Web數(shù)據(jù)挖掘（第2版）

定　價：￥59.50

作　者：	（美）劉兵著，俞勇等譯
出版社：	清華大學(xué)出版社
叢編項：	世界著名計算機教材精選
標(biāo)　簽：	計算機與互聯(lián)網(wǎng) 數(shù)據(jù)庫

購買這本書可以去

ISBN：	9787302298700	出版時間：	2013-01-01	包裝：	平裝
開本：	16開	頁數(shù)：	434	字?jǐn)?shù)：

內(nèi)容簡介

　　過去幾十年里，Web的迅速發(fā)展使其成為世界上規(guī)模最大的公共數(shù)據(jù)源。Web挖掘的目標(biāo)是從Web超鏈接、網(wǎng)頁內(nèi)容和使用日志中探尋有用的信息?！妒澜缰嬎銠C教材精選：Web數(shù)據(jù)挖掘（第2版）》旨在闡述Web數(shù)據(jù)挖掘的概念及其核心算法，使讀者獲得相對完整的關(guān)于Web數(shù)據(jù)挖掘的算法和技術(shù)知識。本書不僅介紹了搜索、頁面爬取和資源探索以及鏈接分析等傳統(tǒng)的Web挖掘主題，而且還介紹了結(jié)構(gòu)化數(shù)據(jù)的抽取、信息整合、觀點挖掘和Web使用挖掘等內(nèi)容，這些內(nèi)容在已有書籍中沒有提及過，但它們在Web數(shù)據(jù)挖掘中卻占有非常重要的地位。全書分為兩大部分：第一部分包括第2章到第5章，介紹數(shù)據(jù)挖掘的基礎(chǔ)，第二部分包括第6章到第12章，介紹Web相關(guān)的挖掘任務(wù)。從本書自第1版出版之后，很多領(lǐng)域已經(jīng)有了重大的進展。新版大部分的章節(jié)都已經(jīng)添加了新的材料來反應(yīng)這些進展，主要的改動在第11章和第12章中，這兩章已經(jīng)被重新撰寫并做了重要的擴展?！妒澜缰嬎銠C教材精選：Web數(shù)據(jù)挖掘（第2版）》不僅可作為本科生的教科書，也是在Web數(shù)據(jù)挖掘和相關(guān)領(lǐng)域研讀博士學(xué)位的研究生的重要參考用書，同時對Web挖掘研究人員和實踐人員獲取知識、信息、甚至是創(chuàng)新想法也很有幫助。

作者簡介

暫缺《Web數(shù)據(jù)挖掘（第2版）》作者簡介

圖書目錄

第1章概述
1.1 什么是萬維網(wǎng)
1.2 萬維網(wǎng)和互聯(lián)網(wǎng)的歷史簡述
1.3 Web數(shù)據(jù)挖掘
1.3.1 什么是數(shù)據(jù)挖掘
1.3.2 什么是Web數(shù)據(jù)挖掘
1.4 各章概要
1.5 如何閱讀本書
文獻評注
參考文獻
第1部分數(shù)據(jù)挖掘基礎(chǔ)
第2章關(guān)聯(lián)規(guī)則和序列模式
2.1 關(guān)聯(lián)規(guī)則的基本概念
2.2 Apriori算法
2.2.1 頻繁項目集生成
2.2.2 關(guān)聯(lián)規(guī)則生成
2.3 關(guān)聯(lián)規(guī)則挖掘的數(shù)據(jù)格式
2.4 多最小支持度的關(guān)聯(lián)規(guī)則挖掘
2.4.1 擴展模型
2.4.2 挖掘算法
2.4.3 規(guī)則生成
2.5 分類關(guān)聯(lián)規(guī)則挖掘
2.5.1 問題描述
2.5.2 挖掘算法
2.5.3 多最小支持度分類關(guān)聯(lián)規(guī)則挖掘
2.6 序列模式的基本概念
2.7 基于GSP挖掘序列模式
2.7.1 GSP算法
2.7.2 多最小支持度挖掘
2.8 基于PrefixSpan算法的序列模式挖掘
2.8.1 PrefixSpan算法
2.8.2 多最小支持度挖掘
2.9 從序列模式中產(chǎn)生規(guī)則
2.9.1 序列規(guī)則
2.9.2 標(biāo)簽序列規(guī)則
2.9.3 分類序列規(guī)則
文獻評注
參考文獻
第3章監(jiān)督學(xué)習(xí)
3.1 基本概念
3.2 決策樹歸納
3.2.1 學(xué)習(xí)算法
3.2.2 混雜度函數(shù)
3.2.3 處理連續(xù)屬性
3.2.4 其他一些問題
3.3 評估分類器
3.3.1 評估方法
3.3.2 查準(zhǔn)率、查全率、F-score和平衡點（Breakeven Point）
3.3.3 受試者工作特征曲線
3.3.4 提升曲線
3.4 規(guī)則歸納
3.4.1 順序化覆蓋
3.4.2 規(guī)則學(xué)習(xí)：Learn-One-Rule函數(shù)
3.4.3 討論
3.5 基于關(guān)聯(lián)規(guī)則的分類
3.5.1 使用類關(guān)聯(lián)規(guī)則進行分類
3.5.2 使用類關(guān)聯(lián)規(guī)則作為分類屬性
3.5.3 使用古典的關(guān)聯(lián)規(guī)則分類
3.6 樸素貝葉斯分類
3.7 樸素貝葉斯文本分類
3.7.1 概率框架
3.7.2 樸素貝葉斯模型
3.7.3 討論
3.8 支持向量機
3.8.1 線性支持向量機：可分的情況
3.8.2 線性支持向量機：數(shù)據(jù)不可分的情況
3.8.3 非線性支持向量機：核方法總結(jié)
3.9 A、近鄰學(xué)習(xí)
3.10 分類器的集成
3.10.1 Bagging
3.10.2 Boosting
文獻評注
參考文獻
第4章無監(jiān)督學(xué)習(xí)
4.1 基本概念
4.2 A-均值聚類
4.2.1 A-均值算法
4.2.2 A-均值算法的硬盤版本
4.2.3 優(yōu)勢和劣勢
4.3 聚類的表示
4.3.1 聚類的一般表示方法
4.3.2 任意形狀的聚類
4.4 層次聚類
4.4.1 單連結(jié)方法
4.4.2 全連結(jié)方法
4.4.3 平均連結(jié)方法
4.4.4 優(yōu)勢和劣勢
4.5 距離函數(shù)
4.5.1 數(shù)字屬性
4.5.2 布爾屬性和名詞性屬性
4.5.3 文本文檔
4.6 數(shù)據(jù)標(biāo)準(zhǔn)化
4.7 混合屬性的處理
4.8 采用哪種聚類算法
4.9 聚類的評估
4.10 發(fā)現(xiàn)數(shù)據(jù)區(qū)域和數(shù)據(jù)空洞
文獻評注
參考文獻
第5章部分監(jiān)督學(xué)習(xí)
5.1 從已標(biāo)注數(shù)據(jù)和無標(biāo)注數(shù)據(jù)中學(xué)習(xí)
5.1.1 使用樸素貝葉斯分類器的EM算法
5.1.2 Co-naining
5.1.3 自學(xué)習(xí)
5.1.4 直推式支持向量機
5.1.5 基于圖的方法
5.1.6 討論
5.2 從正例和無標(biāo)注數(shù)據(jù)中學(xué)習(xí)
5.2.1 PU學(xué)習(xí)的應(yīng)用
5.2.2 理論基礎(chǔ)
5.2.3 建立分類器：兩步方法
5.2.4 建立分類器：偏置SVM
5.2.5 建立分類器：概率估計
5.2.6 討論
……
第2部分 Web挖掘