀魯迅:故事新編
本類暢銷
