数据挖掘

出版者:机械工业出版社

作者:（美）Jiawei Han

页数:703

出版时间:2012-3

价格:118.00元

isbn号码:9787111374312

丛书系列:经典原版书库

具体描述

数据挖掘领域最具里程碑意义的经典著作

完整全面阐述该领域的重要知识和技术创新

【编辑推荐】

我们生活在数据洪流的时代。本书向我们展示了如何从这样海量的数据中找到有用知识的方法和技术。最新的第3版显著扩充了数据预处理、挖掘频繁模式、分类和聚类这几个核心章节的内容；还全面讲 述了OLAP和离群点检测，并研讨了挖掘网络、复杂数据类型以及重要应用领域。本书将是一本适用于数据分析、数据挖掘和知识发现课程的优秀教材。

—— Gregory Piatetsky-Shapiro, KDnuggets的总裁

Jiawei、Micheline和Jian的教材全景式地讨论了数据挖掘的所有相关方法，从聚类和分类的经典主题，到数据库方法（关联规则、数据立方体），到更新和更高级的主题（SVD/PCA、小波、支持向量机），等等。总的说来，这是一本既讲述经典数据挖掘方法又涵盖大量当代数据挖掘技术的优秀著作，既是教学相长的优秀教材，又对专业人员具有很高的参考价值。

—— 摘自卡内基-梅隆大学Christos Faloutsos教授为本书所作序言

【内容简介】

当代商业和科学领域大量激增的数据量要求我们采用更加复杂和精细的工具来进行数据分析、处理和挖掘。尽管近年来数据挖掘技术取得的长足进展使得我们广泛收集数据越来越容易，但技术的发展依然难以匹配爆炸性的数据增长以及随之而来的大量数据处理需求，因此我们比以往更加迫切地需要新技术和自动化工具来帮助我们将这些数据转换为有用的信息和知识。

本书前版曾被KDnuggets的读者评选为最受欢迎的数据挖掘专著，是一本可读性极佳的教材。它从数据库角度全面系统地介绍数据挖掘的概念、方法和技术以及技术研究进展，并重点关注近年来该领域重要和最新的课题——数据仓库和数据立方体技术，流数据挖掘，社会化网络挖掘，空间、多媒体和其他复杂数据挖掘。每章都针对关键专题有单独的指导，提供最佳算法，并对怎样将技术运用到实际工作中给出了经过实践检验的实用型规则。如果你希望自己能熟练掌握和运用当今最有力的数据挖掘技术，那这本书正是你需要阅读和学习的宝贵资源。本书是数据挖掘和知识发现领域内的所有教师、研究人员、开发人员和用户都必读的一本书。

本书特点

引入了许多算法和实现示例，全部以易于理解的伪代码编写，适用于实际的大规模数据挖掘项目。

讨论了一些高级主题，例如挖掘面向对象的关系型数据库、空间数据库、多媒体数据库、时间序列数据库、文本数据库、万维网以及其他领域的应用等。

全面而实用地给出用于从海量数据中获取尽可能多信息的概念和技术。

作者简介

Jiawei Han(韩家炜) 伊利诺伊大学厄巴纳-尚佩恩分校计算机科学系Abel Bliss教授。由于在数据挖掘和数据库系统领域卓有成效的研究工作，他曾多次获得各种荣誉和奖励，其中包括2004年ACM SIGKDD颁发的最佳创新奖，2005年IEEE Computer Society 颁发的技术成就奖，2009年IEEE颁发的W. Wallace McDowell奖。他是ACM和IEEE Fellow，同时还是《ACM Transactions on Knowledge Discovery from Data》杂志的主编（2006-2011），以及《IEEE Transactions on Knowledge and Data Engineering》和《Data Mining and Knowledge Discovery》杂志的编委会成员。

Micheline Kamber 拥有加拿大康考迪亚大学计算机科学硕士学位，她是NSERC Scholar，现在加拿大麦吉尔大学、西蒙-弗雷泽大学及瑞士从事研究工作。

Jian Pei（裴健） 目前是加拿大西蒙-弗雷泽大学计算机学院副教授。2002年，他在Jia wei Han教授的指导下获得西蒙-弗雷泽大学博士学位。

目录信息

Foreword to Second EditionPrefaceAcknowledgmentsAbout the AuthorsChapter 1 IntroductionChapter 2 Getting to Know Your DataChapter 3 Data PreprocessingChapter 4 Data Warehousing and Online Analytical ProcessinChapter 5 Data Cube TechnologyChapter 6 Mining Frequent Patterns, Associations, and Correlations: Basic Concepts and MethodsChapter 7 Advanced Pattern MiningChapter 8 Classification: Basic ConceptsChapter 9 Classification: Advanced MethodsChapter 10 Cluster Analysis: Basic Concepts and I~ethodsChapter 11 Advanced Cluster AnalysisChapter 12 Outlier DetectionChapter 13 Data Mining Trends and Research FrontiersBibliographyIndex
· · · · · · (收起)

读后感

这本书被翻译的佶屈聱牙，除了给学习数据挖掘的人增添负担，什么积极的作用的没有。 不知道有多少人因为这本不通的书而失去对数据挖掘的兴趣。 教授真的是毁人不倦啊，各种官方语言，妈的是要当官吗？  

这本书是刚上研究生的时候开始看的，这本书介绍的数据挖掘基本上是从数据库的概念出发的，对各种算法都有提及，但是很多算法基本上是语焉不详，对于刚开始学习数据挖掘和机器学习的学生来说，能对数据挖掘的基本概念有所了解，对算法也只能了解个大概了。 如果不是纯搞数据仓库...  

大三下时就买了，为了准备一下保研的方向，当时只是粗略的读懂了一点。浙大面试时问了我一个K-Means自己都记不太清了。 研一上的<<数据仓库与数据挖掘>>课程也基本使用了这本教材，然而长期不去上课导致自己好多内容学的并不扎实，最后的考试也考的很烂；现在回想，贝叶...  

浙大的王灿老师的讲课视频： http://www.businessanalysis.cn/viewthread.php?tid=13320&extra=&page=1 韩家炜自己的讲课视频： http://v.youku.com/v_playlist/ct250f1903290o1p0  

一本引导你入门的书，知识深浅都涵盖，描述广泛但不详实易懂。 前几个chapter屁话较多，但OLAP的概念是有用的。随后的cluster，association的分析解释还是涵盖的很好，但都是点到为止，颇具教科书的味道，其实被来就是一本教科书。剩下的章节就不能看了。 6年前就通读此书，...  

用户评价

阅读这本书，让我对“聚类分析”有了全新的认识。我一直以为聚类就是简单的分组，但这本书让我看到了它背后隐藏的强大洞察力。作者在介绍各种聚类算法时，例如K-Means、层次聚类、DBSCAN等，并没有局限于理论公式，而是通过生动的图示和详细的步骤解释，让每一个算法的原理都清晰可见。我尤其喜欢书中关于“如何选择合适的聚类算法”以及“如何评估聚类结果”的章节，这部分内容直接解决了我在实际应用中经常遇到的难题。作者会详细介绍不同的评估指标，比如轮廓系数、Calinski-Harabasz指数等，并会分析它们在不同数据分布下的适用性。书中的案例研究也非常精彩，比如在客户细分、图像分割、异常检测等领域的应用，让我能够清晰地看到聚类分析是如何为各行各业带来价值的。作者在讲解这些案例时，还会详细描述数据来源、预处理过程、聚类参数的设置以及最终结果的解读，每一个细节都力求完美，让我受益匪浅。

这本书在“序列模式挖掘”方面的内容，绝对是我近期阅读过的最详实、最实用的著作之一。我之前对于时间序列数据的分析仅限于简单的趋势分析，但读完这本书，我才意识到序列数据中隐藏着多么丰富的信息，以及如何有效地挖掘这些信息。作者在讲解序列模式挖掘的经典算法，例如GSP（Generalized Sequential Patterns）和PrefixSpan等，都进行了非常详尽的讲解，并且会详细阐述每种算法的原理、优缺点以及在处理大规模数据集时的性能差异。书中结合了大量的实际案例，例如用户行为分析、点击流分析、医疗记录分析等，这些案例让我能够更直观地理解序列模式挖掘是如何在实际中发挥作用的。我特别欣赏书中关于“如何定义序列模式”以及“如何评估序列模式的价值”的讨论，这部分内容直接解决了我在实际应用中经常遇到的难题。作者会详细解释不同的序列模式挖掘场景下，对序列模式的定义会有所不同，并会介绍如何根据具体业务需求来选择和调整序列模式挖掘的参数。

这本书在“文本挖掘”方面的内容，绝对是我近期阅读过的最全面、最深入的著作之一。我之前对于文本的处理仅限于简单的关键词提取，但读完这本书，我才意识到文本数据蕴含着多么丰富的信息，以及如何有效地挖掘这些信息。作者在讲解文本预处理，例如分词、去停用词、词性标注等步骤时，都进行了非常细致的说明，并会详细解释每一步骤的重要性以及可能遇到的问题。我特别喜欢书中关于主题模型，例如LDA（Latent Dirichlet Allocation）的讲解，作者不仅详细介绍了LDA的原理，还通过生动的示例展示了如何从大量的文档中发现隐藏的主题。此外，书中还介绍了情感分析、文本分类、文本摘要等多种文本挖掘技术，并结合了大量实际案例，让我能够更直观地理解这些技术是如何应用于社交媒体分析、舆情监控、产品评论分析等领域的。作者在讲解这些内容时，非常注重细节，会详细分析词袋模型、TF-IDF等文本表示方法，以及如何根据不同的任务需求来选择合适的文本表示方式。

这本书对我来说，不仅仅是一本关于“关联规则挖掘”的技术手册，更是一本关于如何从数据中发现商业价值的启迪之书。我一直对超市的“啤酒与尿布”的经典故事有所耳闻，但这本书让我对它进行了更深入的探究，并引申出了更多关于消费者行为分析的宝贵经验。作者在讲解Apriori算法时，不仅详细阐述了其原理和步骤，还深入分析了算法的改进，比如FP-growth算法，以及它们在处理大规模数据集时的性能差异。书中大量的案例分析，让我看到了关联规则挖掘在商品推荐、营销策略制定、甚至是网络安全防护等方面的广泛应用。我特别喜欢书中关于“如何解读关联规则”以及“如何根据关联规则采取行动”的部分，这部分内容将理论知识与实践应用紧密结合，让我能够真正地将学到的知识转化为解决实际问题的能力。作者在讲解这些内容时，非常注重细节，会详细分析支持度、置信度、提升度等关键指标的含义，以及如何根据这些指标来评估规则的有效性和价值，这对我来说是极其宝贵的财富。

这本书绝对是我近年来读到的关于“预测建模”方面最权威、最实用的著作之一。作者对于预测模型构建的每一个环节都进行了深入的剖析，从数据准备到模型评估，都充满了真知灼见。我特别欣赏他在讲解回归分析时，不仅介绍了线性回归，还详细讲解了非线性回归、多项式回归以及岭回归、Lasso回归等正则化方法，并清晰地阐述了它们的应用场景和选择依据。书中大量引用了实际项目中的数据案例，例如股票价格预测、销量预测等，这些案例让我能够更直观地理解模型是如何运作的，以及如何将模型应用于解决实际问题。作者在讲解模型调优时，更是煞费苦心，他不仅介绍了交叉验证等常用的方法，还深入探讨了网格搜索、随机搜索等超参数优化的技术，并且会详细解释这些技术背后的原理和实际操作中的注意事项。此外，书中对于模型解释性的讨论也给我留下了深刻印象，作者强调了理解模型为什么会做出某个预测的重要性，并介绍了一些常用的模型解释工具和技术，这对于我在实际工作中建立用户信任至关重要。

这本书，让我对“数据挖掘”这个概念有了前所未有的深刻理解，我一直以为这只是一个单纯的技术名词，但通过作者细致入微的阐述，我才意识到它背后蕴含的巨大能量和无限可能。书中对于数据采集、清洗、预处理的每一个步骤都进行了详尽的讲解，生怕读者漏掉任何一个关键环节。我尤其欣赏作者在讲解过程中引入的那些生动形象的案例，它们不是枯燥乏味的理论堆砌，而是能够立刻抓住我注意力的真实世界应用。比如，在讲到关联规则挖掘时，作者用了一个超市购物篮分析的例子，从“啤酒与尿布”的经典故事，到更复杂的商品组合推荐，一步步揭示了如何从海量数据中发现隐藏的规律，并将其转化为实际的商业价值。这种深入浅出的讲解方式，让我这个对数据挖掘领域并非专业出身的读者，也能够轻松跟上作者的思路，甚至在阅读过程中，我能够想象出自己也身处那个数据分析的场景之中，与作者一起探索数据的奥秘。书中的图表和代码示例也十分精炼，每一个都恰到好处地辅助了文字的说明，让抽象的概念变得触手可及。阅读这本书的过程，就像是进行了一场严谨而充满乐趣的科学实验，每一次翻页，都感觉自己在接近真相，对数据的认识也更加立体和全面。

这本书关于“数据挖掘的伦理与隐私保护”的章节，给我留下了极其深刻的印象。在当今大数据时代，数据挖掘技术飞速发展，但随之而来的伦理问题和隐私泄露风险也日益凸显。作者在这部分内容中，深刻剖析了数据挖掘过程中可能出现的各种伦理困境，例如数据偏见、算法歧视、过度追踪等，并提出了切实可行的解决方案和建议。我尤其赞赏书中关于差分隐私、同态加密等隐私保护技术的介绍，这些前沿技术为我们在享受数据挖掘带来的便利的同时，保障个人隐私提供了坚实的理论基础和技术支撑。作者在讲解这些内容时，并没有流于形式，而是结合了大量的案例分析，例如金融数据隐私泄露事件、社交媒体用户数据滥用等，让我更加清晰地认识到数据隐私保护的重要性。这本书不仅提供了技术上的指导，更重要的是，它引导我思考数据挖掘的社会责任，以及如何负责任地使用数据。

这本书让我对“异常检测”这个领域有了前所未有的深刻理解。我之前总以为异常检测只是找出那些“与众不同”的数据点，但读完这本书，我才意识到它所蕴含的巨大潜力和实际价值。作者在介绍各种异常检测方法时，例如基于统计的方法、基于机器学习的方法，以及基于密度的方法等，都进行了非常详尽的讲解，并且会详细阐述每种方法的原理、优缺点以及适用场景。书中结合了大量真实世界的案例，例如金融欺诈检测、网络入侵检测、工业设备故障诊断等，这些案例让我能够更直观地理解异常检测是如何在实际中发挥作用的。我特别欣赏书中对于“如何定义异常”以及“如何处理异常数据”的讨论，这部分内容直接解决了我在实际应用中经常遇到的难题。作者会详细解释不同的异常检测场景下，对异常的定义会有所不同，并会介绍如何根据具体业务需求来选择和调整异常检测模型。

这本书给我带来的最大的冲击，在于它彻底颠覆了我之前对“模式识别”的认知。我之前总是觉得，模式识别不过是找找相似性，找找规律，但读完这本书，我才明白，它所涉及的范围远比我想象的要广阔得多，也深刻得多。作者在分析各种分类算法时，并没有止步于理论介绍，而是深入剖析了每种算法的优劣势，以及它们在不同场景下的适用性。例如，在讲解决策树时，作者不仅详细介绍了ID3、C4.5等经典算法，还重点阐述了剪枝策略的重要性，以及如何避免过拟合。更让我印象深刻的是，书中还结合了大量实际案例，比如在客户流失预测、疾病诊断等方面的应用，让我在学习理论知识的同时，也能感受到它在现实世界中的巨大价值。作者在描述这些应用场景时，非常注重细节，会详细解释数据是如何收集的，特征是如何提取的，模型是如何训练和评估的，每一个环节都力求清晰明了，不留一丝含糊。我尤其喜欢书中对于模型评估指标的详细解读，比如准确率、召回率、F1值等，并会分析它们在不同业务场景下的侧重点，这对于我未来在实际项目中选择和优化模型非常有指导意义。

这本书为我打开了“图挖掘”领域的大门，我之前对于这种非结构化数据的挖掘方式一直感到好奇，但缺乏一个清晰的指引。作者在这本书中，对图的表示方法、图的遍历算法、图的模式匹配等都进行了非常详尽的讲解。我尤其欣赏书中关于图聚类和图分类的章节，这些内容直接解决了我在社交网络分析、知识图谱构建等领域经常遇到的难题。作者会详细介绍不同的图聚类算法，例如基于节点相似性的聚类、基于社区结构的聚类等，并会分析它们在不同应用场景下的优劣势。书中结合了大量实际案例，例如社交网络分析、推荐系统、生物信息学等，让我能够更直观地理解图挖掘是如何为各行各业带来价值的。作者在讲解这些案例时，还会详细描述图数据的来源、预处理过程、图挖掘算法的参数设置以及最终结果的解读，每一个细节都力求完美，让我受益匪浅。

了解数据挖掘这个热门名词的首选书籍，这本书由数据挖掘领域有名的专家编写，能够从大体上把握有关数据的各种概念以及流行技术。

偏理论，对应用少有提及。 内容较丰富，甚至可以说庞杂，多是概念的介绍，但有浅尝辄止的感觉，不太能找到重点，但作为入门教材其难度还是适当的。

很棒的一本书，就是略难。

这本书的整个架构非常好。

封面好棒。老师PPT和课本有些对不上。英文很好懂。