本書主要介紹數據挖掘的基本技術和應用。數據挖掘作為一個多學科領域，從多個學科汲取營養(yǎng)。這些學科包括統(tǒng)計學、機器學習、模式識別、數據庫技術、信息檢索、網絡科學、知識庫系統(tǒng)、人工智能、高性能計算和數據可視化。我們提供發(fā)現隱藏在大型數據集中的模式的技術，關注可行性、有用性、有效性和可伸縮性問題。盡管我們確實提供了這些領域的必要背景材料，以便讀者理解它們各自在數據挖掘中的作用。本書中由淺入深的為每個章節(jié)準備了案例，使讀者能了解數據挖掘技術是如何運用在實際問題上的，從而靈活運用所學知識和技能。
中科曙光下的教育培訓結構，目前在全國有幾十所合作院校，部分高校實現了課程植入，瑞翼教育對每個教育點派駐教學團隊。一流企業(yè)+高校，大數據、人工智能必修課程，企業(yè)案例+實踐平臺
吳建生，廣西科技師范學院數學與計算機科學學院教授、碩士生導師。數學與計算機科學學院院長，中國計算機學會高級會員、廣西人工智能常務理事、廣西數學學會常務理事。研究領域為智能計算、機器學習、數據挖掘。獲得廣西科學技術進步二等獎3項。公開發(fā)表研究論文30 多篇，被 SCI、EI 收錄論文18 篇，完成軟件著作8套，發(fā)明專利4個、實用新型專利10多個。
第 1 章 數據挖掘概述 1
1.1 數據挖掘發(fā)展簡述 1
1.1.1 數據時代 1
1.1.2 數據分析的技術發(fā)展 2
1.2 數據挖掘概念 5
1.2.1 數據挖掘的定義與OLAP 5
1.2.2 數據挖掘與知識發(fā)現KDD 6
1.3 數據挖掘的功能與應用領域 9
1.3.1 電子商務 9
1.3.2 電信行業(yè) 10
1.3.3 金融行業(yè) 10
1.3.4 醫(yī)療行業(yè) 10
1.3.5 社會網絡 11
1.3.6 數據挖掘應用的問題 11
1.4 數據挖掘的模式類型 11
1.4.1 類/概念描述：特征和區(qū)分 12
1.4.2 回歸（regression） 13
1.4.3 分類（classification） 14
1.4.4 預測（forecasting） 15
1.4.5 關聯(lián)分析（association） 15
1.4.6 聚類分析（cluster） 16
1.4.7 異常檢測（anomalydetection） 17
1.4.8 小結 17
1.5 數據挖掘的數據類型 18
1.5.1 數據庫 18
1.5.2 數據倉庫數據 19
1.5.3 其它數據類型 20
1.6 數據挖掘的交叉學科 20
1.6.1 統(tǒng)計學 21
1.6.2 機器學習 21
1.6.3 數據庫與數據倉庫 22
第 2章 Pandas數據分析 23
2.1 Pandas與數據分析 23
2.1.1 統(tǒng)計學與數據挖掘 23
2.1.2 常用的統(tǒng)計學指標 24
2.1.3 Pandas的簡單介紹 26
2.2 Pandas統(tǒng)計案例分析 30
2.2.1 實驗實現Pandas自行車數據分析 30
2.2.2 實驗實現Pandas服務熱線數據分析 36
第3章 數據挖掘與機器學習 41
3.1 數據挖掘中的機器學習 41
3.1.1 什么是機器學習？ 41
3.1.2 機器學習處理的問題 42
3.1.3 機器學習的框架 42
3.1.4 數據的加載和分割 43
3.2 機器學習的模型 45
3.2.1 模型的選擇 45
3.2.1 學習和預測 46
3.2.3 實驗實現機器學習模型 47
3.3 模型的評判和保存 48
3.3.1 分類、回歸、聚類不同的評判指標 48
3.3.2 交叉驗證 (Cross validation) 49
3.3.3 實驗實現分類、回歸指標 50
3.3.4 實驗實現cross_val_score 51
3.3.5 實驗實現模型的保存 52
3.4 支持向量機 53
3.4.1 支持向量機 53
3.4.2 實驗實現支持向量機分類 54
3.4.3 實驗實現支持向量機回歸 55
3.4.4 實驗實現支持向量機異常檢測 55
3.5 過擬合問題 58
3.5.1 過擬合 58
3.5.2 實驗實現學習曲線和驗證曲線 59
第4章 分類分析方法與應用 62
4.1 數據挖掘分類問題 62
4.2 概率模型 63
4.2.1 原理 63
4.2.2 應用場景 66
4.3 樸素貝葉斯分類 66
4.3.1 原理與應用場景 66
4.3.2 實驗實現樸素貝葉斯算法 67
4.4 向量空間模型 68
4.4.1 原理與應用場景 68
4.4.2 實驗實現空間向量模型 69
4.5 KNN算法 72
4.5.1 原理與應用場景 72
4.5.2 實驗實現KNN算法 74
4.6 多類問題 76
4.6.1 原理與應用場景 76
4.6.2 實驗實現多類問題 77
第5章 回歸模型算法與應用 79
5.1 回歸預測問題 80
5.2 線性回歸 81
5.2.1 原理與應用場景 81
5.2.2 實驗實現線性回歸 82
5.3 嶺回歸和LASSO 84
5.3.1 原理與應用場景 84
5.3.2 實驗實現嶺回歸 87
5.4 邏輯回歸 89
5.4.1 原理與應用場景 89
5.4.2 實驗實現邏輯回歸 91
第6章 無監(jiān)督學習 94
6.1 無監(jiān)督學習問題 94
6.1.1 無監(jiān)督學習 94
6.1.2 聚類分析的基本概念與原理 95
6.2 劃分聚類 96
6.2.1 劃分聚類 96
6.2.2 K-Means算法 97
6.2.3 實驗實現K-Means算法 100
6.3 層次聚類 103
6.3.1 層次聚類算法 103
6.3.2 實驗實現層次聚類算法實現 105
6.4 聚類效果評測 106
6.4.1 聚類效果的評測 106
6.4.2 實驗實現聚類效果評測 107
6.5 降維 108
6.5.1 降維方法 108
6.5.2 實驗實現降維 108
第7章 關聯(lián)規(guī)則 110
7.1 關聯(lián)規(guī)則的概念 111
7.1.1 什么是關聯(lián)規(guī)則？ 111
7.2 Apriori算法 112
7.2.1 Apriori算法概念 112
7.2.2 Apriori算法實現原理 113
7.2.3 實驗實現Apriori算法 115
7.3 協(xié)同過濾 119
7.3.1 協(xié)同過濾算法的概念 119
7.3.2 協(xié)同過濾（基于用戶） 120
7.3.3 協(xié)同過濾（基于用戶） 122
7.3.4 實驗實現協(xié)同過濾算法 124
第8章 圖像數據分析 129
8.1 圖像數據 129
8.2 圖像數據分析方法 131
8.3 圖像數據分析案例 133
8.3.1 PIL：Python圖像處理類庫應用示例 133
8.3.2 Numpy圖像數據分析示例 138
8.3.3 Scipy圖像數據分析示例 141
8.3.4 scikit-image 145
8.3.5 綜合練習 150
第 9 章 自然語言處理與NLTK 151
9.1 自然語言處理概述 151
9.1.1 什么是自然語言處理？ 151
9.2 NLTK入門基礎 152
9.2.1 Python的第三方模塊NLTK 152
9.2.2 實驗實現詞條化 153
9.2.3 實驗實現詞干還原 154
9.2.4 實驗實現詞型歸并 155
9.2.5 實驗實現文本劃分 156
9.2.6 實驗實現數值型數據的轉換 157
9.3 NLTK文本分析 159
9.3.1 實驗實現文本分類器 159
9.3.2 實驗實現性別判斷 161
9.3.3 實驗實現情感分析 162
書單推薦
