数据挖掘：原理与应用_丁兆云,周鋆,杜振国_9787111696308

目前，数据挖掘类课程已成为我国新工科教育的数据科学思维提升课程，成为信息、电子等各类工科专业本科生与研究生的必修课。本书深入浅出地介绍了数据挖掘和数据分析的知识、常用的各类算法；系统梳理与比较各类算法的优缺点与适用场景。本书内容结合作者多年的科研和教学经验，大量案例来自作者的项目和科研成果，不仅适合作为大数据特色类专业的本科生和研究生教材，同时也适合机械、航空等其他工科专业的入门与自学教材，还可作为各专业本科生与研究生考试复习的参考资料。

随着大数据、人工智能的快速发展，各高校越来越重视大数据相关专业与课程的建设，很多高校开设了大数据学院或数据科学/大数据专业。随着数据科学的普及，数据挖掘逐渐成为一种通用技术，广泛应用于人们社会生活的各个领域，因此掌握数据挖掘的基本概念和技术十分重要。
笔者近年来一直从事数据挖掘领域的研究以及课程的建设，通过将复杂的数据挖掘知识点与实际案例结合，形成了一套以案例为牵引的数据挖掘知识体系，使不同学科背景的本科生、研究生更容易理解和掌握数据挖掘技术。
本书以深入浅出、简要易懂的方式荟萃了数据挖掘的各类算法知识点；系统地梳理和比较了各类算法的优缺点与适用场景；以案例为驱动说明了数据挖掘算法的运用。本书知识点难度适中，适合理工科相关专业的本科生与研究生作为教材使用，也可作为相关领域的科研与工程技术人员的参考书。另外，本书选取了笔者所在高校各类数据挖掘课程的试题，这些试题不仅涵盖数据挖掘经典的知识点，而且涉及互联网公司在招聘数据挖掘、机器学习、人工智能等方向的工程师时的笔试知识点。这些试题覆盖面广、新颖性强，适合本科生与研究生进行考前复习以及应聘笔试和面试时参考。本书的组织结构如下：
第1章阐述为什么要学习数据挖掘、什么是数据挖掘、数据挖掘的主要技术，使读者从整体上把握本书的内容。
第2章从数据的基本概念、基本统计特性、可视化以及相似性计算等方面综合认识数据，让读者知道在真实数据场景中，应该从哪几个方面初步认识数据。
第3章主要包括数据质量的衡量因素、数据预处理的方法以及特征工程的常见方法等内容，让读者知道针对真实的质量不高的数据，如何通过数据预处理与特征工程提高数据质量。
第4章至第11章主要介绍数据分类，将从决策树分类、规则和近邻分类、回归、支持向量机、神经网络、集成学习以及模型的评价等方面来详细阐述数据分类算法，让读者能够针对实际数据挖掘问题，深入理解数据分类算法，并且灵活运用到实践中。
第12章主要从划分方法、层次方法、密度方法等方面详细阐述数据聚类的算法，让读者能够深入理解聚类算法的原理，掌握算法的应用场景。
第13章主要从Apriori算法、FP-Growth算法、关联分析评估等方面详细阐述关联规则挖掘算法，让读者能够深入理解频繁项挖掘与规则挖掘的原理，熟练运用算法解决大项事物数据库关联规则挖掘的问题。
第14章详细阐述了图数据中的节点影响力评估模型，让读者能够针对实际大型图数据的场景，利用影响力计算模型挖掘图中的关键节点。
第15章主要针对现实中大量的个性化推荐需求，详细阐述基于内容的信息推荐、基于协同的信息推荐以及混合推荐等内容，让读者能够熟练运用推荐算法解决现实中的推荐问题。
第16章主要针对近年来人工智能中热门的自然语言处理问题，详细阐述分布式词向量、循环神经网络、卷积神经网络、BERT模型等内容，使读者能够深入理解神经网络在自然语言处理中的模型。
附录汇编了数据挖掘的各类试题，读者可以通过试题的解答进一步理解知识点，试题答案可从华章网站下载。
本书在提炼数据挖掘知识点的基础上，在中国大学MOOC上开设了“数据挖掘”MOOC课程（https://www.icourse163.org/course/NUDT-1461782176），并在头歌平台上开设了“数据挖掘”实验课程（http://www.educoder.net/path/4153），读者可通过在线视频课程的学习、作业训练与编程实践加深对数据挖掘知识点的理解，提高运用能力。
数据挖掘是一个快速发展的领域，加之编写时间、作者水平所限，书中难免有疏漏之处，请各位读者、同行不吝指正。

我要评论