图灵教育 数据挖掘与分析 概念与算法 融合机器学习 统计学等相关学科知识 涵盖 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

MohammedJZaki 著

图书标签:

• 数据挖掘
• 机器学习
• 统计学
• 数据分析
• 图灵教育
• 算法
• 人工智能
• 商业智能
• 数据科学
• 预测模型

店铺： 人民邮电出版社官方旗舰店

出版社： 人民邮电出版社

ISBN：9787115458421

商品编码：15311619391

出版时间：2017-08-01

页数：516

内容介绍

本书是专注于数据挖掘与分析的基本算法的入门图书，内容分为数据分析基础、频繁模式挖掘、聚类和分类四个部分，每一部分的各个章节兼顾基础知识和前沿话题，例如核方法、高维数据分析、复杂图和网络等。每一章ZUI后均附有参考书目和习题。

 

本书适合高等院校相关专业的学生和教师阅读，也适合从事数据挖掘相关工作的人员学习参考。

作者介绍

Mohammed J. Zaki

伦斯勒理工学院计算机科学系教授，ACM杰出科学家，IEEE会士，目前致力于研究新数据挖掘技术。曾获得谷歌教职研究奖等诸多奖项。

 

Wagner Meira Jr.

巴西米纳斯联邦大学计算机科学系教授，数据库专家。

目录

第1章　数据挖掘与分析　　1 

1.1 数据矩阵　　1 

1.2 属性　　2 

1.3 数据的几何和代数描述　　3 

1.3.1 距离和角度　　5 

1.3.2 均值与总方差　　8 

1.3.3 正交投影　　9 

1.3.4 线性无关与维数　　10 

1.4 数据：概率观点　　12 

1.4.1 二元随机变量　　17 

1.4.2 多元随机变量　　20 

1.4.3 随机抽样和统计量　　21 

1.5 数据挖掘　　22 

1.5.1 探索性数据分析　　23 

1.5.2 频繁模式挖掘　　24 

1.5.3 聚类　　24 

1.5.4 分类　　25 

1.6 补充阅读　　26 

1.7 习题　　26 

DIYI部分　数据分析基础 

第2章　数值属性　　28 

2.1 一元变量分析　　28 

2.1.1 数据居中度度量　　29 

2.1.2 数据离散度度量　　32 

2.2 二元变量分析　　35 

2.2.1 位置和离散度的度量　　36 

2.2.2 相关性度量　　37 

2.3 多元变量分析　　40 

2.4 数据规范化　　44 

2.5 正态分布　　46 

2.5.1 一元正态分布　　46 

2.5.2 多元正态分布　　47 

2.6 补充阅读　　50 

2.7 习题　　51 

第3章　类别型属性　　53 

3.1 一元分析　　53 

3.1.1 伯努利变量（Bernoulli variable）　　53 

3.1.2 多元伯努利变量　　55 

3.2 二元分析　　61 

3.3 多元分析　　69 

3.4 距离和角度　　74 

3.5 离散化　　75 

3.6 补充阅读　　77 

3.7 习题　　78 

第4章　图数据　　79 

4.1 图的概念　　79 

4.2 拓扑属性　　83 

4.3 中心度分析　　86 

4.3.1 基本中心度　　86 

4.3.2 Web中心度　　88 

4.4 图的模型　　96 

4.4.1 Erd?s-Rényi随机图模型　　98 

4.4.2 Watts-Strogatz小世界图模型　　101 

4.4.3 Barabási-Albert无标度模型　　104 

4.5 补充阅读　　111 

4.6 习题　　112 

第5章　核方法　　114 

5.1 核矩阵　　117 

5.1.1 再生核映射　　118 

5.1.2 Mercer核映射　　120 

5.2 向量核　　122 

5.3 特征空间中的基本核操作　　126 

5.4 复杂对象的核　　132 

5.4.1 字符串的谱核　　132 

5.4.2 图节点的扩散核　　133 

5.5 补充阅读　　137 

5.6 习题　　137 

第6章　高维数据　　139 

6.1 高维对象　　139 

6.2 高维体积　　141 

6.3 超立方体的内接超球面　　143 

6.4 薄超球面壳的体积　　144 

6.5 超空间的对角线　　145 

6.6 多元正态的密度　　146 

6.7 附录：球面体积的推导　　149 

6.8 补充阅读　　153 

6.9 习题　　153 

第7章　降维　　156 

7.1 背景知识　　156 

7.2 主成分分析　　160 

7.2.1 ZUI优线近似　　160 

7.2.2 ZUI优二维近似　　163 

7.2.3 ZUI优r维近似　　167 

7.2.4 主成分分析的几何意义　　170 

7.3 核主成分分析　　172 

7.4 奇异值分解　　178 

7.4.1 奇异值分解的几何意义　　179 

7.4.2 奇异值分解和主成分分析之间的联系　　180 

7.5 补充阅读　　182 

7.6 习题　　182 

第二部分　频繁模式挖掘 

第8章　项集挖掘　　186 

8.1 频繁项集和关联规则　　186 

8.2 频繁项集挖掘算法　　189 

8.2.1 逐层的方法：Apriori算法　　191 

8.2.2 事务标识符集的交集方法：Eclat算法　　193 

8.2.3 频繁模式树方法：FPGrowth算法　　197 

8.3 生成关联规则　　201 

8.4 补充阅读　　203 

8.5 习题　　203 

第9章　项集概述　　208 

9.1 ZUI大频繁项集和闭频繁项集　　208 

9.2 挖掘ZUI大频繁项集：GenMax算法　　211 

9.3 挖掘闭频繁项集：Charm算法　　213 

9.4 非可导项集　　215 

9.5 补充阅读　　220 

9.6 习题　　221 

第10章　序列挖掘　　223 

10.1 频繁序列　　223 

10.2 挖掘频繁序列　　224 

10.2.1 逐层挖掘：GSP　　225 

10.2.2 垂直序列挖掘：Spade　　226 

10.2.3 基于投影的序列挖掘：PrefixSpan　　228 

10.3 基于后缀树的子串挖掘　　230 

10.3.1 后缀树　　230 

10.3.2 Ukkonen线性时间算法　　233 

10.4 补充阅读　　238 

10.5 习题　　239 

第11章　图模式挖掘　　242 

11.1 同形和支撑　　242 

11.2 候选生成　　245 

11.3 gSpan算法　　249 

11.3.1 扩展和支撑计算　　250 

11.3.2 quanwei性测试　　255 

11.4 补充阅读　　256 

11.5 习题　　257 

第12章　模式与规则评估　　260 

12.1 规则和模式评估的度量　　260 

12.1.1 规则评估度量　　260 

12.1.2 模式评估度量　　268 

12.1.3 比较多条规则和模式　　270 

12.2 显著性检验和置信区间　　273 

12.2.1 产生式规则的费希尔精确检验　　273 

12.2.2 显著性的置换检验　　277 

12.2.3 置信区间内的自助抽样　　282 

12.3 补充阅读　　284 

12.4 习题　　285 

第三部分　聚类 

第13章　基于代表的聚类　　288 

13.1 K-means 算法　　288 

13.2 核K-means　　292 

13.3 期望ZUI大聚类　　295 

13.3.1 一维中的EM　　297 

13.3.2 d维中的EM　　300 

13.3.3 极大似然估计　　305 

13.3.4 EM方法　　309 

13.4 补充阅读　　311 

13.5 习题　　312 

第14章　层次式聚类　　315 

14.1 预备知识　　315 

14.2 聚合型层次式聚类　　317 

14.2.1 簇间距离　　317 

14.2.2 更新距离矩阵　　321 

14.2.3 计算复杂度　　322 

14.3 补充阅读　　322 

14.4 习题　　323 

第15章　基于密度的聚类　　325 

15.1 DBSCAN 算法　　325 

15.2 核密度估计　　328 

15.2.1 一元密度估计　　328 

15.2.2 多元密度估计　　331 

15.2.3 ZUI近邻密度估计　　333 

15.3 基于密度的聚类：DENCLUE　　333 

15.4 补充阅读　　338 

15.5 习题　　339 

第16章　谱聚类和图聚类　　341 

16.1 图和矩阵　　341 

16.2 基于图的割的聚类　　347 

16.2.1 聚类目标函数：比例割与归—割　　349 

16.2.2 谱聚类算法　　351 

16.2.3 ZUI大化目标：平均割与模块度　　354 

16.3 马尔可夫聚类　　360 

16.4 补充阅读　　366 

16.5 习题　　367 

第17章　聚类的验证　　368 

17.1 外部验证度量　　368 

17.1.1 基于匹配的度量　　369 

17.1.2 基于熵的度量　　372 

17.1.3 成对度量　　375 

17.1.4 关联度量　　378 

17.2 内部度量　　381 

17.3 相对度量　　388 

17.3.1 分簇稳定性　　394 

17.3.2 聚类趋向性　　396 

17.4 补充阅读　　400 

17.5 习题　　401 

第四部分　分类 

第18章　基于概率的分类　　404 

18.1 贝叶斯分类器　　404 

18.1.1 估计先验概率　　404 

18.1.2 估计似然　　405 

18.2 朴素贝叶斯分类器　　409 

18.3 KZUI近邻分类器　　412 

18.4 补充阅读　　414 

18.5 习题　　415 

第19章　决策树分类器　　416 

19.1 决策树　　417 

19.2 决策树算法　　419 

19.2.1 分割点评估度量　　420 

19.2.2 评估分割点　　422 

19.3 补充阅读　　429 

19.4 习题　　429 

第20章　线性判别分析　　431 

20.1 ZUI优线性判别　　431 

20.2 核判别分析　　437 

20.3 补充阅读　　443 

20.4 习题　　443 

第21章　支持向量机　　445 

21.1 支持向量和间隔　　445 

21.2 SVM：线性可分的情况　　450 

21.3 软间隔SVM：线性不可分的情况　　454 

21.3.1 铰链误损　　455 

21.3.2 二次误损　　458 

21.4 核SVM：非线性情况　　459 

21.5 SVM训练算法　　462 

21.5.1 对偶解法：随机梯度上升　　463 

21.5.2 原始问题解：牛顿优化　　467 

21.6 补充阅读　　473 

21.7 习题　　473 

第22章　分类的评估　　475 

22.1 分类性能度量　　475 

22.1.1 基于列联表的度量　　476 

22.1.2 二值分类：正类和负类　　479 

22.1.3 ROC分析　　482 

22.2 分类器评估　　487 

22.2.1 K折交叉验证　　487 

22.2.2 自助抽样　　488 

22.2.3 置信区间　　489 

22.2.4 分类器比较：配对t检验　　493 

22.3 偏置-方差分解　　495 

22.4 补充阅读　　503 

22.5 习题　　504 

《揭秘数据深海：算法、统计与洞察的交响》 在信息爆炸的时代，数据已成为驱动社会进步、商业决策乃至科学探索的核心力量。然而，海量原始数据本身并不能直接转化为有价值的洞察，它们如同未经雕琢的矿石，需要精密的工具和深刻的理解才能提炼出闪耀的智慧。本书《揭秘数据深海：算法、统计与洞察的交响》正是为应对这一挑战而诞生的。它不是一本浅尝辄止的技术手册，而是一次深入数据世界、理解其运行规律、掌握挖掘其宝藏的系统性学习之旅。 本书的核心目标是引领读者穿越数据迷雾，掌握从海量信息中提取有意义模式、预测未来趋势、并最终做出明智决策的关键能力。我们深知，真正的数据分析和挖掘绝非简单的工具堆砌，而是算法、统计学原理与业务场景理解之间深刻融合的艺术。因此，本书在内容编排上，力求做到理论的严谨性与实践的指导性并重，将复杂的技术概念以清晰、直观的方式呈现，并辅以大量贴近实际的案例分析，帮助读者建立扎实的理论基础和灵活的实践技能。 第一部分：数据世界的基石——概念与统计的对话 在踏入数据挖掘的广阔海洋之前，我们首先需要理解这片海洋的构成和运作机制。本部分将从最基础的数据概念出发，为您构建起数据分析的坚实基石。 数据的本质与形态：我们将探讨数据的不同类型（数值型、类别型、文本型、图像型等），理解它们在不同场景下的表现形式，以及数据质量的重要性，包括缺失值、异常值、噪声等的识别与初步处理。这不仅仅是数据的分类，更是理解数据“性格”的第一步。 描述性统计的魅力：统计学是理解数据的语言。本部分将深入讲解描述性统计的核心概念，如均值、中位数、众数、方差、标准差、分位数等，并通过可视化手段（直方图、箱线图、散点图等）展示如何直观地描绘数据的分布特征、集中趋势和离散程度。我们将强调，理解数据的概况是后续深入分析的前提。 推断性统计的洞察力：当数据仅仅是样本时，我们如何从样本推断整体？本书将介绍概率论的基本原理，包括概率分布（正态分布、二项分布等）、大数定律和中心极限定理，以及它们在数据分析中的应用。在此基础上，我们将详细讲解假设检验、置信区间等核心推断性统计方法，帮助读者理解如何基于有限的样本信息做出严谨的推断，并量化其不确定性。 数据探索性分析（EDA）的艺术：EDA是数据分析过程中至关重要的一环，它是一种探索性思维方式，旨在通过可视化和摘要统计来理解数据，发现潜在模式、识别异常、检验假设，并为后续的建模选择提供依据。本书将系统性地介绍EDA的流程和常用技术，引导读者如何“与数据对话”，逐步揭示隐藏在数据背后的故事。 第二部分：算法的智慧——洞察模式与预测未来 有了坚实的统计学基础，我们便可以开始探索那些能够从数据中自动发现模式、进行预测和决策的算法。本部分将是本书的核心，我们将系统性地介绍数据挖掘领域最经典、最实用的算法。 监督学习的预测之道：当数据带有明确的标签或目标变量时，监督学习便大显身手。 分类算法：我们将深入讲解逻辑回归、支持向量机（SVM）、决策树、随机森林、梯度提升树（如XGBoost, LightGBM）等主流分类算法的原理、优缺点及适用场景。通过具体案例，您将学会如何构建模型来区分数据类别，例如垃圾邮件检测、用户流失预测等。 回归算法：对于连续型目标变量的预测，线性回归、多项式回归、岭回归、Lasso回归等是不可或缺的工具。本书将详细阐述这些算法的数学原理，并通过实际问题演示如何建立模型来预测房价、销售额等数值。 无监督学习的发现之旅：当数据缺乏明确的标签时，无监督学习则帮助我们发现数据内在的结构和规律。 聚类算法：我们将探讨K-Means、DBSCAN、层次聚类等经典聚类算法，学习如何根据数据的相似性将数据分组，例如客户细分、异常检测等。 降维算法：面对高维度数据，降维是理解和可视化的关键。主成分分析（PCA）、t-SNE等降维技术将在本书中得到详细介绍，帮助读者压缩数据维度，保留关键信息。 关联规则挖掘：购物篮分析（如Apriori算法）是关联规则挖掘的典型应用。我们将讲解如何发现数据项之间的有趣关联，例如“购买了牛奶的顾客很可能也会购买面包”。 深度学习的神经网络革命：作为近年来发展迅猛的领域，深度学习在图像识别、自然语言处理等方面取得了突破性进展。本书将为您介绍神经网络的基本结构（感知机、多层感知机）、激活函数、反向传播算法等核心概念。同时，我们将简要介绍卷积神经网络（CNN）和循环神经网络（RNN）在特定数据类型上的应用，为读者打开通往更复杂模型的大门。 第三部分：实践的升华——从数据到价值的转化 掌握了理论和算法，最终的落脚点是将这些知识转化为实际的商业价值或科研成果。本部分将聚焦于数据挖掘项目的实践流程和关键考量。 数据预处理与特征工程：真实世界的数据往往是“脏”的。本书将详细介绍数据清洗、缺失值填充、异常值处理、数据标准化/归一化等关键预处理步骤。同时，我们将深入探讨特征工程的重要性，包括特征选择、特征提取、特征构造等技术，以及如何通过有效的特征工程显著提升模型性能。 模型评估与选择：如何判断一个模型的好坏？本书将介绍各种模型评估指标，包括准确率、精确率、召回率、F1分数、ROC曲线、AUC值、均方误差（MSE）、R²分数等，并讲解交叉验证等模型选择和评估技术，确保我们选择的模型是最适合当前任务的。 数据挖掘项目实战流程：我们将以一个或多个综合性的案例，系统性地展示一个完整的数据挖掘项目的生命周期，包括需求分析、数据收集、数据理解、数据预处理、模型选择与训练、模型评估与调优、结果解释与部署等关键环节。通过实战演练，读者将学会如何将理论知识融会贯通，解决实际问题。 伦理与隐私考量：在数据分析日益普及的今天，数据伦理和隐私保护是不可忽视的重要议题。本书将探讨数据使用的道德规范、隐私泄露的风险以及相关的法律法规，引导读者在数据挖掘过程中秉持负责任的态度。 本书特色 融合性与前瞻性：本书不仅仅局限于单一的技术领域，而是巧妙地融合了统计学、机器学习、深度学习等多个学科的知识，力求为读者提供一个全面、系统的视角。同时，我们关注新兴技术和趋势，为读者指明未来的发展方向。 严谨的理论与生动的实践：每一项技术都建立在坚实的数学和统计学基础之上，同时辅以大量的代码示例（使用Python及其主流库如NumPy, Pandas, Scikit-learn, TensorFlow/PyTorch）和详细的案例分析，让抽象的概念变得触手可及。 面向未来的能力培养：我们相信，本书不仅仅是传授知识，更是培养一种解决问题的思维方式——如何理解数据、如何运用工具、如何从数据中发现洞察，并最终转化为行动。 无论您是希望提升数据分析技能的在校学生，寻求数据驱动决策的商业人士，还是致力于探索数据奥秘的科研工作者，本书都将是您不可或缺的伙伴。跟随我们一起，潜入数据的深海，发掘无限可能！

评分☆☆☆☆☆

这本书的阅读体验，老实说，并不像我期待的那样令人兴奋。我本来对数据挖掘中的“算法”部分寄予厚望，希望能够深入理解各种经典算法的原理，例如决策树是如何构建的，支持向量机又是如何工作的。然而，书中对这些算法的讲解，感觉有些过于“轻描淡写”。 很多算法的介绍，仅仅停留在“是什么”的层面，而对于“为什么是这样”、“如何推导出来的”以及“在什么情况下效果最好”等关键问题，并没有给出深入的解答。我希望能看到算法的数学推导过程，哪怕是简化的版本，也能帮助我更好地理解算法的内在逻辑。此外，对于一些常用的机器学习库，例如scikit-learn，书中是否有详细的使用指南和代码示例？ 我希望能够跟着书中的内容，动手实践，将理论知识转化为实际技能。我对数据挖掘的理解，还停留在比较初级的阶段，希望能通过这本书，学习到更多关于特征工程、模型评估、模型调优等方面的实用技巧，从而能够独立完成一个完整的数据分析项目。这本书在这些方面的覆盖，让我觉得还有提升的空间。

评分☆☆☆☆☆

坦白说，我对这本书的“融合”程度有些担忧。它声称融合了机器学习、统计学等知识，但我翻开来看，感觉更像是将各个学科的知识点散落地堆砌在一起，并没有形成一个有机的整体。我期待的是看到这些学科知识如何协同作用，如何互相补充，从而构建出一个更加强大和全面的数据分析框架。例如，机器学习中的模型，其背后的统计学原理是什么？统计学中的方法，如何在机器学习的框架下得到更有效的应用？书中是否有关于模型解释性、可信度评估的讨论，以及如何利用统计学的方法来增强模型的鲁棒性？ 我希望这本书能提供一种“融会贯通”的视角，让我理解不同学科之间的内在联系，而不是孤立地学习各个知识点。如果仅仅是将各种算法和概念简单地罗列出来，而没有深入探讨它们之间的联系和相互作用，那么这本书的“融合”就显得名不副实了。我更倾向于看到作者能够带领我，从一个更高的维度去理解数据挖掘与分析的本质，去认识到这些学科是如何共同服务于从数据中提取价值这一最终目标的。

评分☆☆☆☆☆

翻了几页，这本书似乎并没有我预期的那么“硬核”。我本以为是一本会深入讲解各种复杂模型和数学推导的学术专著，但初步看来，它的风格更偏向于普及和引导。对于我这种数据分析的初学者来说，这或许是个好事，但对于已经有一定基础的人，可能会觉得不够深入。我一直在寻找能够帮助我理解更深层次的统计学原理，例如假设检验的底层逻辑，以及各种回归模型在不同场景下的适用性和局限性。同时，我对于时间序列分析和聚类算法的深入讲解也抱有很大期望，希望能看到更多关于它们在异常检测、用户分群等方面的应用细节。如果书中只是简单地罗列一些算法名称和基本用法，而没有对算法的内在机制、优缺点进行细致的分析，那对我的帮助就会有限。我希望作者能够像一位经验丰富的老兵，带我深入“战场”，讲解那些经过实战检验的“战术”和“技巧”，而不是只在“战术手册”上划圈圈。此外，我一直对如何有效地处理和清洗真实世界中的脏数据感到困惑，真实的数据往往充满了缺失值、异常值和不一致，如何在预处理阶段就考虑到这些问题，并采取有效的策略，是提升分析结果质量的关键。我希望书中能在这方面给出更具体、更具指导性的建议，而不仅仅是泛泛而谈。

评分☆☆☆☆☆

这部作品的叙述方式实在是太过“文艺”了。我找的是一本技术类的书籍，期望能够学习到实实在在的技能，掌握解决问题的工具。然而，我在这本书里看到的更多的是对数据“美学”的探讨，对“数据生命周期”的诗意描绘，以及一些关于“数据伦理”的哲学思考。虽然这些内容本身并没有错，甚至很有启发性，但它们与我想要通过这本书达到的目的——提高我的数据分析能力——似乎有些 Mismatch。我更希望看到的是清晰的图表、严谨的公式、详细的代码示例，以及能够引导我一步步完成数据分析项目的流程。例如，在讲解模型构建的时候，我希望能看到关于模型选择、特征工程、参数调优等一系列操作的详细步骤和考量因素。 关于如何使用Python或者R来实现这些算法，我也期待有更直观、更易于模仿的代码片段。如果书中充斥着大段大段的理论阐述，而缺乏实际可操作的指导，那对我来说，这本书的价值将大打折扣。我希望它能更贴近实际应用，更接地气一些，而不是让我在“概念的海洋”里漂流，却找不到“登陆”的彼岸。

评分☆☆☆☆☆

刚拿到这本《图灵教育 数据挖掘与分析 概念与算法 融合机器学习 统计学等相关学科知识 涵盖》的书，还没来得及细看，但凭着对图灵教育一贯品质的信任，以及对“数据挖掘与分析”这个主题的浓厚兴趣，我已经对接下来的阅读充满了期待。我本身从事的是市场营销相关工作，日常工作中接触到大量的数据，如何从中提炼有价值的信息，发现潜在的客户群体，优化营销策略，一直是我非常头疼的问题。听闻这本书融合了机器学习和统计学等知识，这正是我急需的。我尤其关注书中关于“概念与算法”的讲解，希望它能将那些看似高深的理论以一种易于理解的方式呈现出来，并且能够提供一些实用的算法，让我可以在实际工作中进行尝试。我期待书中能有案例分析，能够结合实际场景，演示如何应用这些数据挖掘和分析的技术，解决实际问题。例如，对于我们这种需要进行用户画像、精准推荐的行业来说，书中能否提供一些具体的模型和实现思路？此外，我比较担心的是，有些数据挖掘的书籍过于偏重理论，缺乏实践指导，或者算法介绍过于晦涩，难以消化。我希望这本书能在理论深度和实践可操作性之间找到一个很好的平衡点，既能让我了解背后的原理，又能让我真正学会如何去应用。 图灵教育出品，质量应该有保障，我很期待这本书能成为我工作中的得力助手。