查看同類圖書：科學技術»計算機/網絡»數據庫»數據庫挖掘/數據倉庫»數據挖掘：英文版實用機器學習技術

數據挖掘：英文版實用機器學習技術

【作　者】：（新西蘭）Lan H.Witten，（新西蘭）Eibe Frank著

【又/譯名】：Data Mining Practical Machine Learning Tools And Techniques(Second Edition)

【叢編項】：經典原版書庫

【裝幀項】：膠版紙 c24m / 524

【出版項】：機械工業出版社 / 2005-09-01

【ISBN號】：9787111172482 / 7111172485

【原書定價】：￥58.00　有11家書店打折銷售　

【主題詞】：計算機－數據庫－數據理論－數據庫存儲與管理

書籍介紹

購買本書

借閱本書

【圖書簡介】
　　“本書將這門新的學科用一種非常容易理解的方式呈現給讀者：它既是一本用于培訓新一代實踐者和研究工作者的教科書，同時對于我這樣需要不斷充電的專業讀者也極具啟示作用。Witten和Frank熱切追求的是簡單而流暢的解決方案，他們時刻不忘將所有的概念都建立在具體實例的基礎之上，促使讀者首先考慮簡單的技術，如果這些簡單技術不足以解決問題，再進一步考慮更為高級和成熟的技術。假如你想分析和理解數據，本書以及相關的Weka工具包將非常有用。” ――摘自微軟研究院圖靈獎得主Jim Gray所做的前言本書對1999年的初版做了重大的改動。雖說核心概念沒有變化，但本書進行了更新使其能反映過去5年里的變化，參考文獻幾乎翻了一番。新版的重要部分包括：30個新的技術章節；一個加強了的具有交互式界面的Weka機器學習工作平臺；有關神經網絡的完整信息，一個有關貝葉斯網絡的新節；等等。本書提供了機器學習概念的完整基礎，此外還針對實際工作中應用相關工具和技術提出了一些建議，在本書中你將發現： ●成功數據挖掘技術的核心算法，包括歷經考驗的真實技術及前沿的方法。 ●轉換輸入或輸出以改善性能的方法。 ●可下載的Weka軟件？？一個用于數據挖掘任務的機器學習算法的集合，包括用于數據預處理、分類、回歸、聚類、關聯規則以及在新的交互式界面上可視化的工具。

【作者簡介】
　　LanH.Witten新西蘭懷卡托大學計算機科學系教授，ACM和新西蘭皇家學會成員。他曾榮獲2004年國際信息處理研究聯合會頒發的Namur獎項，這是一個兩年一度的榮譽獎項，用于獎勵那些在信息和通信技術的社會應用方面做出杰現貢獻及具有國際影響的人。他的著作包括《ManagingGigabytes》（1999）、《HowtoBuildaDigitalLibrary》（2003），以及眾多的期刊文章和會議論文。EibeFrank，新西蘭懷卡托大學計算機科學系高級講師。他在機器學習領域發表了大量的論文，是《MachineLearingJournal》和《JournalofArtificialIntelligenceResearch》的編委之一。同時他還是許多數據挖掘和機器學習學術會議設計委員會的成員。作為Weka機器學習軟件的核心開發成員之一，他維護并不斷完善著這個軟件。相關圖書軟件過程改進（英文版）80X86匯編語言與計算機體系結構計算機科學概論（英文版·第2版）分布式系統概念設計調和分析導論（英文第三版）人工智能：智能系統指南（英文版）第二版電力系統分析（英文版·第2版）面向計算機科學的數理邏輯：系統建模與推理（英文版·第2版）機器視覺教程（英文版）（含盤）支持向量機導論（英文版）Java教程（英文版·第2版）軟件需求管理：用例方法（英文版·第2版）數字通信導論離散事件系統仿真（英文版·第4版）復雜SoC設計（英文版）基于FPGA的系統設計（英文版）實用軟件工程（英文版）UNIX教程（英文版·第2版）軟件測試（英文版第2版）設計模式精解（英文版第2版）Linux內核編程必讀-經典原版書庫實分析和概率論-經典原版書庫（英文版.第2版）計算機體系結構：量化研究方法：第3版數學規劃導論英文版抽樣理論與方法（英文版）Java2專家導引（英文版·第3版）復分析基礎及工程應用（英文版.第3版）電子設計自動化基礎（英文版）Java程序設計導論（英文版·第5版）UML參考手冊（第2版）UML參考手冊（英文版·第2版）計算理論導引計算機取證（英文版）EffectiveC#（英文版）基于用例的面向方面軟件開發（英文版）

【本書目錄】
Foreword
Preface
Part I Machine learning tools and techniques
1. What?s it all about?
  1.1 Data mining and machine learning
  1.2 Simple examples: the weather problem and others
  1.3 Fielded applications
  1.4 Machine learning and statistics
  1.5 Generalization as search
  1.6 Data mining and ethics
  1.7 Further reading
2. Input: Concepts, instances, attributes
  2.1 What?s a concept?
  2.2 What?s in an example?
  2.3 What?s in an attribute?
  2.4 Preparing the input
  2.5 Further reading
3. Output: Knowledge representation
  3.1 Decision tables
  3.2 Decision trees
  3.3 Classification rules
  3.4 Association rules
  3.5 Rules with exceptions
  3.6 Rules involving relations
  3.7 Trees for numeric prediction
  3.8 Instance-based representation
  3.9 Clusters
  3.10 Further reading
4. Algorithms: The basic methods
  4.1 Inferring rudimentary rules
  4.2 Statistical modeling
  4.3 Divide-and-conquer: constructing decision trees
  4.4 Covering algorithms: constructing rules
  4.5 Mining association rules
  4.6 Linear models
  4.7 Instance-based learning
  4.8 Clustering
  4.9 Further reading
5. Credibility: Evaluating what?s been learned
  5.1 Training and testing
  5.2 Predicting performance
  5.3 Cross-validation
  5.4 Other estimates
  5.5 Comparing data mining schemes
  5.6 Predicting probabilities
  5.7 Counting the cost
  5.8 Evaluating numeric prediction
  5.9 The minimum description length principle
  5.10 Applying MDL to clustering
  5.11 Further reading
6. Implementations: Real machine learning schemes
  6.1 Decision trees
  6.2 Classification rules
  6.3 Extending linear models
  6.4 Instance-based learning
  6.5 Numeric prediction
  6.6 Clustering
  6.7 Bayesian networks
7. Transformations: Engineering the input and output
  7.1 Attribute selection
  7.2 Discretizing numeric attributes
  7.3 Some useful transformations
  7.4 Automatic data cleansing
  7.5 Combining multiple models
  7.6 Using unlabeled data
  7.7 Further reading
8. Moving on: Extensions and applications
  8.1 Learning from massive datasets
  8.2 Incorporating domain knowledge
  8.3 Text and Web mining
  8.4 Adversarial situations
  8.5 Ubiquitous data mining
  8.6 Further reading
Part II: The Weka machine learning workbench
9. Introduction to Weka
  9.1 What?s in Weka?
  9.2 How do you use it?
  9.3 What else can you do?
  9.4 How do you get it?
10. The Explorer
  10.1 Getting started
  10.2 Exploring the Explorer
  10.3 Filtering algorithms
  10.4 Learning algorithms
  10.5 Meta-learning algorithms
  10.6 Clustering algorithms
  10.7 Association-rule learners
  10.8 Attribute selection
11. The Knowledge Flow interface
  11.1 Getting started
  11.2 Knowledge Flow components
  11.3 Configuring and connecting the components
  11.4 Incremental learning
12. The Experimenter
  12.1 Getting started
  12.2 Simple setup
  12.3 Advanced setup
  12.4 The Analyze panel
  12.5 Distributing processing over several machines
13. The command-line interface
  13.1 Getting started
  13.2 The structure of Weka
  13.3 Command-line options
14. Embedded machine learning
……
15. Writing new learning schemes
References
Index

【購買本書】

購書指南»

商城名稱	價格	配送信息	優惠活動	去看看	購買
卓越網	￥42.90	送貨上門：國內308個城市郵寄：全球特快專遞：全球海外航空快遞	七周年店慶，全場免費配送	去看看	訂購
當當網	￥43.40	當天加急送：北京五環以內送貨上門：國內178個城市郵寄：全球特快專遞：全球	特惠商品68折封頂	去看看	訂購
中國書網	￥55.10	送貨上門：全國81個城市郵寄：全國(中國郵政) 特快專遞：全國		去看看	訂購
蔚藍書店	￥43.50	送貨上門：國內45個城市郵寄：全球特快專遞：全國600城市其他：海內外EMS快遞	快錢支付，最高8元現金返還，用即送	去看看	訂購
中國圖書網	￥52.20	送貨上門：全國30個城市郵寄、快遞：全國特快專遞EMS：全球	訂單金額超過100元免費配送精品藏書拍賣活動	去看看	訂購
華儲網	￥46.40	送貨上門：遼寧、長春、北京快遞、郵政遞送：全球	30萬春節大禮包連環送，全場7折+滿100免運費	去看看	訂購
D1便利網	￥46.40	送貨上門：數十個大中城市郵寄：全球其他：全國大件貨運	全場滿99免運費	去看看	訂購
互動出版網	￥46.40	送貨上門：數十個大中城市郵寄、快遞：全國特快專遞EMS：全球		去看看	訂購
時代網上書店	￥49.30	送貨上門：成都市免費送貨上門郵寄：全國掛號郵寄特快專遞：全國	滿100送T恤	去看看	訂購
第二書店	￥43.50	當天加急送：北京五環以內送貨上門：國內178個城市郵寄：全球特快專遞：全球	北京用戶69折封頂滿99免運費	去看看	訂購
萬卷百城	￥58.00			去看看	訂購