标签
内容简介
本书系统地介绍了数据挖掘理论、方法与应用，包括数据特征分析与预处理，经典数据挖掘算法（分类、回归、聚类、关联规则和集成学习等），大数据新常态下催生的数据分析方法（推荐系统、链接分析与网页排序、互联网信息抽取、日志挖掘与查询分析等）等理论与方法。在此基础上，每章均有基于Python语言的实例应用。本书可以作为高等院校数据科学与大数据技术专业相关课程的教材，以及计算机、软件工程等专业的教材或参考书。高职高专学校相关专业也可选用部分内容开展教学。
编辑推荐
本书把数据挖掘的经典内容与大数据环境下的新方法放在同一框架中讲述，从数据特征分析与预处理起步，依次覆盖分类、回归、聚类、关联规则和集成学习等经典算法，再延伸到推荐系统、链接分析与网页排序、互联网信息抽取、日志挖掘与查询分析等应用方向，知识链条完整。较有特色的是每章都配有基于Python语言的实例应用，读者可以在理解原理后立即动手验证，避免只停留在公式和概念层面。作为第2版教材，内容组织适合课堂讲授与自学并行：理论部分便于建立体系，实例部分便于形成操作能力。阅读时建议按章节顺序推进，先掌握预处理与经典算法，再进入大数据应用章节；配合Python环境同步敲代码效果更好。适合作为课程配套读物，也适合有一定编程基础、希望系统补齐数据挖掘知识结构的技术人员案头参考。
适合谁读
适合
- 数据科学与大数据技术专业的学生，需要课程教材与配套练习
- 计算机、软件工程专业学生，想系统学习数据挖掘理论与Python实现
- 高职高专相关专业师生，可选用部分章节开展教学
- 有一定编程基础、希望转入数据分析方向的技术人员
不适合
- 完全没有编程基础、希望零门槛入门数据挖掘的读者
- 只想快速学会某个工具操作、不愿接触算法原理的读者
- 寻找前沿深度学习专题专著的读者，本书重点不在该方向
阅读建议
- 按章节顺序阅读，先完成数据预处理与经典算法部分，再进入大数据应用章节
- 每章读完后在Python环境中复现实例，对照输出理解算法参数与结果含义
- 把分类、聚类、关联规则等算法整理成对比表格，记录适用场景与优缺点
- 作为教材使用时，可配合课后练习先手算小样例，再用代码验证结论
出版社简介
电子工业出版社
中国 · 成立于 1982 年
电子工业出版社是一家以电子信息及相关领域为出版特色的综合性出版社。从库内三千余种图书来看，其出版方向覆盖编程设计、人工智能、计算机综合、财经、摄影与社科等门类，既关注技术前沿，也兼顾大众阅读。代表图书包括《因子投资：方法与实践》《x86汇编语言：从实模式到保护模式》《RISC-V开放架构设计之道》《人工智能：语音识别理解与实践》《相控阵雷达技术》《雷达目标特性》及《100个Go语言典型错误》等，多围绕技术方法与工程实践展开。作者资源方面，有石川、李忠、王晓波、大卫·帕特森、安德鲁·沃特曼、余子濠等中外作者。受公开资料所限，暂不展开更多出版特色。
目录
- 版权信息
- 内容简介
- 编委会
- 总序
- 第2版前言
- 第1版前言
- 第1章 绪论
- 1.1 数据挖掘的基本概念
- 1.2 数据挖掘的起源及发展
- 1.3 数据挖掘的常用工具
- 1.4 数据挖掘的应用
- 习题
- 参考文献
- 第2章 数据特征分析及预处理
- 2.1 数据类型
- 2.2 数据特征分析
- 2.3 数据预处理
- 2.4 数据的相似性
- 习题
- 参考文献
- 第3章 分类
- 3.1 分类概述
- 3.2 决策树
- 3.3 贝叶斯分类
- 3.4 支持向量机
- 3.5 实战：Python支持向量机分类
- 习题
- 参考文献
- 第4章 回归
- 4.1 回归的基本概念
- 4.2 一元回归分析
- 4.3 多元线性回归分析
- 4.4 逻辑回归分析
- 4.5 其他回归分析
- 4.6 实战：获得最大有效率时的药物用量
- 习题
- 参考文献
- 第5章 聚类
- 5.1 聚类基本概念
- 5.2 划分聚类方法
- 5.3 层次聚类方法
- 5.4 密度聚类方法
- 5.5 实战：Python聚类分析
- 习题
- 参考文献
- 第6章 关联规则
- 6.1 基本概念
- 6.2 Apriori算法：通过限制候选产生发现频繁项集
- 6.3 FP-growth算法
- 6.4 其他关联规则算法
- 6.5 实战：购物篮关联规则挖掘
- 习题
- 参考文献
- 第7章 集成学习
- 7.1 集成学习的概念
- 7.2 Bagging算法与随机森林算法
- 7.3 Boosting算法
- 7.4 结合策略
- 7.5 多样性
- 7.6 实战案例
- 7.7 本章小结
- 习题
- 参考文献
- 第8章 推荐系统
- 8.1 推荐系统概述
- 8.2 基于内容的推荐
- 8.3 协同过滤推荐
- 8.4 基于标签的推荐
- 8.5 实战：搭建一个电影推荐系统
- 习题
- 参考文献
- 第9章 互联网数据挖掘
- 9.1 链接分析与网页排序
- 9.2 互联网信息抽取
- 9.3 日志挖掘与查询分析
- 9.4 Python实战案例
- 习题
- 参考文献
- 附录A 大数据和人工智能实验环境
常见问题
没有机器学习基础能直接读这本书吗？
可以，但需要提前补一点概率统计和线性代数常识。本书从数据特征分析与预处理讲起，经典算法部分逐步展开，配合每章Python实例，跟着敲代码能降低理解难度。建议不要跳过前面的基础章节，遇到公式先理解直观含义，再回头看推导。
书中的Python实例需要什么环境？
资料说明每章均有基于Python语言的实例应用，但未指定具体库和版本。读者可准备常见的Python数据分析环境，按书中代码逐步运行；若库版本不同导致报错，优先查阅对应库的官方文档调整，而不是直接跳过实例。
这本书适合考研复习或自学考试使用吗？
本书定位为高等院校相关课程教材或参考书，知识体系较完整，可作为复习框架使用。但复习时应以报考院校的考试大纲和指定教材为准，把本书作为补充理解与练习的材料，重点对照大纲覆盖分类、聚类、关联规则等核心章节。
每章实例和理论部分应该怎么分配时间？
建议理论阅读与上机练习时间大致相当。先通读一章理论，理清算法要解决的问题和基本步骤，再动手运行实例并尝试修改参数观察结果变化。只读不练容易停留在概念层面，只练不读则难以迁移到新问题。
读者评论
查询本书
本站为索引目录：「全网查询」由您发起、在您的浏览器中运行，所列入口均指向第三方站点，请自行判断可用性。
作者简介
王朝霞
作者
王朝霞的公开资料有限，现有信息主要来自其署名的六种作品。从这些作品看，她的写作与编写横跨两个方向：一是计算机与数据领域，包括《数据挖掘》及其第2版，内容偏重方法与技术，服务于相关课程与考试；二是音乐教育与美育，涉及学校音乐教育的导论与教材教法、高校音乐教师教育与基础音乐教育的对接，以及音乐教师职业素养。其中农村音乐支教与美育浸润的主题，反映出她对高师音乐教育与乡村实践结合的持续关注。总体而言，她的作品兼具教材的规范性与实践取向，适合教学与参考阅读。
