鏈接：https://pan.baidu.com/s/19y211yLj2CYxKGeBjq0JlQ?pwd=vxxm?

提取碼：vxxm

本書詳實介紹了數(shù)據(jù)挖掘與機器學(xué)習(xí)相關(guān)的各種內(nèi)容，包括數(shù)據(jù)矩陣、圖數(shù)據(jù)、核方法、項集挖掘、聚類、貝葉斯分類器、決策樹、支持向量機、線性回歸、邏輯回歸、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等，介紹其相關(guān)概念和基礎(chǔ)算法，并在每章的末尾配有相關(guān)練習(xí)。第二版新增了幾個關(guān)于回歸的章節(jié)，包括神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的內(nèi)容。

目錄

目　　錄
Data Mining and Machine Learning
譯者序
前言
作者簡介
第一部分　數(shù)據(jù)分析基礎(chǔ)　1
第1章　數(shù)據(jù)矩陣　3
1.1　數(shù)據(jù)矩陣的組成　3
1.2　屬性　4
1.3　數(shù)據(jù)：代數(shù)和幾何觀點　5
1.3.1　距離和角度　7
1.3.2　均值和總方差　9
1.3.3　正交投影　10
1.3.4　線性無關(guān)和維數(shù)　12
1.4　數(shù)據(jù)：概率觀點　13
1.4.1　二元隨機變量　17
1.4.2　多元隨機變量　20
1.4.3　隨機抽樣與統(tǒng)計　21
1.5　拓展閱讀　22
1.6　練習(xí)　23
第2章　數(shù)值型屬性　24
2.1　一元分析　24
2.1.1　集中趨勢度量　25
2.1.2　離散度度量　28
2.2　二元分析　32
2.2.1　位置和離散度的度量　33
2.2.2　相關(guān)性度量　33
2.3　多元分析　37
2.4　數(shù)據(jù)歸一化　41
2.5　正態(tài)分布　42
2.5.1　一元正態(tài)分布　43
2.5.2　多元正態(tài)分布　44
2.6　拓展閱讀　47
2.7　練習(xí)　47
第3章　類別型屬性　49
3.1　一元分析　49
3.1.1　伯努利變量　49
3.1.2　多元伯努利變量　51
3.2　二元分析　56
3.3　多元分析　65
3.4　距離和角度　69
3.5　離散化　70
3.6　拓展閱讀　72
3.7　練習(xí)　72
第4章　圖數(shù)據(jù)　74
4.1　圖的概念　74
4.2　拓?fù)鋵傩浴?7
4.3　中心度分析　81
4.3.1　基本中心度　81
4.3.2　Web中心度　82
4.4　圖模型　89
4.4.1　Erd?s-Rényi隨機圖模型　91
4.4.2　Watts-Strogatz小世界圖
模型　94
4.4.3　Barabási-Albert無標(biāo)度模型　98
4.5　拓展閱讀　104
4.6　練習(xí)　105
第5章　核方法　107
5.1　核矩陣　110
5.1.1　再生核映射　111
5.1.2　Mercer核映射　113
5.2　向量核　115
5.3　特征空間中的基本核運算　119
5.4　復(fù)雜對象的核　124
5.4.1　字符串的譜核　124
5.4.2　圖節(jié)點的擴散核　125
5.5　拓展閱讀　129
5.6　練習(xí)　129
第6章　高維數(shù)據(jù)　130
6.1　高維對象　130
6.2　高維體積　133
6.3　超立方體的內(nèi)接超球面　135
6.4　薄超球面殼的體積　136
6.5　超空間的對角線　137
6.6　多元正態(tài)分布的密度　138
6.7　附錄：超球面體積的推導(dǎo)　140
6.8　拓展閱讀　143
6.9　練習(xí)　144
第7章　降維　146
7.1　背景介紹　146
7.2　主成分分析　149
7.2.1　最優(yōu)一維近似　149
7.2.2　最優(yōu)二維近似　152
7.2.3　最優(yōu)r維近似　155
7.2.4　主成分分析的幾何意義　158
7.3　核主成分分析　160
7.4　奇異值分解　166
7.4.1　奇異值分解中的幾何
意義　167
7.4.2　SVD和PCA之間的
聯(lián)系　168
7.5　拓展閱讀　169
7.6　練習(xí)　169
第二部分　頻繁模式挖掘　171
第8章　項集挖掘　173
8.1　頻繁項集和關(guān)聯(lián)規(guī)則　173
8.2　項集挖掘算法　176
8.2.1　逐層方法：Apriori算法　177
8.2.2　事務(wù)標(biāo)識符集的交集方法：
Eclat算法　181
8.2.3　頻繁模式樹方法：FPGrowth
算法　184
8.3　生成關(guān)聯(lián)規(guī)則　188
8.4　拓展閱讀　189
8.5　練習(xí)　190
第9章　項集概覽　194
9.1　最大頻繁項集和閉頻繁項集　194
9.2　挖掘最大頻繁項集：GenMax
算法　196
9.3　挖掘閉頻繁項集：Charm算法　198
9.4　非可導(dǎo)項集　200
9.5　拓展閱讀　205
9.6　練習(xí)　205
第10章　序列挖掘　208
10.1　頻繁序列　208
10.2　挖掘頻繁序列　209
10.2.1　逐層挖掘：GSP　209
10.2.2　垂直序列挖掘：Spade　211
10.2.3　基于投影的序列挖掘：
PrefixSpan　212
10.3　基于后綴樹的子串挖掘　214
10.3.1　后綴樹　214
10.3.2　Ukkonen線性時間復(fù)雜度
算法　217
10.4　拓展閱讀　222
10.5　練習(xí)　223
第11章　圖模式挖掘　226
11.1　同構(gòu)與支持度　226
11.2　候選圖生成　229
11.3　gSpan算法　232
11.3.1　擴展和支持度計算　233
11.3.2　權(quán)威性檢測　238
11.4　拓展閱讀　239
11.5　練習(xí)　239
第12章　模式評估與規(guī)則評估　242
12.1　模式評估和規(guī)則評估的度量　242
12.1.1　規(guī)則評估度量　242
12.1.2　模式評估度量　249
12.1.3　比較多條規(guī)則和模式　251
12.2　顯著性檢驗和置信區(qū)間　253
12.2.1　產(chǎn)生式規(guī)則的費希爾
精確檢驗　254
12.2.2　顯著性的置換檢驗　257
12.2.3　置信區(qū)間內(nèi)的自助抽樣　261
12.3　拓展閱讀　262
12.4　練習(xí)　263
第三部分　聚類　265
第13章　基于代表點的聚類　267
13.1　K-means算法　267
13.2　核K-means　271
13.3　期望最大化聚類　274
1

查看全部↓

前言/序言

前　　言
Data Mining and Machine Learning
數(shù)據(jù)挖掘和機器學(xué)習(xí)使人們能夠從數(shù)據(jù)中獲得基本的洞察和知識，從大規(guī)模數(shù)據(jù)中發(fā)現(xiàn)深刻、有趣和新穎的模式，以及描述性、可理解和可預(yù)測的模型。
這個領(lǐng)域有很多相關(guān)圖書，但它們要么太高深，要么太前沿。本書是一本普及性的書，介紹了機器學(xué)習(xí)和數(shù)據(jù)挖掘的基本概念與算法基礎(chǔ)。本書中第一次提到某個概念時會對其進(jìn)行詳細(xì)解釋，給出詳細(xì)的步驟和推導(dǎo)過程。本書旨在通過數(shù)據(jù)和方法的幾何解釋、（線性）代數(shù)解釋與概率解釋，探討公式背后的原理。
本書第2版增加了回歸的部分，包括線性回歸、邏輯（logistic）回歸、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)。另外有幾章的內(nèi)容有更新，已知的錯誤也已修復(fù)。本書內(nèi)容主要包括數(shù)據(jù)分析基礎(chǔ)、頻繁模式挖掘、聚類、分類和回歸。這些內(nèi)容涵蓋核心方法及前沿主題，例如深度學(xué)習(xí)、核方法、高維數(shù)據(jù)分析和圖分析。