- 数据挖掘与机器学习(基础概念和算法原书第2版)/计算机科学丛书
- - 作者：(美)穆罕默德·J.扎基//(巴西)小瓦格纳·梅拉|责编:刘锋//张秀华|译者:计湘婷//卢苗苗//李轩涯
  - 出版社：机械工业
  - ISBN：9787111726890
  - 出版日期：2023/06/01
  - 页数：604
- 售价：79.6

内容大纲
    本书是一本数据挖掘与机器学习基础算法的入门书，针对初学者翔实地阐述所有核心概念和算法，包括数据矩阵、图数据、核方法、项集挖掘、聚类、贝叶斯分类器、决策树、支持向量机、线性回归、逻辑回归、神经网络、深度学习等。
    这一版主要新增了关于回归的部分，包括线性回归和逻辑回归、神经网络和深度学习，同时更新了其他章节的内容。本书提供丰富的示例，并配有相应的练习题，可以帮助读者理解和巩固相关主题。书中所有的算法都已由作者实现，读者可以利用书中介绍的相关算法探究从科研到商业分析等应用场合中各种数据的模式和模型。
    本书主要面向相关专业高年级本科生和研究生，提供全面深入的数据挖掘、机器学习和统计学概述，为相关学生、研究人员和从业人员提供指导。
作者介绍
目录
译者序
前言
作者简介
第一部分  数据分析基础
  第1章  数据矩阵
    1.1  数据矩阵的组成
    1.2  属性
    1.3  数据：代数和几何观点
      1.3.1  距离和角度
      1.3.2  均值和总方差
      1.3.3  正交投影
      1.3.4  线性无关和维数
    1.4  数据：概率观点
      1.4.1  二元随机变量
      1.4.2  多元随机变量
      1.4.3  随机抽样与统计
    1.5  拓展阅读
    1.6  练习
  第2章  数值型属性
    2.1  一元分析
      2.1.1  集中趋势度量
      2.1.2  离散度度量
    2.2  二元分析
      2.2.1  位置和离散度的度量
      2.2.2  相关性度量
    2.3  多元分析
    2.4  数据归一化
    2.5  正态分布
      2.5.1  一元正态分布
      2.5.2  多元正态分布
    2.6  拓展阅读
    2.7  练习
  第3章  类别型属性
    3.1  一元分析
      3.1.1  伯努利变量
      3.1.2  多元伯努利变量
    3.2  二元分析
    3.3  多元分析
    3.4  距离和角度
    3.5  离散化
    3.6  拓展阅读
    3.7  练习
  第4章  图数据
    4.1  图的概念
    4.2  拓扑属性
    4.3  中心度分析
      4.3.1  基本中心度
      4.3.2  Web中心度
    4.4  图模型
      4.4.1  Erdos-Renyi随机图模型

      4.4.2  Watts-Strogatz小世界图模型
      4.4.3  Barabasi-Albert无标度模型
    4.5  拓展阅读
    4.6  练习
  第5章  核方法
    5.1  核矩阵
      5.1.1  再生核映射
      5.1.2  Mercer核映射
    5.2  向量核
    5.3  特征空间中的基本核运算
    5.4  复杂对象的核
  ……
第二部分  频繁模式挖掘
第三部分  聚类
第四部分  分类
第五部分  回归

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目