數(shù)據(jù)挖掘

出版時(shí)間：2012-3 出版社：機(jī)械工業(yè)出版社作者：（美）Jiawei Han,（加）Micheline Kamber,（加）Jian Pei 頁(yè)數(shù)：703
Tag標(biāo)簽：無(wú)

內(nèi)容概要

　　當(dāng)代商業(yè)和科學(xué)領(lǐng)域大量激增的數(shù)據(jù)量要求我們采用更加復(fù)雜和精細(xì)的工具來(lái)進(jìn)行數(shù)據(jù)分析、處理和挖掘。盡管近年來(lái)數(shù)據(jù)挖掘技術(shù)取得的長(zhǎng)足進(jìn)展使得我們廣泛收集數(shù)據(jù)越來(lái)越容易，但技術(shù)的發(fā)展依然難以匹配爆炸性的數(shù)據(jù)增長(zhǎng)以及隨之而來(lái)的大量數(shù)據(jù)處理需求，因此我們比以往更加迫切地需要新技術(shù)和自動(dòng)化工具來(lái)幫助我們將這些數(shù)據(jù)轉(zhuǎn)換為有用的信息和知識(shí)。
　　本書(shū)前版曾被KDnuggets的讀者評(píng)選為最受歡迎的數(shù)據(jù)挖掘?qū)Ｖ且槐究勺x性極佳的教材。它從數(shù)據(jù)庫(kù)角度全面系統(tǒng)地介紹數(shù)據(jù)挖掘的概念、方法和技術(shù)以及技術(shù)研究進(jìn)展，并重點(diǎn)關(guān)注近年來(lái)該領(lǐng)域重要和最新的課題——數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)立方體技術(shù)，流數(shù)據(jù)挖掘，社會(huì)化網(wǎng)絡(luò)挖掘，空間、多媒體和其他復(fù)雜數(shù)據(jù)挖掘。每章都針對(duì)關(guān)鍵專(zhuān)題有單獨(dú)的指導(dǎo)，提供最佳算法，并對(duì)怎樣將技術(shù)運(yùn)用到實(shí)際工作中給出了經(jīng)過(guò)實(shí)踐檢驗(yàn)的實(shí)用型規(guī)則。如果你希望自己能熟練掌握和運(yùn)用當(dāng)今最有力的數(shù)據(jù)挖掘技術(shù)，那這本書(shū)正是你需要閱讀和學(xué)習(xí)的寶貴資源。本書(shū)是數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)領(lǐng)域內(nèi)的所有教師、研究人員、開(kāi)發(fā)人員和用戶(hù)都必讀的一本書(shū)。
　　本書(shū)特點(diǎn)
　　引入了許多算法和實(shí)現(xiàn)示例，全部以易于理解的偽代碼編寫(xiě)，適用于實(shí)際的大規(guī)模數(shù)據(jù)挖掘項(xiàng)目。
　　討論了一些高級(jí)主題，例如挖掘面向?qū)ο蟮年P(guān)系型數(shù)據(jù)庫(kù)、空間數(shù)據(jù)庫(kù)、多媒體數(shù)據(jù)庫(kù)、時(shí)間序列數(shù)據(jù)庫(kù)、文本數(shù)據(jù)庫(kù)、萬(wàn)維網(wǎng)以及其他領(lǐng)域的應(yīng)用等。
　　全面而實(shí)用地給出用于從海量數(shù)據(jù)中獲取盡可能多信息的概念和技術(shù)?！　?/pre>

作者簡(jiǎn)介
　　Jiawei Han(韓家煒) 伊利諾伊大學(xué)厄巴納-尚佩恩分校計(jì)算機(jī)科學(xué)系A(chǔ)bel
Bliss教授。由于在數(shù)據(jù)挖掘和數(shù)據(jù)庫(kù)系統(tǒng)領(lǐng)域卓有成效的研究工作，他曾多次獲得各種榮譽(yù)和獎(jiǎng)勵(lì)，其中包括2004年ACM
SIGKDD頒發(fā)的最佳創(chuàng)新獎(jiǎng)，2005年IEEE Computer Society 頒發(fā)的技術(shù)成就獎(jiǎng)，2009年IEEE頒發(fā)的W.
Wallace McDowell獎(jiǎng)。他是ACM和IEEE Fellow，同時(shí)還是《ACM Transactions on
Knowledge Discovery from Data》雜志的主編（2006-2011），以及《IEEE Transactions
on Knowledge and Data Engineering》和《Data Mining and Knowledge
Discovery》雜志的編委會(huì)成員。
　　Micheline Kamber 擁有加拿大康考迪亞大學(xué)計(jì)算機(jī)科學(xué)碩士學(xué)位，她是NSERC
Scholar，現(xiàn)在加拿大麥吉爾大學(xué)、西蒙-弗雷澤大學(xué)及瑞士從事研究工作。
　　Jian Pei（裴?。?目前是加拿大西蒙-弗雷澤大學(xué)計(jì)算機(jī)學(xué)院副教授。2002年，他在Jia wei
Han教授的指導(dǎo)下獲得西蒙-弗雷澤大學(xué)博士學(xué)位。


書(shū)籍目錄
Foreword to Second Edition
Preface
Acknowledgments
About the Authors
Chapter 1　Introduction
Chapter 2　Getting to Know Your Data
Chapter 3　Data Preprocessing
Chapter 4 Data Warehousing and Online Analytical
Processin
Chapter 5 Data Cube Technology
Chapter 6　Mining Frequent Patterns, Associations, and Correlations:
Basic Concepts and Methods
Chapter 7 Advanced Pattern Mining
Chapter 8 Classification: Basic Concepts
Chapter 9　Classification: Advanced Methods
Chapter 10　Cluster Analysis: Basic Concepts and I~ethods
Chapter 11　Advanced Cluster Analysis
Chapter 12　Outlier Detection
Chapter 13 Data Mining Trends and Research Frontiers
Bibliography
Index


章節(jié)摘錄
版權(quán)頁(yè):插圖:



媒體關(guān)注與評(píng)論
 我們生活在數(shù)據(jù)洪流的時(shí)代。本書(shū)向我們展示了如何從這樣海量的數(shù)據(jù)中找到有用知識(shí)的方法和技術(shù)。最新的第3版顯著擴(kuò)充了數(shù)據(jù)預(yù)處理、挖掘頻繁模式、分類(lèi)和聚類(lèi)這幾個(gè)核心章節(jié)的內(nèi)容；還全面講述了OLAP和離群點(diǎn)檢測(cè)，并研討了挖掘網(wǎng)絡(luò)、復(fù)雜數(shù)據(jù)類(lèi)型以及重要應(yīng)用領(lǐng)域。本書(shū)將是一本適用于數(shù)據(jù)分析、數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)課程的優(yōu)秀教材。 —— Gregory Piatetsky-Shapiro, KDnuggets的總裁 Jiawei、Micheline和Jian的教材全景式地討論了數(shù)據(jù)挖掘的所有相關(guān)方法，從聚類(lèi)和分類(lèi)的經(jīng)典主題，到數(shù)據(jù)庫(kù)方法（關(guān)聯(lián)規(guī)則、數(shù)據(jù)立方體），到更新和更高級(jí)的主題（SVD/PCA、小波、支持向量機(jī)），等等?？偟恼f(shuō)來(lái)，這是一本既講述經(jīng)典數(shù)據(jù)挖掘方法又涵蓋大量當(dāng)代數(shù)據(jù)挖掘技術(shù)的優(yōu)秀著作，既是教學(xué)相長(zhǎng)的優(yōu)秀教材，又對(duì)專(zhuān)業(yè)人員具有很高的參考價(jià)值。 —— 摘自卡內(nèi)基-梅隆大學(xué)Christos Faloutsos教授為本書(shū)所作序言


編輯推薦
《數(shù)據(jù)挖掘:概念與技術(shù)(英文版?第3版)》最完整、最全面地講述了數(shù)據(jù)挖掘領(lǐng)域的重要知識(shí)和技術(shù)創(chuàng)新。相比內(nèi)容已經(jīng)相當(dāng)全面的第1版，第2版展示了該領(lǐng)域的最新研究成果，例如挖掘流、時(shí)序數(shù)據(jù)和序列數(shù)據(jù)以及挖掘空間、多媒體、文本和IWeb數(shù)據(jù)。《數(shù)據(jù)挖掘:概念與技術(shù)(英文版?第3版)》是數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)領(lǐng)域內(nèi)所有教師、研究人員、開(kāi)發(fā)人員和用戶(hù)部必讀的一本書(shū)。





圖書(shū)封面



圖書(shū)標(biāo)簽Tags
無(wú)




評(píng)論、評(píng)分、閱讀與下載



還沒(méi)讀過(guò)(91)
勉強(qiáng)可看(663)
一般般(113)
內(nèi)容豐富(4692)
強(qiáng)力推薦(384)


 


    數(shù)據(jù)挖掘 PDF格式下載

用戶(hù)評(píng)論 (總計(jì)68條)

這本書(shū)在數(shù)據(jù)挖掘領(lǐng)域很經(jīng)典，對(duì)于了解數(shù)據(jù)挖掘的內(nèi)容十分有用！
在計(jì)算機(jī)系旁聽(tīng)了一學(xué)期《數(shù)據(jù)挖掘》課程，覺(jué)得受益匪淺。
更重要的是，覺(jué)得這樣一個(gè)新興的交叉性學(xué)科，可以挖掘的地方太多了。
比較了下老師的Publication List和自己專(zhuān)業(yè)某大牛的，覺(jué)得還是這個(gè)方向出文容易。
于是果斷買(mǎi)下這本書(shū)細(xì)讀。
本書(shū)是數(shù)據(jù)挖掘的經(jīng)典之作，有電子版了，希望能繼續(xù)研讀，所以購(gòu)得紙版此書(shū)。
此書(shū)是數(shù)據(jù)挖掘中比較基礎(chǔ)的一本，現(xiàn)在看書(shū)，有時(shí)需要要看英文原版，才不至于落后。正在研讀中……
這本書(shū)是數(shù)據(jù)挖掘方面的經(jīng)典之作，不錯(cuò)，是一本好書(shū)。
數(shù)據(jù)挖掘方面書(shū)籍的經(jīng)典。
邊學(xué)數(shù)據(jù)挖掘，同時(shí)還可以練練英語(yǔ)
數(shù)據(jù)挖掘圣經(jīng)
Jiawei Han's Data Mining:Concepts and Techniques is a greet book.And of course, it is genuine.
英文版原著很好，比翻譯版更經(jīng)典
全面，實(shí)用，經(jīng)典。
經(jīng)典書(shū)，知道閱讀和學(xué)習(xí)
英文版畢竟是原創(chuàng)作，可以通過(guò)中英對(duì)照著看，比較出不同來(lái)，且能夠通過(guò)對(duì)比加深理解
先看了書(shū)的目錄大致了解結(jié)構(gòu)和內(nèi)容安排很清晰不愧是經(jīng)典教材好好研讀！
老好的一本書(shū)了外國(guó)人寫(xiě)書(shū)比較好理解啊呵呵
內(nèi)容很全面，很好。英語(yǔ)學(xué)的不好的同學(xué)就不要買(mǎi)了。
很好的書(shū)，內(nèi)容很全面，不過(guò)看起來(lái)比較吃力
書(shū)自然是絕好的，英文版就是比中文版的好
這本書(shū)還不錯(cuò)，比翻譯過(guò)來(lái)的好多了
本書(shū)非常好。
推薦越讀下，不懂對(duì)照中文版，英語(yǔ)啊
剛拿到書(shū) 開(kāi)始學(xué)習(xí)
很好，正版很給力。
英文不好，還沒(méi)看完。感覺(jué)還行
書(shū)不錯(cuò)，送貨速度快。以后還會(huì)再來(lái)買(mǎi)的
書(shū)質(zhì)量挺好的，物流速度也很快。
很厚，紙質(zhì)很好，建議和中文版一起看
數(shù)據(jù)挖掘方面的經(jīng)典
因?yàn)樵趫D書(shū)館看過(guò)，就是感覺(jué)不是自己的書(shū)看得不方便，書(shū)還是很好的
純英文，比較有挑戰(zhàn)性啊~
書(shū)的質(zhì)量不錯(cuò)，內(nèi)容也很好，講得非常細(xì)，也很明白
書(shū)還可以，老師指定的，還不錯(cuò)
書(shū)很好，質(zhì)量也很好！
質(zhì)量非常好，書(shū)的紙張很厚
從了解概念開(kāi)始。
別人介紹的挺好的
雖然是全英的，但是講的比較詳細(xì)，要有點(diǎn)耐心去看
送貨，和包裝都很給力
一共買(mǎi)了9本新書(shū)，估計(jì)是庫(kù)存不夠，但是也不能拿舊書(shū)充數(shù)啊
經(jīng)典原版書(shū)庫(kù)·數(shù)據(jù)挖掘：概念與技術(shù)
數(shù)據(jù)挖掘：概念與技術(shù)（英文版·第3版）
包裝很好，全新的，不錯(cuò)哈
非常好的書(shū)！?。?！強(qiáng)烈推薦
原版書(shū)！
書(shū)很厚很專(zhuān)業(yè)
這方面的經(jīng)典書(shū)籍
韓老師的經(jīng)典書(shū)
　　推薦幾個(gè)數(shù)據(jù)分析網(wǎng)站
　　
　　隨著數(shù)據(jù)的數(shù)量級(jí)增長(zhǎng)，促進(jìn)了數(shù)據(jù)分析的火熱。但很多數(shù)據(jù)分析從業(yè)人員卻感覺(jué)沒(méi)有很好的獲取行業(yè)資訊、技術(shù)交流的平臺(tái)，今天就推薦幾個(gè)經(jīng)常上的覺(jué)得很不錯(cuò)的網(wǎng)站給大家。大數(shù)據(jù)時(shí)代已經(jīng)來(lái)臨，我們一起感受數(shù)據(jù)的力量吧！
　　
　　數(shù)據(jù)分析交流群推薦：165678692
　　來(lái)源：corn整理
　　
　　
　　 1、商業(yè)數(shù)據(jù)分析論壇[dp論壇] http://www.datapanda.net/forum.php
　　由一群熱愛(ài)數(shù)據(jù)行業(yè)的大學(xué)生在11年創(chuàng)立，內(nèi)容更新快，資源涵蓋面廣，從數(shù)據(jù)分析軟件學(xué)習(xí)，到數(shù)據(jù)資源分享等應(yīng)有盡有，通過(guò)幾年的發(fā)展，積累龐大的會(huì)員群，一起交流分享數(shù)據(jù)資訊。
　　
　　2、人大經(jīng)濟(jì)論壇-計(jì)量經(jīng)濟(jì)學(xué)與統(tǒng)計(jì)區(qū) http://www.pinggu.org/bbs/index.php?gid=148
　　業(yè)內(nèi)人士都應(yīng)該去過(guò)的門(mén)戶(hù)，主要涉及計(jì)量經(jīng)濟(jì)學(xué)、統(tǒng)計(jì)學(xué)、數(shù)據(jù)挖掘、統(tǒng)計(jì)軟件、數(shù)據(jù)等經(jīng)濟(jì)學(xué)相關(guān)問(wèn)題交流統(tǒng)計(jì)軟件交流
　　
　　3、中國(guó)統(tǒng)計(jì)論壇 http://bbs.i#cn
　　屬于中國(guó)統(tǒng)計(jì)網(wǎng)的交流論壇，中國(guó)統(tǒng)計(jì)論壇-BBS.iTongji.CN 提供統(tǒng)計(jì)軟件,統(tǒng)計(jì)教程,統(tǒng)計(jì)年鑒,統(tǒng)計(jì)論文,統(tǒng)計(jì)資料下載,統(tǒng)計(jì)認(rèn)證,培訓(xùn)就業(yè)資訊,技術(shù)文章學(xué)習(xí)等的專(zhuān)業(yè)數(shù)據(jù)分析技術(shù)論壇。
　　
　　4、數(shù)據(jù)挖掘?qū)W習(xí)交流論壇 http://www.businessanalysis.cn/
　　統(tǒng)計(jì)軟件CRM,Data Mining,Data analysis,SPSS,SAS,SAP ,數(shù)據(jù)挖掘?qū)W習(xí)交流論壇。
　　
　　5、數(shù)據(jù)分析論壇 http://www.spsschina.com/
　　SPSS論壇,主要涉及數(shù)據(jù)分析,數(shù)據(jù)調(diào)查,市場(chǎng)調(diào)研,SPSS相關(guān)軟件交流的平臺(tái)。
　　
　　6、網(wǎng)站數(shù)據(jù)分析 http://webdataanalysis.net/
　　通過(guò)網(wǎng)站分析與數(shù)據(jù)分析實(shí)現(xiàn)網(wǎng)站優(yōu)化，主要涉及網(wǎng)站分析的一些維度和分析模型，互聯(lián)網(wǎng)從業(yè)者可以去看看，類(lèi)似的還有“網(wǎng)站分析在中國(guó)”、“網(wǎng)站分析二三事”等。
　　
　　7、數(shù)據(jù)分析 http://www.shujufenxi.com/
　　數(shù)據(jù)分析網(wǎng)是中國(guó)行業(yè)數(shù)據(jù)的分析家，免費(fèi)提供統(tǒng)計(jì)數(shù)據(jù)、分析軟件、數(shù)據(jù)分析方法學(xué)習(xí)資料，并代寫(xiě)數(shù)據(jù)分析報(bào)告，致力為廣大數(shù)據(jù)分析愛(ài)好者提供信息咨詢(xún)服務(wù)。
　　
　　8、數(shù)據(jù)挖掘研究院 http://www.chinakdd.com/
　　數(shù)據(jù)挖掘研究院，比較早的一個(gè)門(mén)戶(hù)，內(nèi)容比較豐富，但是欠系統(tǒng)性的整理，主要涉及一些工具的使用和算法的研究，有興趣的可以去找找看。
　　
　　9、S-PLUS、R統(tǒng)計(jì)論壇 http://www.magnsoftbi.com/forum/default.asp
　　是北京宏能暢然數(shù)據(jù)應(yīng)用有限公司旗下的一個(gè)門(mén)戶(hù)，專(zhuān)注于數(shù)據(jù)分析、數(shù)據(jù)挖掘與商業(yè)智能應(yīng)用，S-PLUS和R軟件的技術(shù)交流平臺(tái)。
　　作者是FP-Growth的發(fā)明人之一，本身實(shí)力不弱。但看了國(guó)內(nèi)外的一些評(píng)論后，覺(jué)得此書(shū)偏向文獻(xiàn)綜述的類(lèi)型，適合當(dāng)作參考手冊(cè)。
　　
　　
　　亞馬遜地址：
　　http://www.amazon.com/Data-Mining-Concepts-Techniques-Management/dp/0123814790/ref=cm_rdp_product
　　
　　
　　這本書(shū)是準(zhǔn)備跟隨浙江大學(xué)的課程學(xué)習(xí)而購(gòu)買(mǎi)的課本，里面的知識(shí)比較全面。部分比較深入的知識(shí)由于課上沒(méi)有講解，因此我也將它跳過(guò)了。因?yàn)檫@學(xué)期選修了數(shù)據(jù)挖掘的課，需要一個(gè)中文版的課本進(jìn)行學(xué)習(xí)，選擇這本書(shū)還是不錯(cuò)的。
　　這本書(shū)很適合自學(xué)，因?yàn)槭菍⒗碚撆c算法相結(jié)合講解的。如果想要自學(xué)，推薦配合浙江大學(xué)的課程進(jìn)行學(xué)習(xí)
　　原書(shū)很經(jīng)典，毋庸置疑，不做評(píng)論。
　　主要是翻譯，兩個(gè)自稱(chēng)教授博導(dǎo)的家伙能把英語(yǔ)翻譯成這樣，這是了不起??！很多都是直譯，定語(yǔ)從句連句子的順序都不改一下?。?！難不成你們平時(shí)也這樣跟人講話？
　　中國(guó)的學(xué)術(shù)界?。。?！真人點(diǎn)踏實(shí)點(diǎn)行不？
　　以后這兩位活寶（范明, 孟小峰）的書(shū)定死是不買(mǎi)的了
　　首先我承認(rèn)我的E文不算太好。我最近在讀兩本E文原版的技術(shù)書(shū)籍，《分布式系統(tǒng)原理與范型》、《數(shù)據(jù)挖掘概念與技術(shù)》。都是E文書(shū)，但是前者作者是老外，后者作者是中國(guó)人，兩本書(shū)的風(fēng)格明顯差異很大。
　　
　　《數(shù)據(jù)挖掘概念與技術(shù)》的大量專(zhuān)業(yè)詞匯給我很大的打擊，但是大量非專(zhuān)業(yè)詞匯我認(rèn)為用的也不太好，這可能是中國(guó)人的通病吧，很多中國(guó)人寫(xiě)的E文連老外看的時(shí)候也要查單詞，這應(yīng)該能反映出一些問(wèn)題。相比之下《分布式系統(tǒng)原理與范型》用詞就很簡(jiǎn)單，鮮見(jiàn)生僻單詞。
　　
　　除此之外，《數(shù)據(jù)挖掘概念與技術(shù)》的內(nèi)容組織也有待商榷，很多術(shù)語(yǔ)不管三七二十一先列出來(lái)，然后下面一條一條的解讀或者說(shuō)這個(gè)內(nèi)容超出本書(shū)范圍或者說(shuō)這個(gè)內(nèi)容稍后章節(jié)會(huì)講等等，這對(duì)讀者是很不友好的。相比之下，《分布式系統(tǒng)原理與范型》的內(nèi)容組織由淺入深、并伴隨著一些實(shí)例，讀起來(lái)就輕松明快。
　　這個(gè)是數(shù)據(jù)挖掘方面的基礎(chǔ)，國(guó)外的思維方式和咱們這個(gè)有點(diǎn)差異，所以覺(jué)得有點(diǎn)怪，但是大部分翻譯書(shū)籍都是這樣。而且范明是我的老師，在數(shù)據(jù)庫(kù)反方面造詣很深，待人很不錯(cuò)。
　　浙大的王燦老師的講課視頻：
　　
　　http://www.businessanalysis.cn/viewthread.php?tid=13320&extra=&page=1
　　
　　韓家煒自己的講課視頻：
　　
　　http://v.youku.com/v_playlist/ct250f1903290o1p0
　　本書(shū)從內(nèi)容上看還是比較全面的，但是中文版的翻譯實(shí)在是差，基本上感覺(jué)沒(méi)有幾句話是讀了一次后可以理解的，建議讀英文版
　　數(shù)據(jù)挖掘功能包括發(fā)現(xiàn)概念/類(lèi)描述、關(guān)聯(lián)、分類(lèi)、預(yù)測(cè)、聚類(lèi)、趨勢(shì)分析、偏差分析和類(lèi)似性分析。特征化和區(qū)分是數(shù)據(jù)匯總的形式。
　　
　　數(shù)據(jù)分類(lèi)(data classification)是一個(gè)兩步過(guò)程：1）建立一個(gè)模型，描述預(yù)定的數(shù)據(jù)類(lèi)集或概念集。通過(guò)分析由屬性描述的數(shù)據(jù)庫(kù)元組來(lái)構(gòu)造模型。2）使用模型進(jìn)行分類(lèi)。
　　“預(yù)測(cè)和分類(lèi)有何不同？”預(yù)測(cè)（prediction）是構(gòu)造和使用模型評(píng)估無(wú)標(biāo)號(hào)樣本類(lèi)，或評(píng)估給定樣本可能具有的屬性值或值區(qū)間。在這種觀點(diǎn)下，分類(lèi)和回歸是兩類(lèi)主要預(yù)測(cè)問(wèn)題，其中分類(lèi)是預(yù)測(cè)離散或標(biāo)稱(chēng)值，而回歸用于預(yù)測(cè)連續(xù)或有序值。然而，我們的觀點(diǎn)是：用預(yù)測(cè)法預(yù)測(cè)類(lèi)標(biāo)號(hào)為分類(lèi)，用預(yù)測(cè)法預(yù)測(cè)連續(xù)值（例如使用回歸方法）為預(yù)測(cè)。這種觀點(diǎn)在數(shù)據(jù)挖掘界被廣泛接受。
　　7.3用判斷樹(shù)歸納分類(lèi)
　　判斷樹(shù)（decision tree）是一個(gè)類(lèi)似流程圖的樹(shù)結(jié)構(gòu)，氣質(zhì)每個(gè)內(nèi)部節(jié)點(diǎn)表示在一個(gè)屬性上的測(cè)試，每個(gè)分支代表一個(gè)測(cè)試輸出，而每個(gè)樹(shù)葉節(jié)點(diǎn)代表類(lèi)或者類(lèi)分布。
　　chp8 聚類(lèi)分析
　　將物理或抽象對(duì)象的集合分組成為由類(lèi)似的對(duì)象組成的多個(gè)類(lèi)的過(guò)程被稱(chēng)為聚類(lèi)。
　　聚類(lèi)的方法有：
　　1）劃分方法 partitioning method
　　2)層次方法hierarchical method
　　3)基于密度的方法 density-based method
　　4）基于網(wǎng)格的方法grid-based method
　　5）基于模型的方法model-based method
　　
確實(shí)??！專(zhuān)業(yè)詞匯這么的多?。?！
我也覺(jué)得不是很好讀，老喜歡把簡(jiǎn)單的東西講的那么復(fù)雜，語(yǔ)言不夠簡(jiǎn)練和易懂
請(qǐng)問(wèn)，對(duì)于data mining還有更好的入門(mén)書(shū)籍嗎？就是很經(jīng)典的教材，最好是英文的，現(xiàn)在我們正在上這門(mén)課，可是老師講的不是很好，我想找一些經(jīng)典教材看看，本來(lái)是在看這本，但是我也覺(jué)得很不好讀，打擊的我很沒(méi)信心，請(qǐng)樓主推薦一本好的教材。謝謝
聽(tīng)LZ這么一說(shuō)，我不想買(mǎi)這本書(shū)了。我也有點(diǎn)刻板印象，感覺(jué)中國(guó)人寫(xiě)書(shū)把簡(jiǎn)單的東西搞復(fù)雜了。
我現(xiàn)在也是在啃這本書(shū)的e文版，啃了前兩章，啃得我對(duì)自己的e文都沒(méi)信心了
后者也是美國(guó)人，美國(guó)信息網(wǎng)絡(luò)學(xué)術(shù)研究中心主任，uiuc的正教授，只不過(guò)后者出生在中國(guó)
這本書(shū)是數(shù)據(jù)挖掘領(lǐng)域最著名的入門(mén)書(shū)之一，美國(guó)人上課也是用這本書(shū)
我很想研究一下數(shù)據(jù)挖掘和數(shù)據(jù)統(tǒng)計(jì)方面，您是否可以給我推薦幾本書(shū)？電子版更好了。呵呵。
第一個(gè)視頻不太容易看到呢
還需要人工驗(yàn)證
視頻里的內(nèi)容遠(yuǎn)遠(yuǎn)超過(guò)書(shū)的內(nèi)容。正好也說(shuō)明書(shū)不夠細(xì)。
看看韓的視頻, 感覺(jué)講課比書(shū)易理解
第一個(gè)視頻，需要什么權(quán)限嗎還是無(wú)效了
。。視頻都沒(méi)了

數(shù)據(jù)挖掘

用戶(hù)評(píng)論 (總計(jì)68條)

推薦圖書(shū)

相關(guān)圖書(shū)