数据挖掘原理、算法与应用_梁亚声 ... [等] 编著_9787111496328

本书系统介绍了数据挖掘原理、算法和应用的相关知识。主要内容包括：数据存储；数据与处理；数据相似度与异常检测；数据分类和预测；数据聚类分析；数据关联分析等。

　随着信息技术的普及和应用，各个领域产生了大量的数据，这些数据被获取、存储下来，其中蕴含着丰富的信息。人们持续不断地探索处理这些数据的方法，以期最大程度地从中挖掘有用的信息，面对如潮水般不断增加的数据，人们不再满足于数据的查询和统计分析，而是期望从数据中提取信息或者知识为决策服务。数据挖掘技术突破了数据分析技术的种种局限，它结合统计学、数据库、机器学习等技术解决从数据中发现新的信息，辅助决策这一难题，是正在飞速发展的前沿学科。一些大型企业对数据挖掘产品和工具的使用都超过20年，并已产生了期望的效应。此外，数据挖掘产品和工具在金融、商业、电信、医学等多个领域也得到广泛推广应用。
　　数据挖掘并不是要取代其他数据分析技术，而是将它们作为其工作的基矗尽管有些技术（如关联分析）是数据挖掘独有的，但是，另一些技术（如聚类、分类和异常检测）则建立在其他学科长期研究的基础之上。数据挖掘利用已有技术加速其发展，并一直与其他学科的技术紧密结合。成功地进行数据挖掘是综合使用多种技术，以及理解数据的专业人员和数据分析人员合作的成果。
　　本书结合数据挖掘技术的最新发展，系统地介绍了数据挖掘的基础理论、技术原理、算法和应用，以使读者对数据挖掘有一个系统、全面的了解。本书共9章，第1章主要介绍数据挖掘的基本概念和数据挖掘的过程。第2章主要介绍关系数据集和数据仓库等数据存储方式的基本概念、数据组织及其涉及的关键技术，以及分布式文件系统、NoSQL等大数据存储方式的概念、结构、原理和数据组织方法等。第3章主要介绍了数据预处理的概念和必要性，以及数据清理、数据集成、数据转换、数据归约、数据离散化和特征选择等数据预处理技术。第4章主要介绍了相似度度量的基础知识和5种异常检测方法，并深入分析欧式距离等6种传统的度量方法和大数据度量方法。第5章主要介绍了数据分类和预测的基本概念，决策树分类、贝叶斯分类、神经网络等分类方法，以及预测算法与应用。第6章主要介绍了数据聚类分析的基本概念，以及基于划分、基于层次、基于密度、基于网格和基于模型的聚类算法，还介绍了聚类分析的评估方法及其应用。第7章主要介绍了关联分析的基本概念，分析了关联规则挖掘的两个子任务：频繁项集产生和规则产生，介绍了频繁项集的紧凑表示及产生频繁项集的其他方法、FP-growth算法、关联评估及其应用等内容。第8章主要针对数据挖掘模型的评价和度量介绍了评分函数（包括常用的预测性评分函数和描述性评分函数）；介绍了针对数据挖掘模型的成本评价曲线；从评价模型复杂度角度介绍了最短描述长度原则等评价方法；针对模型有效性验证介绍了交叉验证和Bootstrap验证方法；从数据挖掘模型效率和准确率提升角度，介绍了云计算和集成学习方法。第9章主要介绍了针对文本、图像、语音识别、视频、网络拓扑、网络舆情、推荐系统、空间数据和数据流等复杂数据的数据挖掘技术，分析了各类复杂数据的特点，介绍了相关数据挖掘的关键技术。本书涉及的内容较为广泛，在教学时，可根据实际情况选择。
　　本书由梁亚声编写第1、5章，徐欣编写第8、9章，成小菊编写第6、7章，梁佳领编写第2、3章，朱霞编写第4章。何成宇为第4章的编写提供了部分资料。徐欣对全书进行了统稿。
　　本书编著得到了国家自然科学基金（61402426）资助。
　　由于作者水平有限，书中难免存在不妥之处，敬请读者批评指正。

我要评论