數(shù)據(jù)挖掘與機器學基礎概念和算法（原書第2版）
鏈接：https://pan.baidu.com/s/1ob497dKWlH8sh9RMRfMmeg?pwd=jrob?
提取碼：jrob
?內容簡介本書詳實介紹了數(shù)據(jù)挖掘與機器學的各種內容括數(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、深度學介紹其相關概念和基礎算法，并在每章的末尾配有相關練二版新增了幾個關于回歸的章節(jié)括神經(jīng)網(wǎng)絡和深度學容。
??目錄目????錄<br />Data Mining and Machine Learning<br />譯者序<br />前言<br />作者簡介<br />部分??數(shù)據(jù)分析基礎??1<br />第1章??數(shù)據(jù)矩陣??3<br />1.1??數(shù)據(jù)矩陣的組成??3<br />1.2??屬性??4<br />1.3??數(shù)據(jù)：代數(shù)和幾何觀點??5<br />1.3.1??距離和角度??7<br />1.3.2??均值方差??9<br />1.3.3??正交投影??10<br />1.3.4??線性無關和維數(shù)??12<br />1.4??數(shù)據(jù)：概率觀點??13<br />1.4.1??二元隨機變量??17<br />1.4.2??多元隨機變量??<br />1.4.3??隨機抽樣與統(tǒng)計??21<br />1.5??拓展閱讀??22<br />1.6??練bsp;?23<br />第2章??數(shù)值型屬性??24<br />2.1??一元分析??24<br />2.1.1??集中趨勢度量??25<br />2.1.2??離散度度量??28<br />2.2??二元分析??32<br />2.2.1??位置和離散度的度量??33<br />2.2.2??相關性度量??33<br />2.3??多元分析??37<br />2.4??數(shù)據(jù)歸一化??41<br />2.5??正態(tài)分布??42<br />2.5.1??一元正態(tài)分布??43<br />2.5.2??多元正態(tài)分布??44<br />2.6??拓展閱讀??47<br />2.7??練bsp;?47<br />第3章??類別型屬性??49<br />3.1??一元分析??49<br />3.1.1??伯努利變量??49<br />3.1.2??多元伯努利變量??51<br />3.2??二元分析??56<br />3.3??多元分析??65<br />3.4??距離和角度??69<br />3.5??離散化??70<br />3.6??拓展閱讀??72<br />3.7??練bsp;?72<br />第4章??圖數(shù)據(jù)??74<br />4.1??圖的概念??74<br />4.2??拓撲屬性??77<br />4.3??中心度分析??81<br />4.3.1??基本中心度??81<br />4.3.2??Web中心度??82<br />4.4??圖模型??89<br />4.4.1??Erd?s-Rényi隨機圖模型??91<br />4.4.2??Watts-Strogatz小世界圖<br />模型??94<br />4.4.3??Barabási-Albert無標度模型??98<br />4.5??拓展閱讀??104<br />4.6??練bsp;?105<br />第5章??核方法??107<br />5.1??核矩陣??110<br />5.1.1??再生核映射??111<br />5.1.2??Mercer核映射??113<br />5.2??向量核??115<br />5.3??特征空間中的基本核運算??119<br />5.4??復雜對象的核??124<br />5.4.1??字符串的譜核??124<br />5.4.2??圖節(jié)點的擴散核??125<br />5.5??拓展閱讀??129<br />5.6??練bsp;?129<br />第6章??高維數(shù)據(jù)??130<br />6.1??高維對象??130<br />6.2??高維體積??133<br />6.3??超立方體的內接超球面??135<br />??薄超球面殼的體積??136<br />6.5??超空間的對角線??137<br />6.6??多元正態(tài)分布的密度??138<br />6.7??附錄：超球面體積的推導??140<br />6.8??拓展閱讀??143<br />6.9??練bsp;?144<br />第7章??降維??146<br />7.1??背景介紹??146<br />7.2??主成分分析??149<br />7.2.1??很優(yōu)一維近似??149<br />7.2.2??很優(yōu)二維近似??152<br />7.2.3??很優(yōu)r維近似??155<br />7.2.4??主成分分析的幾何意義??158<br />7.3??核主成分分析??160<br />7.4??奇異值分解??166<br />7.4.1??奇異值分解中的幾何<br />意義??167<br />7.4.2??SVD和PCA之間的<br />聯(lián)系??168<br />7.5??拓展閱讀??169<br />7.6??練bsp;?169<br />第二部分??頻繁模式挖掘??171<br />第8章??項集挖掘??173<br />8.1??頻繁項集和關聯(lián)規(guī)則??173<br />8.2??項集挖掘算法??176<br />8.2.1??逐層方法：Apriori算法??177<br />8.2.2??事務標識符集的交集方法：<br />Eclat算法??181<br />8.2.3??頻繁模式樹方法：FPGrowth<br />算法??184<br />8.3??生成關聯(lián)規(guī)則??188<br />8.4??拓展閱讀??189<br />8.5??練bsp;?190<br />第9章??項集概覽??194<br />9.1??優(yōu)選頻繁項集和閉頻繁項集??194<br />9.2??挖掘優(yōu)選頻繁項集：GenMax<br />算法??196<br />9.3??挖掘閉頻繁項集：Charm算法??198<br />9.4??非可導項集??0<br />9.5??拓展閱讀??5<br />9.6??練bsp;?5<br />第10章??序列挖掘??8<br />10.1??頻繁序列??8<br />10.2??挖掘頻繁序列??9<br />10.2.1??逐層挖掘：GSP??9<br />10.2.2??垂直序列挖掘：Spade??211<br />10.2.3??基于投影的序列挖掘：<br />PrefixSpan??212<br />10.3??基于后綴樹的子串挖掘??214<br />10.3.1??后綴樹??214<br />10.3.2??Ukkonen線性時間復雜度<br />算法??217<br />10.4??拓展閱讀??222<br />10.5??練bsp;?223<br />第11章??圖模式挖掘??226<br />11.1??同構與支持度??226<br />11.2??候選圖生成??229<br />11.3??gSpan算法??232<br />11.3.1??擴展和支持度計算??233<br />11.3.2??性檢測??238<br />11.4??拓展閱讀??239<br />11.5??練bsp;?239<br />第12章??模式評估與規(guī)則評估??242<br />12.1??模式評估和規(guī)則評估的度量??242<br />12.1.1??規(guī)則評估度量??242<br />12.1.2??模式評估度量??249<br />12.1.3??比較多條規(guī)則和模式??251<br />12.2??顯著性檢驗和置信區(qū)間??253<br />12.2.1??產生式規(guī)則的費希爾<br />檢驗??254<br />12.2.2??顯著性的置換檢驗??257<br />12.2.3??置信區(qū)間內的自助抽樣??261<br />12.3??拓展閱讀??262<br />12.4??練bsp;?263<br />第三部分??聚類??265<br />第13章??基于代表點的聚類??267<br />13.1??K-means算法??267<br />13.2??核K-meansp;?271<br />13.3??期望優(yōu)選化聚類??274<br />13.3.1??一維數(shù)據(jù)的EM??276<br />13.3.2??d維數(shù)據(jù)的EM??278<br />13.3.3??優(yōu)選似然估計??283<br />13.3.4??EM算法??286<br />13.4??拓展閱讀??289<br />13.5??練bsp;?290<br />第 14 章??層次式聚類??292<br />14.1??基礎知識??292<br />14.2??聚合型層次式聚類??294<br />14.2.1??簇間距離??294<br />14.2.2??更新距離矩陣??297<br />14.2.3??計算復雜度??298<br />14.3??拓展閱讀??298<br />14.4??練bsp;?298<br />第15章??基于密度的聚類??301<br />15.1??DBSCAN算法??301<br />15.2??核密度估計??304<br />15.2.1??一元密度估計??304<br />15.2.2??多元密度估計??307<br />15.2.3??近鄰密度估計??308<br />15.3??基于密度的聚類：DENCLUE??309<br />15.4??拓展閱讀??313<br />15.5??練bsp;?314<br />第16章??譜聚類和圖聚類??316<br />16.1??圖和矩陣??316<br />16.2??基于圖割的聚類??322<br />16.2.1??聚類目標函數(shù)：比例割<br />和歸一割??323<br />16.2.2??譜聚類算法??325<br />16.2.3??優(yōu)選化目標函數(shù)：平均割<br />和模塊度??328<br />16.3??馬爾可夫聚類??334<br />1??拓展閱讀??339<br />16.5??練bsp;?340<br />第17章??聚類驗證??342<br />17.1??外部驗證度量??342<br />17.1.1??基于匹配的度量??343<br />17.1.2??基于熵的度量??346<br />17.1.3??成對度量??349<br />17.1.4??關聯(lián)度量??352<br />17.2??內部驗證度量??354<br />17.3??相對驗證度量??361<br />17.3.1??簇穩(wěn)定性??366<br />17.3.2??聚類趨向性??368<br />17.4??拓展閱讀??372<br />17.5??練bsp;?373<br />第四部分??分類??375<br />第18章??基于概率的分類??377<br />18.1??貝葉斯分類器??377<br />18.1.1??估計先驗概率??377<br />18.1.2??估計似然值??378<br />18.2??樸素貝葉斯分類器??382<br />18.3??K近鄰分類器??385<br />18.4??拓展閱讀??387<br />18.5??練bsp;?387<br />第19章??決策樹分類器??389<br />19.1??決策樹??390<br />19.2??決策樹算法??392<br />19.2.1??分割點評估度量??393<br />19.2.2??評估分割點??394<br />19.2.3??計算復雜度??401<br />19.3??拓展閱讀??401<br />19.4??練bsp;?401<br />第章??線性判別分析??403<br />.1??很好線性判別??403<br />.2??核判別分析??408<br />.3??拓展閱讀??413<br />.4??練bsp;?414<br />第21章??支持向量機??415<br />21.1??支持向量和間隔??415<br />21.2??SVM：線性可分的情況??419<br />21.3??軟間隔SVM：線性不可分<br />的情況??423<br />21.3.1??鉸鏈誤損??424<br />21.3.2??二次誤損??427<br />21.4??核SVM：非線性情況??428<br />21.5??SVM算法：隨機梯度上升??431<br />21.6??拓展閱讀??436<br />21.7??練bsp;?436<br />第22章??分類評估??438<br />22.1??分類性能度量??438<br />22.1.1??基于列聯(lián)表的度量??439<br />22.1.2??二元分類：正類和負類??441<br />22.1.3??ROC分析??444<br />22.2??分類器評估??448<br />22.2.1??K折交叉驗證??449<br />22.2.2??自助抽樣??450<br />22.2.3??置信區(qū)間??451<br />22.2.4??分類器比較：配對t檢驗??455<br />22.3??偏差–方差分解??457<br />22.4??合成分類器??460<br />22.4.1??裝袋法??460<br />22.4.2??隨機森林：裝袋決策樹??461<br />22.4.3?&nboosting??463<br />22.4.4??堆棧法??467<br />22.5??拓展閱讀??468<br />22.6??練bsp;?469<br />第五部分??回歸??471<br />第23章??線性回歸??473<br />23.1??線性回歸模型??473<br />23.2??二元回歸??474<br />23.3??多元回歸??479<br />23.3.1??多元回歸的幾何結構??481<br />23.3.2??多元回歸算法??483<br />23.3.3??多元回歸分析：隨機梯度<br />下降??486<br />23.4??嶺回歸??487<br />23.5??核回歸??490<br />23.6??L1回歸：套索回歸??494<br />23.6.1??次梯度和次微分??495<br />23.6.2??二元L1回歸??495<br />23.6.3??多元L1回歸??496<br />23.7??拓展閱讀??498<br />23.8??練bsp;?499<br />第24章??邏輯回歸??500<br />24.1??二元邏輯回歸??500<br />24.2??多元邏輯回歸??506<br />24.3??拓展閱讀??510<br />24.4??練bsp;?510<br />第25章??神經(jīng)網(wǎng)絡??511<br />25.1??人工神經(jīng)元：激活函數(shù)??511<br />25.2??神經(jīng)網(wǎng)絡：回歸函數(shù)和分類<br />函數(shù)??515<br />25.2.1??回歸函數(shù)??515<br />25.2.2??分類函數(shù)??516<br />25.2.3??誤差函數(shù)??518<br />25.3??多層感知器：一個隱藏層??519<br />25.3.1??前饋階段??5<br />25.3.2??反向傳播階段??521<br />25.3.3??MLP??525<br />25.4??深度多層感知器??529<br />25.4.1??前饋階段??530<br />25.4.2??反向傳播階段??531<br />25.4.3??輸出層的凈梯度??531<br />25.4.4??隱藏層的凈梯度??534<br />25.4.5??深度MLP??534<br />25.5??拓展閱讀??537<br />25.6??練bsp;?537<br />第26章??深度學bsp;?539<br />26.1??循環(huán)神經(jīng)網(wǎng)絡??539<br />26.1.1??時間上的前饋??541<br />26.1.2??時間上的反向傳播??541<br />26.1.3??RNN??544<br />26.1.4??雙向RNN??546<br />26.2??門控RNN：長–短期記憶<br />網(wǎng)絡??547<br />26.2.1??遺忘門??549<br />26.2.2??長–短期記憶網(wǎng)絡??552<br />26.2.3??LSTM網(wǎng)絡??553<br />26.3??卷積神經(jīng)網(wǎng)絡??556<br />26.3.1??卷積??556<br />26.3.2??偏差和激活函數(shù)??562<br />26.3.3??填充和步幅??563<br />26.3.4??廣義聚合函數(shù)：池化??565<br />26.3.5??深度CNN??566<br />26.3.6??CNN??566<br />2??正則化??571<br />2.1??深度學2正則化??572<br />2.2??丟棄正則化??574<br />26.5??拓展閱讀??576<br />26.6??練bsp;?576<br />第27章??回歸評估??578<br />27.1??一元回歸??578<br />27.1.1??估計方差??579<br />27.1.2??擬合優(yōu)度??580<br />27.1.3??回歸系數(shù)和偏差項<br />的推斷??583<br />27.1.4??回歸效果的假設檢驗??587<br />27.1.5??標準化殘差??588<br />27.2??多元回歸??591<br />27.2.1??擬合優(yōu)度??593<br />27.2.2??回歸系數(shù)推斷??596<br />27.2.3??假設檢驗??598<br />27.2.4??統(tǒng)計檢驗的幾何學方法??601<br />27.3??拓展閱讀??<br />27.4??練bsp;?
