20年数据开发大牛总结出的大数据挖掘：概念、模型、方法和算法

前言

本书主要阐述数据挖掘原理，在示例的引导下详细讲解起源于统计学、机器学习、神经网络、模料逻辑和演化计算等学科的具有代表性的、最前沿的挖掘方法和算法。本书还着重描述如何恰当地选择方法数据分析软件并合理地调整参数。每章末尾附有复习题。



本书特点

介绍支持向量机(SVM)和Kohonen映射讲解DBSCAN、BIRCH和分布式DBSCAN聚类算法介绍贝叶斯网络，讨论图形中的Betweeness和Centrality参数测量算法分析在建立决策树时使用的CART算法和基尼指数介绍Bagging & Boosting集成学习方法，并详述AdaBoost算法讨论Relief以及PageRank算法讨论文本挖掘的潜在语义分析(LSA),并分析如何测定文本文档之间的语义相似性讲解时态、空间、Web、文本、并行和分布式数据挖掘等新主题更详细地讲解数据挖掘技术商业、隐私、安全和法律方面的内容

第一章 数据挖掘的概念

1.1 概述1.2 数据挖掘的起源

1.3 数据挖掘过程

1.4 大型数据集1.5 数据仓库1.6 数据挖掘的商业方面:为什么数据挖掘项目会失败.1.7 本书结构安排.1.8 复习题1.9 参考书目

第二章 数据准备

2.1 原始数据的表述2.2 原始数据的特性2.3 原始数据的转换2.3.1 标准化2.3.2 数据平整2.3.3 差值和比率2.4 丢失数据2.5 时间相关数据2.6 异常点分析2.7 复习题2.8 参考书目

第三章 数据归约

3.1 大型数据集的维度

3.2 特征归约

3.2.1 特征选择

3.2.2 特征提取

3.3 Relief算法

3.4 特征排列的熵度量.

3.5 主成分分析

3.6 值归约

3.7 特征离散化：ChiMerge技术

3.8 案例归约

3.9 复习题

3.10 参考书目
第四章 从数据中学习

4.1 学习机器4.2 统计学习原理4.3 学习方法的类型4.4 常见的学习任务4.5 支持向量机.4.6k NN:最近邻分类器.4.7 模型选择 与泛化4.8 模型的评估4.9 90%准确的情形4.9.1 保险欺诈检测4.9.2 改进心脏护理4.10 复习题4.11 参考书目

第五章 统计方法

5.1 统计推断5.2 评测数据集的差异5.3 贝叶斯定理5.4 预测回归5.5 方差分析5.6 对数回归5.7 对数-线性模型.5.8 线性判别分析5.9 复习题5.10 参考书目

第六章 决策树和决策规则

6.1 决策树6.2 C4.5算法:生成决策树6.3 未知属性值6.4 修剪决策树6.5 C4.5 算法:生成决策规则6.6 CART 算法和Gini指标6.7 决策树和决策规则的局限性6.8 复习题6.9 参考书 目

第七章人工神经网络

第八章 集成学习

第九章 聚类分析

第十章 关联规则

第十一章 Web 挖掘和文本挖掘

第十二章 数据挖掘高级技术

第十三章 遗传算法

第十四章 模糊集和模糊逻辑

第十五章 可视化方法

附录A数据挖掘工具

附录B数据挖掘应用










总结

由于这本书的细节分的太多了，今天小编就整理到这里想要获取的小伙伴可以私信【学习】获取！

私信【学习】 私信【学习】 私信【学习】重要是事情说三遍~~~

最后给小编一个关注就是最大的动力！

转发了

学习

转发了

转发了

转发了

转发了

转发了

转发了

转发了