这是一本将数据挖掘算法和数据挖掘实践完美结合起来的优秀教材。作者以其丰富的经验，对数据挖掘的概念和数据挖掘所有的技术（特别是机器学习）进行了深入浅出的介绍，并对应用机器学习工具进行数据挖掘给出了良好的建议。数据挖掘中的各个关键要素也事例融合在众多实例中加以介绍。 本书还介绍了Weka这种基于Java的软件系统。该软件系统可以用来分析数据集，找到适用的模式，进行正确的分析，也可以用来开发自己的机器学方案。 本书的主要特点： 解释数据挖掘算法的原理。 通过实例帮助读者根据实际情况选择合适的算法，并比较和评估不同方法得出的结果。 介绍提高性能的技术，包括数据处理以及组合不同方法得到的输出。 提供了本书所有的Weka软件和附加学习材料，可以从

这是一本将数据挖掘算法和数据挖掘实践完美结合起来的优秀教材。作者以其丰富的经验，对数据挖掘的概念和数据挖掘所有的技术（特别是机器学习）进行了深入浅出的介绍，并对应用机器学习工具进行数据挖掘给出了良好的建议。数据挖掘中的各个关键要素也事例融合在众多实例中加以介绍。 本书还介绍了Weka这种基于Java的软件系统。该软件系统可以用来分析数据集，找到适用的模式，进行正确的分析，也可以用来开发自己的机器学方案。 本书的主要特点： 解释数据挖掘算法的原理。 通过实例帮助读者根据实际情况选择合适的算法，并比较和评估不同方法得出的结果。 介绍提高性能的技术，包括数据处理以及组合不同方法得到的输出。 提供了本书所有的Weka软件和附加学习材料，可以从

本书对1999年的初版做了重大的改动。虽说核心概念没有变化，但本书进行了更新使其能反映过去5年里的变化，参考文献几乎翻了一番。新版的重要部分包括：30个新的技术章节；一个加强了的具有交互式界面的Weka机器学习工作平台；有关神经网络的完整信息，一个有关贝叶斯网络的新节；等等。 　　本书提供了机器学习概念的完整基础，此外还针对实际工作中应用相关工具和技术提出了一些建议，在本书中你将发现： 　　●成功数据挖掘技术的核心算法，包括历经考验的真实技术及前沿的方法。 　　●转换输入或输出以改善性能的方法。 　　●可下载的Weka软件??一个用于数据挖掘任务的机器学习算法的集合，包括用于数据预处理、分类、回归、聚类、关联规则以及在新的交互式界面上可视化的工具。

本书对1999年的初版做了重大的改动。虽说核心概念没有变化，但本书进行了更新使其能反映过去5年里的变化，参考文献几乎翻了一番。新版的重要部分包括：30个新的技术章节；一个加强了的具有交互式界面的Weka机器学习工作平台；有关神经网络的完整信息，一个有关贝叶斯网络的新节；等等。 　　本书提供了机器学习概念的完整基础，此外还针对实际工作中应用相关工具和技术提出了一些建议，在本书中你将发现： 　　●成功数据挖掘技术的核心算法，包括历经考验的真实技术及前沿的方法。 　　●转换输入或输出以改善性能的方法。 　　●可下载的Weka软件??一个用于数据挖掘任务的机器学习算法的集合，包括用于数据预处理、分类、回归、聚类、关联规则以及在新的交互式界面上可视化的工具。

本书作为数据挖掘入门读物，基于真实数据集进行案例实战，使用Python数据科学库，从数据预处理开始一步步介绍数据建模和数据挖掘的过程。主要介绍了数据挖掘的基础知识、基本工具和实践方法，通过循序渐进地讲解算法，带领读者轻松踏上数据挖掘之旅。本书采用理论与实践相结合的方式，呈现了如何使用逻辑回归进行环境数据检测，如何使用HMM进行中文分词，如何利用卷积神经网络识别雷达剖面图，如何使用循环神经网络构建聊天机器人，如何使用朴素贝叶斯算法进行破产预测，如何使用DCGAN网络进行人脸生成等。本书也涉及神经网络、在线学习、强化学习、深度学习、大数据处理等内容。 本书适合对传统数据挖掘和机器学习算法开发感兴趣的读者阅读，也适合需要系统掌握深度学习的开发人员阅读。

本书作为数据挖掘入门读物，基于真实数据集进行案例实战，使用Python数据科学库，从数据预处理开始一步步介绍数据建模和数据挖掘的过程。主要介绍了数据挖掘的基础知识、基本工具和实践方法，通过循序渐进地讲解算法，带领读者轻松踏上数据挖掘之旅。本书采用理论与实践相结合的方式，呈现了如何使用逻辑回归进行环境数据检测，如何使用HMM进行中文分词，如何利用卷积神经网络识别雷达剖面图，如何使用循环神经网络构建聊天机器人，如何使用朴素贝叶斯算法进行破产预测，如何使用DCGAN网络进行人脸生成等。本书也涉及神经网络、在线学习、强化学习、深度学习、大数据处理等内容。 本书适合对传统数据挖掘和机器学习算法开发感兴趣的读者阅读，也适合需要系统掌握深度学习的开发人员阅读。

本书分为5个部分，共18章，较为全面地介绍了机器学习的基本概念，并讨论了数据挖掘和知识发现中的有关问题及多策略学习方法，具体地阐述了机器学习与数据挖掘在工程设计，文本、图像和音乐，网页分析、计算机病毒和计算机控制，医疗诊断、生物医疗信号分析和水质分析中的生物信号处理等方面的应用情况。本书收集众多不同领域中数据挖掘的实际案例，以此来说明数据挖掘的具体解决方法，以期为广大读者提供一个更为广阔的数据挖掘

大数据时代的到来，使我们的生活在政治、经济、社会、文化各个领域都产生了很大改变。“数据科学”一词应运而生。如何更好地对海量数据进行分析、得出结论并做出智能决策是统计工作者面临的机遇与挑战。本书介绍数据挖掘与统计机器学习领域最常用的模型和算法，包括最基础的线性回归和线性分类方法，以及模型选择和模型评价的概念和方法，进而介绍非线性的回归和分类方法（包括决策树与组合方法、支持向量机、神经网络以及在此基础上发展的深度学习方法）。最后介绍无监督的学习中的聚类方法和业界广泛使用的推荐系统方法。除了方法的理论讲解之外，我们给出了每种方法的R语言实现，以及应用Python语言实现深度学习和支持向量机两种方法。本书的一个亮点是最后一章给出的两个大数据案例，数据量均在10G左右。我们同时给出了单机版（Python、数据库、R）和分布式（Hadoop、Hive、Spark）两种实现方案。原始数据和程序代码均可在出版社提供的网址下载。本书面向的主要读者是应用统计专业硕士，希望能够拓展到统计专业高年级的本科生以及其他各个领域有数据分析需求的学生和从业人员。

本书分为5个部分，共18章，较为全面地介绍了机器学习的基本概念，并讨论了数据挖掘和知识发现中的有关问题及多策略学习方法，具体地阐述了机器学习与数据挖掘在工程设计，文本、图像和音乐，网页分析、计算机病毒和计算机控制，医疗诊断、生物医疗信号分析和水质分析中的生物信号处理等方面的应用情况。本书收集众多不同领域中数据挖掘的实际案例，以此来说明数据挖掘的具体解决方法，以期为广大读者提供一个更为广阔的数据挖掘