Principles of Data Mining

ویرایش: 3 
نویسندگان: Max Bramer (auth.)  
سری: Undergraduate Topics in Computer Science 
ISBN (شابک) : 9781447173076, 9781447173069 
ناشر: Springer-Verlag London 
سال نشر: 2016 
تعداد صفحات: 530 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت 

قیمت کتاب (تومان) : 38,000



این کتاب تکنیک‌های اصلی داده‌کاوی، استخراج خودکار اطلاعات ضمنی و بالقوه مفید از داده‌ها را که به طور فزاینده‌ای در حوزه‌های تجاری، علمی و سایر حوزه‌های کاربردی مورد استفاده قرار می‌گیرد، توضیح می‌دهد و بررسی می‌کند. این بر طبقه بندی، استخراج قوانین مرتبط و خوشه بندی تمرکز دارد.

هر موضوع به وضوح توضیح داده شده است، با تمرکز بر الگوریتم ها نه فرمالیسم ریاضی، و با مثال های دقیق کار شده نشان داده شده است. این کتاب برای خوانندگان بدون پیش زمینه قوی در ریاضیات یا آمار نوشته شده است و هر فرمول استفاده شده با جزئیات توضیح داده شده است.

این کتاب می تواند به عنوان یک کتاب درسی برای پشتیبانی از دوره های کارشناسی یا کارشناسی ارشد در یک کتاب مورد استفاده قرار گیرد. طیف گسترده ای از موضوعات از جمله علوم کامپیوتر، مطالعات بازرگانی، بازاریابی، هوش مصنوعی، بیوانفورماتیک و علوم قانونی.

به عنوان کمکی برای مطالعه خود، هدف این کتاب کمک به خوانندگان عمومی است که درک لازم را از آنچه در "جعبه سیاه" وجود دارد، بنابراین آنها می توانند از بسته های داده کاوی تجاری به طور متمایز استفاده کنند، و همچنین خوانندگان پیشرفته یا محققان دانشگاهی را قادر می سازند تا پیشرفت های فنی آینده در این زمینه را درک کنند یا به آنها کمک کنند.

هر کدام فصل دارای تمرین های عملی است تا خوانندگان را قادر می سازد تا پیشرفت خود را بررسی کنند. واژه نامه کاملی از اصطلاحات فنی استفاده شده گنجانده شده است.

این ویرایش سوم توسعه یافته شامل توضیحات مفصلی از الگوریتم‌هایی برای طبقه‌بندی داده‌های جریانی است، هم داده‌های ثابت، که در آن مدل اصلی ثابت است، و داده‌هایی که وابسته به زمان هستند، که در آن مدل اساسی هر از گاهی تغییر می‌کند - پدیده‌ای که به عنوان انحراف مفهوم شناخته می‌شود.

This book explains and explores the principal techniques of Data Mining, the automatic extraction of implicit and potentially useful information from data, which is increasingly used in commercial, scientific and other application areas. It focuses on classification, association rule mining and clustering.

Each topic is clearly explained, with a focus on algorithms not mathematical formalism, and is illustrated by detailed worked examples. The book is written for readers without a strong background in mathematics or statistics and any formulae used are explained in detail.

It can be used as a textbook to support courses at undergraduate or postgraduate levels in a wide range of subjects including Computer Science, Business Studies, Marketing, Artificial Intelligence, Bioinformatics and Forensic Science.

As an aid to self study, this book aims to help general readers develop the necessary understanding of what is inside the 'black box' so they can use commercial data mining packages discriminatingly, as well as enabling advanced readers or academic researchers to understand or contribute to future technical advances in the field.

Each chapter has practical exercises to enable readers to check their progress. A full glossary of technical terms used is included.

This expanded third edition includes detailed descriptions of algorithms for classifying streaming data, both stationary data, where the underlying model is fixed, and data that is time-dependent, where the underlying model changes from time to time - a phenomenon known as concept drift.

Front Matter....Pages I-XV
Introduction to Data Mining....Pages 1-8
Data for Data Mining....Pages 9-19
Introduction to Classification: Naïve Bayes and Nearest Neighbour....Pages 21-37
Using Decision Trees for Classification....Pages 39-48
Decision Tree Induction: Using Entropy for Attribute Selection....Pages 49-62
Decision Tree Induction: Using Frequency Tables for Attribute Selection....Pages 63-78
Estimating the Predictive Accuracy of a Classifier....Pages 79-92
Continuous Attributes....Pages 93-119
Avoiding Overfitting of Decision Trees....Pages 121-136
More About Entropy....Pages 137-156
Inducing Modular Rules for Classification....Pages 157-174
Measuring the Performance of a Classifier....Pages 175-187
Dealing with Large Volumes of Data....Pages 189-208
Ensemble Classification....Pages 209-220
Comparing Classifiers....Pages 221-236
Association Rule Mining I....Pages 237-251
Association Rule Mining II....Pages 253-269
Association Rule Mining III: Frequent Pattern Trees....Pages 271-309
Clustering....Pages 311-328
Text Mining....Pages 329-343
Classifying Streaming Data....Pages 345-378
Classifying Streaming Data II: Time-Dependent Data....Pages 379-425
Back Matter....Pages 427-526