數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)：基礎(chǔ)概念和算法（原書(shū)第2版）

目　　錄
Data Mining and Machine Learning
譯者序
前言
作者簡(jiǎn)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(guān)點(diǎn)　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(xiàn)性無(wú)關(guān)和維數(shù)　12
1.4　數(shù)據(jù)：概率觀(guān)點(diǎn)　13
1.4.1　二元隨機(jī)變量　17
1.4.2　多元隨機(jī)變量　20
1.4.3　隨機(jī)抽樣與統(tǒng)計(jì)　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(shì)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(lèi)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(jī)圖模型　91
4.4.2　Watts-Strogatz小世界圖
模型　94
4.4.3　Barabási-Albert無(wú)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(yùn)算　119
5.4　復(fù)雜對(duì)象的核　124
5.4.1　字符串的譜核　124
5.4.2　圖節(jié)點(diǎn)的擴(kuò)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(duì)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(duì)角線(xiàn)　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(xiàng)集挖掘　173
8.1　頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則　173
8.2　項(xiàng)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(shí)符集的交集方法：
Eclat算法　181
8.2.3　頻繁模式樹(shù)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(xiàng)集概覽　194
9.1　最大頻繁項(xiàng)集和閉頻繁項(xiàng)集　194
9.2　挖掘最大頻繁項(xiàng)集：GenMax
算法　196
9.3　挖掘閉頻繁項(xiàng)集：Charm算法　198
9.4　非可導(dǎo)項(xiàng)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(shù)的子串挖掘　214
10.3.1　后綴樹(shù)　214
10.3.2　Ukkonen線(xiàn)性時(shí)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(kuò)展和支持度計(jì)算　233
11.3.2　權(quán)威性檢測(cè)　238
11.4　拓展閱讀　239
11.5　練習(xí)　239
第12章　模式評(píng)估與規(guī)則評(píng)估　242
12.1　模式評(píng)估和規(guī)則評(píng)估的度量　242
12.1.1　規(guī)則評(píng)估度量　242
12.1.2　模式評(píng)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(yàn)和置信區(qū)間　253
12.2.1　產(chǎn)生式規(guī)則的費(fèi)希爾
精確檢驗(yàn)　254
12.2.2　顯著性的置換檢驗(yàn)　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(lèi)　265
第13章　基于代表點(diǎn)的聚類(lèi)　267
13.1　K-means算法　267
13.2　核K-means　271
13.3　期望最大化聚類(lèi)　274
1