数据挖掘与机器学基础概念和算法（原书第2版）
链接：https://pan.baidu.com/s/1ob497dKWlH8sh9RMRfMmeg?pwd=jrob
提取码：jrob
内容简介本书详实介绍了数据挖掘与机器学的各种内容括数据矩阵、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、深度学介绍其相关概念和基础算法，并在每章的末尾配有相关练二版新增了几个关于回归的章节括神经网络和深度学容。
目录目 录<br />Data Mining and Machine Learning<br />译者序<br />前言<br />作者简介<br />部分 数据分析基础 1<br />第1章 数据矩阵 3<br />1.1 数据矩阵的组成 3<br />1.2 属性 4<br />1.3 数据：代数和几何观点 5<br />1.3.1 距离和角度 7<br />1.3.2 均值方差 9<br />1.3.3 正交投影 10<br />1.3.4 线性无关和维数 12<br />1.4 数据：概率观点 13<br />1.4.1 二元随机变量 17<br />1.4.2 多元随机变量 <br />1.4.3 随机抽样与统计 21<br />1.5 拓展阅读 22<br />1.6 练bsp; 23<br />第2章 数值型属性 24<br />2.1 一元分析 24<br />2.1.1 集中趋势度量 25<br />2.1.2 离散度度量 28<br />2.2 二元分析 32<br />2.2.1 位置和离散度的度量 33<br />2.2.2 相关性度量 33<br />2.3 多元分析 37<br />2.4 数据归一化 41<br />2.5 正态分布 42<br />2.5.1 一元正态分布 43<br />2.5.2 多元正态分布 44<br />2.6 拓展阅读 47<br />2.7 练bsp; 47<br />第3章 类别型属性 49<br />3.1 一元分析 49<br />3.1.1 伯努利变量 49<br />3.1.2 多元伯努利变量 51<br />3.2 二元分析 56<br />3.3 多元分析 65<br />3.4 距离和角度 69<br />3.5 离散化 70<br />3.6 拓展阅读 72<br />3.7 练bsp; 72<br />第4章 图数据 74<br />4.1 图的概念 74<br />4.2 拓扑属性 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 图模型 89<br />4.4.1 Erd?s-Rényi随机图模型 91<br />4.4.2 Watts-Strogatz小世界图<br />模型 94<br />4.4.3 Barabási-Albert无标度模型 98<br />4.5 拓展阅读 104<br />4.6 练bsp; 105<br />第5章 核方法 107<br />5.1 核矩阵 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 特征空间中的基本核运算 119<br />5.4 复杂对象的核 124<br />5.4.1 字符串的谱核 124<br />5.4.2 图节点的扩散核 125<br />5.5 拓展阅读 129<br />5.6 练bsp; 129<br />第6章 高维数据 130<br />6.1 高维对象 130<br />6.2 高维体积 133<br />6.3 超立方体的内接超球面 135<br /> 薄超球面壳的体积 136<br />6.5 超空间的对角线 137<br />6.6 多元正态分布的密度 138<br />6.7 附录：超球面体积的推导 140<br />6.8 拓展阅读 143<br />6.9 练bsp; 144<br />第7章 降维 146<br />7.1 背景介绍 146<br />7.2 主成分分析 149<br />7.2.1 很优一维近似 149<br />7.2.2 很优二维近似 152<br />7.2.3 很优r维近似 155<br />7.2.4 主成分分析的几何意义 158<br />7.3 核主成分分析 160<br />7.4 奇异值分解 166<br />7.4.1 奇异值分解中的几何<br />意义 167<br />7.4.2 SVD和PCA之间的<br />联系 168<br />7.5 拓展阅读 169<br />7.6 练bsp; 169<br />第二部分 频繁模式挖掘 171<br />第8章 项集挖掘 173<br />8.1 频繁项集和关联规则 173<br />8.2 项集挖掘算法 176<br />8.2.1 逐层方法：Apriori算法 177<br />8.2.2 事务标识符集的交集方法：<br />Eclat算法 181<br />8.2.3 频繁模式树方法：FPGrowth<br />算法 184<br />8.3 生成关联规则 188<br />8.4 拓展阅读 189<br />8.5 练bsp; 190<br />第9章 项集概览 194<br />9.1 优选频繁项集和闭频繁项集 194<br />9.2 挖掘优选频繁项集：GenMax<br />算法 196<br />9.3 挖掘闭频繁项集：Charm算法 198<br />9.4 非可导项集 0<br />9.5 拓展阅读 5<br />9.6 练bsp; 5<br />第10章 序列挖掘 8<br />10.1 频繁序列 8<br />10.2 挖掘频繁序列 9<br />10.2.1 逐层挖掘：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 基于后缀树的子串挖掘 214<br />10.3.1 后缀树 214<br />10.3.2 Ukkonen线性时间复杂度<br />算法 217<br />10.4 拓展阅读 222<br />10.5 练bsp; 223<br />第11章 图模式挖掘 226<br />11.1 同构与支持度 226<br />11.2 候选图生成 229<br />11.3 gSpan算法 232<br />11.3.1 扩展和支持度计算 233<br />11.3.2 性检测 238<br />11.4 拓展阅读 239<br />11.5 练bsp; 239<br />第12章 模式评估与规则评估 242<br />12.1 模式评估和规则评估的度量 242<br />12.1.1 规则评估度量 242<br />12.1.2 模式评估度量 249<br />12.1.3 比较多条规则和模式 251<br />12.2 显著性检验和置信区间 253<br />12.2.1 产生式规则的费希尔<br />检验 254<br />12.2.2 显著性的置换检验 257<br />12.2.3 置信区间内的自助抽样 261<br />12.3 拓展阅读 262<br />12.4 练bsp; 263<br />第三部分 聚类 265<br />第13章 基于代表点的聚类 267<br />13.1 K-means算法 267<br />13.2 核K-meansp; 271<br />13.3 期望优选化聚类 274<br />13.3.1 一维数据的EM 276<br />13.3.2 d维数据的EM 278<br />13.3.3 优选似然估计 283<br />13.3.4 EM算法 286<br />13.4 拓展阅读 289<br />13.5 练bsp; 290<br />第 14 章 层次式聚类 292<br />14.1 基础知识 292<br />14.2 聚合型层次式聚类 294<br />14.2.1 簇间距离 294<br />14.2.2 更新距离矩阵 297<br />14.2.3 计算复杂度 298<br />14.3 拓展阅读 298<br />14.4 练bsp; 298<br />第15章 基于密度的聚类 301<br />15.1 DBSCAN算法 301<br />15.2 核密度估计 304<br />15.2.1 一元密度估计 304<br />15.2.2 多元密度估计 307<br />15.2.3 近邻密度估计 308<br />15.3 基于密度的聚类：DENCLUE 309<br />15.4 拓展阅读 313<br />15.5 练bsp; 314<br />第16章 谱聚类和图聚类 316<br />16.1 图和矩阵 316<br />16.2 基于图割的聚类 322<br />16.2.1 聚类目标函数：比例割<br />和归一割 323<br />16.2.2 谱聚类算法 325<br />16.2.3 优选化目标函数：平均割<br />和模块度 328<br />16.3 马尔可夫聚类 334<br />1 拓展阅读 339<br />16.5 练bsp; 340<br />第17章 聚类验证 342<br />17.1 外部验证度量 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 成对度量 349<br />17.1.4 关联度量 352<br />17.2 内部验证度量 354<br />17.3 相对验证度量 361<br />17.3.1 簇稳定性 366<br />17.3.2 聚类趋向性 368<br />17.4 拓展阅读 372<br />17.5 练bsp; 373<br />第四部分 分类 375<br />第18章 基于概率的分类 377<br />18.1 贝叶斯分类器 377<br />18.1.1 估计先验概率 377<br />18.1.2 估计似然值 378<br />18.2 朴素贝叶斯分类器 382<br />18.3 K近邻分类器 385<br />18.4 拓展阅读 387<br />18.5 练bsp; 387<br />第19章 决策树分类器 389<br />19.1 决策树 390<br />19.2 决策树算法 392<br />19.2.1 分割点评估度量 393<br />19.2.2 评估分割点 394<br />19.2.3 计算复杂度 401<br />19.3 拓展阅读 401<br />19.4 练bsp; 401<br />第章 线性判别分析 403<br />.1 很好线性判别 403<br />.2 核判别分析 408<br />.3 拓展阅读 413<br />.4 练bsp; 414<br />第21章 支持向量机 415<br />21.1 支持向量和间隔 415<br />21.2 SVM：线性可分的情况 419<br />21.3 软间隔SVM：线性不可分<br />的情况 423<br />21.3.1 铰链误损 424<br />21.3.2 二次误损 427<br />21.4 核SVM：非线性情况 428<br />21.5 SVM算法：随机梯度上升 431<br />21.6 拓展阅读 436<br />21.7 练bsp; 436<br />第22章 分类评估 438<br />22.1 分类性能度量 438<br />22.1.1 基于列联表的度量 439<br />22.1.2 二元分类：正类和负类 441<br />22.1.3 ROC分析 444<br />22.2 分类器评估 448<br />22.2.1 K折交叉验证 449<br />22.2.2 自助抽样 450<br />22.2.3 置信区间 451<br />22.2.4 分类器比较：配对t检验 455<br />22.3 偏差–方差分解 457<br />22.4 合成分类器 460<br />22.4.1 装袋法 460<br />22.4.2 随机森林：装袋决策树 461<br />22.4.3 &nboosting 463<br />22.4.4 堆栈法 467<br />22.5 拓展阅读 468<br />22.6 练bsp; 469<br />第五部分 回归 471<br />第23章 线性回归 473<br />23.1 线性回归模型 473<br />23.2 二元回归 474<br />23.3 多元回归 479<br />23.3.1 多元回归的几何结构 481<br />23.3.2 多元回归算法 483<br />23.3.3 多元回归分析：随机梯度<br />下降 486<br />23.4 岭回归 487<br />23.5 核回归 490<br />23.6 L1回归：套索回归 494<br />23.6.1 次梯度和次微分 495<br />23.6.2 二元L1回归 495<br />23.6.3 多元L1回归 496<br />23.7 拓展阅读 498<br />23.8 练bsp; 499<br />第24章 逻辑回归 500<br />24.1 二元逻辑回归 500<br />24.2 多元逻辑回归 506<br />24.3 拓展阅读 510<br />24.4 练bsp; 510<br />第25章 神经网络 511<br />25.1 人工神经元：激活函数 511<br />25.2 神经网络：回归函数和分类<br />函数 515<br />25.2.1 回归函数 515<br />25.2.2 分类函数 516<br />25.2.3 误差函数 518<br />25.3 多层感知器：一个隐藏层 519<br />25.3.1 前馈阶段 5<br />25.3.2 反向传播阶段 521<br />25.3.3 MLP 525<br />25.4 深度多层感知器 529<br />25.4.1 前馈阶段 530<br />25.4.2 反向传播阶段 531<br />25.4.3 输出层的净梯度 531<br />25.4.4 隐藏层的净梯度 534<br />25.4.5 深度MLP 534<br />25.5 拓展阅读 537<br />25.6 练bsp; 537<br />第26章 深度学bsp; 539<br />26.1 循环神经网络 539<br />26.1.1 时间上的前馈 541<br />26.1.2 时间上的反向传播 541<br />26.1.3 RNN 544<br />26.1.4 双向RNN 546<br />26.2 门控RNN：长–短期记忆<br />网络 547<br />26.2.1 遗忘门 549<br />26.2.2 长–短期记忆网络 552<br />26.2.3 LSTM网络 553<br />26.3 卷积神经网络 556<br />26.3.1 卷积 556<br />26.3.2 偏差和激活函数 562<br />26.3.3 填充和步幅 563<br />26.3.4 广义聚合函数：池化 565<br />26.3.5 深度CNN 566<br />26.3.6 CNN 566<br />2 正则化 571<br />2.1 深度学2正则化 572<br />2.2 丢弃正则化 574<br />26.5 拓展阅读 576<br />26.6 练bsp; 576<br />第27章 回归评估 578<br />27.1 一元回归 578<br />27.1.1 估计方差 579<br />27.1.2 拟合优度 580<br />27.1.3 回归系数和偏差项<br />的推断 583<br />27.1.4 回归效果的假设检验 587<br />27.1.5 标准化残差 588<br />27.2 多元回归 591<br />27.2.1 拟合优度 593<br />27.2.2 回归系数推断 596<br />27.2.3 假设检验 598<br />27.2.4 统计检验的几何学方法 601<br />27.3 拓展阅读 <br />27.4 练bsp;
