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
數據挖掘算法實踐與案例詳解 版權信息
- ISBN：9787111760696
- 條形碼：9787111760696 ; 978-7-111-76069-6
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
數據挖掘算法實踐與案例詳解 本書特色
隨著大數據和人工智能技術的發展，各行各業積累的數據越來越豐富，如何從這些數據中挖掘出有價值的信息，助力科學、合理的決策變得日益重要。數據挖掘技術可以從大量異構、隨機數據中提取有用的信息和知識，已經廣泛應用于工作和生活的各個領域。本書基于作者長期從事數據挖掘科研、工程和教學工作的經驗編寫而成，通過案例牽引，幫助讀者掌握常用的數據挖掘算法、模型和技術，并解決常見的數據挖掘實際問題。本書特點：以實踐為目標，系統介紹數據挖掘的流程，并給出代碼實現。內容涵蓋數據清洗、數據轉換、數據降維、回歸分析、聚類、神經網絡分類等常用的數據挖掘技術和方法，使讀者能夠利用Python編程來解決基本的數據挖掘問題。本書提供了豐富的案例，規模由小到大，幫助讀者循序漸進地掌握各類數據挖掘模型和算法。掌握這些案例后，讀者可以舉一反三，進一步解決更復雜、更大規模的問題。作者在中國大學MOOC上開設了“數據挖掘”MOOC課程（https://www.icourse163.org/course/NUDT-1461782176），并在頭歌平臺上開設了“數據挖掘”實驗課程（https://www.educoder.net/paths/4153），讀者可通過在線視頻課程的學習、作業訓練與編程實踐加深對數據挖掘知識點的理解，提高運用能力。
數據挖掘算法實踐與案例詳解 內容簡介
數據挖掘算法為大數據與人工智能的核心，掌握數據挖掘各算法的編程實現，有助于提升大數據的實踐運用能力。本書詳細闡述了數據挖掘常用算法與編程實現，同時，本書以多個經典的數據挖掘賽題為案例，詳細論述了數據預處理、特征選擇、可視化、算法選擇等全流程數據挖掘過程的編程實現，有助于提升讀者面對實際數據問題時靈活運用各類算法能力。
數據挖掘算法實踐與案例詳解數據挖掘算法實踐與案例詳解 前言
前 言
隨著大數據、人工智能技術的快速發展，各行各業積累的數據越來越豐富，數據挖掘的需求越來越大。本書針對實際數據及數據挖掘任務需求，提供數據預處理、特征選擇、數據可視化、算法運用等方面的數據挖掘模型的原理與實現代碼，為運用數據挖掘提供可參考的
方法。
筆者近年來一直從事數據挖掘方向的研究和數據挖掘課程的教學，長期指導學生參加數模競賽、天池大數據競賽、DataCastle大數據競賽、Kaggle競賽等高水平數據挖掘競賽，并取得了優異成績。同時，積極探索以數據挖掘技術為主線構建課堂教學與實踐教學相融合的課程體系，總結了一套數據挖掘實踐案例及參考代碼，適合用于理工科相關專業的本科生與研究生的數據挖掘實驗課程，也可供相關領域的科研與工程技術人員實踐參考。
本書的組織結構如下：
數據挖掘算法實踐與案例詳解 目錄
目 錄
前言
第1章 緒論 1
1.1 數據挖掘技術的由來 1
1.2 數據挖掘的分類 2
1.2.1 關聯規則挖掘 2
1.2.2 監督式機器學習 3
1.2.3 非監督式機器學習 4
1.3 Python的安裝步驟 5
1.3.1 Python環境的配置 5
1.3.2 PyCharm的安裝 7
1.4 常見的數據集 10
1.4.1 鳶尾花數據集 10
1.4.2 員工離職預測數據集 11
1.4.3 泰坦尼克號災難預測數據集 12
1.4.4 PM2.5空氣質量預測數據集 13
1.5 本章小結 13
第2章 分類 14
2.1 分類的概念 14
2.2 分類中的訓練集與測試集 14
2.3 分類的過程及驗證方法 15
2.3.1 準確率 15
2.3.2 k折交叉驗證 16
2.4 貝葉斯分類的編程實踐 17
2.4.1 鳶尾花數據集的貝葉斯分類 17
2.4.2 基于貝葉斯分類的員工離職
預測 17
2.5 本章小結 19
第3章 數據的特征選擇 20
3.1 直方圖 20
3.1.1 直方圖可視化 20
3.1.2 直方圖特征選擇 23
3.2 直方圖與柱狀圖的差異 24
3.3 特征選擇實踐 26
3.4 本章小結 29
第4章 數據預處理之數據清洗 30
4.1 案例概述 30
4.2 缺失值處理 31
4.2.1 缺失值處理概述 31
4.2.2 缺失值處理實例 32
4.3 噪聲數據處理 32
4.3.1 正態分布噪聲數據檢測 32
4.3.2 用箱線圖檢測噪聲數據 34
4.4 數據預處理案例實踐 35
4.4.1 問題 35
4.4.2 解決方法 35
4.4.3 實踐結論 37
4.5 本章小結 38
第5章 數據預處理之轉換 39
5.1 數據的數值化處理 39
5.1.1 順序編碼 39
5.1.2 二進制編碼 40
5.2 數據規范化 42
5.2.1 *小–*大規范化 42
5.2.2 z分數規范化 43
5.2.3 小數定標規范化 43
5.3 本章小結 43
第6章 數據預處理之數據降維 44
6.1 散點圖可視化分析 44
6.2 主成分分析 46
6.3 本章小結 49
第7章 不平衡數據分類 50
7.1 不平衡數據分類問題的特征 50
7.1.1 數據稀缺問題 50
7.1.2 噪聲問題 51
7.1.3 決策面偏移問題 51
7.1.4 評價標準問題 51
7.2 重采樣方法 51
7.2.1 上采樣 52
7.2.2 對上采樣方法的改進 53
7.2.3 下采樣 58
7.2.4 對下采樣方法的改進 60
7.2.5 不平衡問題的其他處理方式 65
7.3 不平衡數據分類實踐 65
7.4 本章小結 66
第8章 回歸分析 67
8.1 線性回歸 67
8.1.1 一元線性回歸 67
8.1.2 多元線性回歸 69
8.2 回歸分析檢測 71
8.2.1 正態分布可能性檢測 71
8.2.2 線性分布可能性檢測 72
8.2.3 log轉換后的分布 73
8.3 回歸預測案例實踐 74
8.3.1 案例背景 74
8.3.2 代碼實現 74
8.4 本章小結 82
第9章 聚類分析 83
9.1 k均值聚類 83
9.1.1 算法的步驟 83
9.1.2 代碼實現 83
9.2 層次聚類 84
9.2.1 算法的步驟 84
9.2.2 代碼實現 85
9.3 密度聚類 85
9.3.1 算法的步驟 85
9.3.2 代碼實現 86
9.4 本章小結 88
第10章 關聯分析 90
10.1 Apriori算法 90
10.2 關聯分析案例實踐 92
10.2.1 案例背景 92
10.2.2 案例的數據集 93
10.2.3 代碼實現 93
10.2.4 運行結果 93
10.3 提升Apriori算法性能的方法 95
10.4 本章小結 95
第11章 KNN分類 96
11.1 KNN算法的步驟 96
11.2 KNeighborsClassifier函數 97
11.3 KNN的代碼實現 98
11.4 結果分析 98
11.5 KNN案例實踐 99
11.5.1 案例分析 99
11.5.2 案例實現 100
11.5.3 運行結果 103
11.6 本章小結 104
第12章 支持向量機 105
12.1 支持向量機的可視化分析 105
12.2 SVM的代碼實現 108
12.2.1 鳶尾花數據分類 108
12.2.2 新聞文本數據分類 110
12.3 本章小結 111
第13章 神經網絡分類 112
13.1 多層人工神經網絡 112
13.2 多層人工神經網絡的代碼實現 113
13.3 神經網絡分類案例實踐 114
13.3.1 案例背景 114
13.3.2 數據說明 114
13.3.3 代碼實現 115
13.4 本章小結 120
第14章 集成學習 121
14.1 Bagging方法 121
14.2 隨機森林 123
前言
第1章 緒論 1
1.1 數據挖掘技術的由來 1
1.2 數據挖掘的分類 2
1.2.1 關聯規則挖掘 2
1.2.2 監督式機器學習 3
1.2.3 非監督式機器學習 4
1.3 Python的安裝步驟 5
1.3.1 Python環境的配置 5
1.3.2 PyCharm的安裝 7
1.4 常見的數據集 10
1.4.1 鳶尾花數據集 10
1.4.2 員工離職預測數據集 11
1.4.3 泰坦尼克號災難預測數據集 12
1.4.4 PM2.5空氣質量預測數據集 13
1.5 本章小結 13
第2章 分類 14
2.1 分類的概念 14
2.2 分類中的訓練集與測試集 14
2.3 分類的過程及驗證方法 15
2.3.1 準確率 15
2.3.2 k折交叉驗證 16
2.4 貝葉斯分類的編程實踐 17
2.4.1 鳶尾花數據集的貝葉斯分類 17
2.4.2 基于貝葉斯分類的員工離職
預測 17
2.5 本章小結 19
第3章 數據的特征選擇 20
3.1 直方圖 20
3.1.1 直方圖可視化 20
3.1.2 直方圖特征選擇 23
3.2 直方圖與柱狀圖的差異 24
3.3 特征選擇實踐 26
3.4 本章小結 29
第4章 數據預處理之數據清洗 30
4.1 案例概述 30
4.2 缺失值處理 31
4.2.1 缺失值處理概述 31
4.2.2 缺失值處理實例 32
4.3 噪聲數據處理 32
4.3.1 正態分布噪聲數據檢測 32
4.3.2 用箱線圖檢測噪聲數據 34
4.4 數據預處理案例實踐 35
4.4.1 問題 35
4.4.2 解決方法 35
4.4.3 實踐結論 37
4.5 本章小結 38
第5章 數據預處理之轉換 39
5.1 數據的數值化處理 39
5.1.1 順序編碼 39
5.1.2 二進制編碼 40
5.2 數據規范化 42
5.2.1 *小–*大規范化 42
5.2.2 z分數規范化 43
5.2.3 小數定標規范化 43
5.3 本章小結 43
第6章 數據預處理之數據降維 44
6.1 散點圖可視化分析 44
6.2 主成分分析 46
6.3 本章小結 49
第7章 不平衡數據分類 50
7.1 不平衡數據分類問題的特征 50
7.1.1 數據稀缺問題 50
7.1.2 噪聲問題 51
7.1.3 決策面偏移問題 51
7.1.4 評價標準問題 51
7.2 重采樣方法 51
7.2.1 上采樣 52
7.2.2 對上采樣方法的改進 53
7.2.3 下采樣 58
7.2.4 對下采樣方法的改進 60
7.2.5 不平衡問題的其他處理方式 65
7.3 不平衡數據分類實踐 65
7.4 本章小結 66
第8章 回歸分析 67
8.1 線性回歸 67
8.1.1 一元線性回歸 67
8.1.2 多元線性回歸 69
8.2 回歸分析檢測 71
8.2.1 正態分布可能性檢測 71
8.2.2 線性分布可能性檢測 72
8.2.3 log轉換后的分布 73
8.3 回歸預測案例實踐 74
8.3.1 案例背景 74
8.3.2 代碼實現 74
8.4 本章小結 82
第9章 聚類分析 83
9.1 k均值聚類 83
9.1.1 算法的步驟 83
9.1.2 代碼實現 83
9.2 層次聚類 84
9.2.1 算法的步驟 84
9.2.2 代碼實現 85
9.3 密度聚類 85
9.3.1 算法的步驟 85
9.3.2 代碼實現 86
9.4 本章小結 88
第10章 關聯分析 90
10.1 Apriori算法 90
10.2 關聯分析案例實踐 92
10.2.1 案例背景 92
10.2.2 案例的數據集 93
10.2.3 代碼實現 93
10.2.4 運行結果 93
10.3 提升Apriori算法性能的方法 95
10.4 本章小結 95
第11章 KNN分類 96
11.1 KNN算法的步驟 96
11.2 KNeighborsClassifier函數 97
11.3 KNN的代碼實現 98
11.4 結果分析 98
11.5 KNN案例實踐 99
11.5.1 案例分析 99
11.5.2 案例實現 100
11.5.3 運行結果 103
11.6 本章小結 104
第12章 支持向量機 105
12.1 支持向量機的可視化分析 105
12.2 SVM的代碼實現 108
12.2.1 鳶尾花數據分類 108
12.2.2 新聞文本數據分類 110
12.3 本章小結 111
第13章 神經網絡分類 112
13.1 多層人工神經網絡 112
13.2 多層人工神經網絡的代碼實現 113
13.3 神經網絡分類案例實踐 114
13.3.1 案例背景 114
13.3.2 數據說明 114
13.3.3 代碼實現 115
13.4 本章小結 120
第14章 集成學習 121
14.1 Bagging方法 121
14.2 隨機森林 123
展開全部
數據挖掘算法實踐與案例詳解 作者簡介
丁兆云，國防科技大學博士畢業后留校任教至今，長期教授數據挖掘課程，負責國防科技大學系統工程學院“數據挖掘”專業方向考博命題工作，主持湖南省教改課題1項、國防科技大學教改課題1項、發表教學論文3篇，獲得國防科技大學研究生教學優秀獎。
書友推薦
- >
名家帶你讀魯迅:朝花夕拾
- >
小考拉的故事-套裝共3冊
- >
李白與唐代文化
- >
二體千字文
- >
我與地壇
- >
有舍有得是人生
- >
山海經
- >
中國歷史的瞬間
本類暢銷
京ICP備09013606號-3京信市監發[2002]122號海淀公安分局備案編號：1101083394