数据挖掘实用机器学习技术

作者: [新西兰] 威滕（Witten I.H.）著 , 董琳译

出版社: 机械工业出版社

出版时间: 2006-02

版次: 1

ISBN: 9787111182054

定价: 48.00

装帧: 平装

开本: 16开

纸张: 胶版纸

页数: 362页

丛书: 计算机科学丛书

分类: 计算机与互联网

123人买过

　　本书介绍数据挖掘的基本理论与实践方法。主要内容包括：各种模型(决策树，关联规则、线性模型、聚类、贝叶斯网以及神经网络)以及在实践中的运用，所存任缺陷的分析。安全地清理数据集、建立以及评估模型的预测质量的方法，并且提供了一个公开的数据挖掘工作平台Weka。Weka系统拥有进行数据挖掘仟务的图形用户界面，有助于理解模型，是一个实用并且深受欢迎的工具。
　　本书逻辑严密、内容翔实、极富实践性，适合作为高等学校本科生或研究生的教材，也可供相关技术人员参考。　　IanH.Witten，新西兰怀卡托大学计算机科学系教授，ACM和新西兰皇家学会成员，曾荣获2004年国际信息处理研究协会（IFIP）颁发的Namur奖项。他的著作包括《ManagingGigabytes：CompressirlgandIndexingDocumentsandImages》、《HowtoBuildaDigitalLibrary》以及众多的期刊和学会文章。出版者的话
专家指导委员会
译者序
中文版前言
序
前言

第一部分机器学习工具与技术
第1章绪论
1.1数据挖掘和机器学习
1.1.1描述结构模式
1.1.2机器学习
1.1.3数据挖掘
1.2简单的例子：天气问题和其他
1.2.1天气问题
1.2.2隐形眼镜：一个理想化的问题
1.2.3鸢尾花：一个经典的数值型数据集
1.2.4CPU性能：介绍数值预测
1.2.5劳资协商：一个更真实的例子
1.2.6大豆分类：一个经典的机器学习的成功例子
1.3应用领域
1.3.1决策包含评判
1.3.2图像筛选
1.3.3负载预测
1.3.4诊断
1.3.5市场和销售
1.3.6其他应用
1.4机器学习和统计学
1.5用于搜索的概括
1.5.1枚举概念空间
1.5.2偏差
1.6数据挖掘和道德
1.7补充读物
第2章输入：概念、实例和属性
2.1概念
2.2样本
2.3属性
2.4输入准备
2.4.1数据收集
2.4.2ARFF格式
2.4.3稀疏数据
2.4.4属性类型
2.4.5残缺值
2.4.6不正确的值
2.4.7了解数据
2.5补充读物
第3章输出：知识表达
3.1决策表
3.2决策树
3.3分类规则
3.4关联规则
3.5包含例外的规则
3.6包含关系的规则
3.7数值预测树
3.8基于实例的表达
3.9聚类
3.10补充读物
第4章算法：基本方法
4.1推断基本规则
4.1.1残缺值和数值属性
4.1.2讨论
4.2统计建模
4.2.1残缺值和数值属性
4.2.2用于文档分类的贝叶斯模型
4.2.3讨论
4.3分治法：创建决策树
4.3.1计算信息量
4.3.2高度分支属性
4.3.3讨论
……
第5章可信度：评估机器学习结果
第6章实现：真正的机器学习方案
第7章转换：处理输入和输出
第8章继续：扩展和应用
第二部分Weka机器学习平台
第9章weka简介
第10章Explorer界面
第11章KnowledgeFlow界面
第12章Experimenter界面
第13章命令行界面
第14章嵌入式机器学习
第15章编写新学习方案
参考文献
索引
内容简介:
　　本书介绍数据挖掘的基本理论与实践方法。主要内容包括：各种模型(决策树，关联规则、线性模型、聚类、贝叶斯网以及神经网络)以及在实践中的运用，所存任缺陷的分析。安全地清理数据集、建立以及评估模型的预测质量的方法，并且提供了一个公开的数据挖掘工作平台Weka。Weka系统拥有进行数据挖掘仟务的图形用户界面，有助于理解模型，是一个实用并且深受欢迎的工具。
　　本书逻辑严密、内容翔实、极富实践性，适合作为高等学校本科生或研究生的教材，也可供相关技术人员参考。
作者简介:
　　IanH.Witten，新西兰怀卡托大学计算机科学系教授，ACM和新西兰皇家学会成员，曾荣获2004年国际信息处理研究协会（IFIP）颁发的Namur奖项。他的著作包括《ManagingGigabytes：CompressirlgandIndexingDocumentsandImages》、《HowtoBuildaDigitalLibrary》以及众多的期刊和学会文章。
目录:
出版者的话
专家指导委员会
译者序
中文版前言
序
前言

第一部分机器学习工具与技术
第1章绪论
1.1数据挖掘和机器学习
1.1.1描述结构模式
1.1.2机器学习
1.1.3数据挖掘
1.2简单的例子：天气问题和其他
1.2.1天气问题
1.2.2隐形眼镜：一个理想化的问题
1.2.3鸢尾花：一个经典的数值型数据集
1.2.4CPU性能：介绍数值预测
1.2.5劳资协商：一个更真实的例子
1.2.6大豆分类：一个经典的机器学习的成功例子
1.3应用领域
1.3.1决策包含评判
1.3.2图像筛选
1.3.3负载预测
1.3.4诊断
1.3.5市场和销售
1.3.6其他应用
1.4机器学习和统计学
1.5用于搜索的概括
1.5.1枚举概念空间
1.5.2偏差
1.6数据挖掘和道德
1.7补充读物
第2章输入：概念、实例和属性
2.1概念
2.2样本
2.3属性
2.4输入准备
2.4.1数据收集
2.4.2ARFF格式
2.4.3稀疏数据
2.4.4属性类型
2.4.5残缺值
2.4.6不正确的值
2.4.7了解数据
2.5补充读物
第3章输出：知识表达
3.1决策表
3.2决策树
3.3分类规则
3.4关联规则
3.5包含例外的规则
3.6包含关系的规则
3.7数值预测树
3.8基于实例的表达
3.9聚类
3.10补充读物
第4章算法：基本方法
4.1推断基本规则
4.1.1残缺值和数值属性
4.1.2讨论
4.2统计建模
4.2.1残缺值和数值属性
4.2.2用于文档分类的贝叶斯模型
4.2.3讨论
4.3分治法：创建决策树
4.3.1计算信息量
4.3.2高度分支属性
4.3.3讨论
……
第5章可信度：评估机器学习结果
第6章实现：真正的机器学习方案
第7章转换：处理输入和输出
第8章继续：扩展和应用
第二部分Weka机器学习平台
第9章weka简介
第10章Explorer界面
第11章KnowledgeFlow界面
第12章Experimenter界面
第13章命令行界面
第14章嵌入式机器学习
第15章编写新学习方案
参考文献
索引