数据挖掘与机器学习.docVIP

数据挖掘与机器学习 　　对于“数据挖掘”，有多种文字不同但含义接近的定义，简单来说，可以归纳为“试图从海量数据中找出有用的知识”。在学术界，有时也将“数据挖掘(DM)”称为“数据库中的知识发现(KDD)”。而“机器学习”是人工智能的核心研究领域之一，目前被广泛采用的机器学习的定义是“利用经验来改善计算机系统自身的性能”。 　　南京大学的周志华教授曾专门撰文论述了数据挖掘和机器学习以及数据库之间的关系，他提出：数据挖掘可以视为机器学习和数据库的交叉，主要利用机器学习界提供的技术来分析海量数据，利用数据库界提供的技术来管理海量数据。 　　组成数据挖掘的三大支柱包括统计学、机器学习和数据库领域内的研究成果，其他还包含了可视化、信息科学等内容。不同的教材从不同的方面结合其基础学科知识讲述数据挖掘技术，不同专业和技术背景的学生或数据挖掘研究人员和应用人员可以根据自身的专业方向选择不同的数据挖掘切入点。下面简单归纳目前比较主流的数据挖掘和机器学习方面的教材。 　　※ 数据挖掘：概念与技术 　　原书名：Data Mining：Concepts and techniques 　　作者：Jiawei Han 　　本书主要从数据库的角度(数据管理和数据计算的角度)讲解数据挖掘，作者Jiawei Han现任UIUC CS Dept.教授。本书第2版在丰富和全面的第1版基础上进行了更新和改进，并增添了新的重要课题，例如挖掘流数据、挖掘社会网络和挖掘空间、多媒体和其他复杂数据。本书对数据挖掘基本概念、算法及其相关技术有比较全面的阐述，是国内大多数高校指定教材，它不要求太高的数学基础，非常适合数学功底一般的学生使用。 　　※ 数据挖掘：实用机器学习技术(原书第2版) 　　原书名：Data Mining: Practical Machine Learning Tools and Techniques 　　作者：Ian H. Witten, Eibe Frank 　　本书主要从机器学习的角度，也有称从数据挖掘的应用实现角度来讲解数据挖掘，描述了各种算法、模型及其Java实现，重点是以应用的观点利用案例来说明数据挖掘的算法模型，对于具体算法的原理介绍不是非常详细。它对数据挖掘的Java软件包Weka有比较深的介绍。该书作者都是Weka项目组主要成员。图灵奖获得者Jim Gray如此评价：假如你需要对数据进行分析和应用，本书以及相关的Weka工具包是一个绝佳的起步。 　　※ 数据挖掘原理 　　原书名：Principles of Data Mining 　　作者：David J. Hand 　　很多学科都面临着一个普遍问题，即如何存储、访问异常庞大的数据集，并用模型来描述和理解它们。这些问题使得人们对数据挖掘技术的兴趣不断增强。长期以来，很多相互独立的不同学科分别致力于数据挖掘的各个方面。本书把信息科学、计算科学和统计学在数据挖掘方面的应用融合在一起，是第一本真正跨学科的教材。主要从统计学的角度来解析数据挖掘以及其与统计的关系。其中如建模、测量、评分函数、模型等术语都是从统计者的角度出发。书中并没有具体说明KDD与DM之间的关系，比较适于统计系和数学系的学生采用。 　　※ 机器学习 　　原书名：Machine Learning 　　作者：Tom Mitchell 　　本书是CMU等许多国际知名大学机器学习课程的教材。目前发表的各种机器学习专著或论文基本都会引用这本书的内容。作者Tom Mitchell是CMU的教授，美国人工智能协会的主席，《机器学习》杂志和“国际机器学习”年度会议的创始人，他在ML领域久负盛名。本书也是最经典和采用率最高的机器学习教材。本书需要的数学基础也很少，但对必要的背景介绍相当丰富，非常适合初学者。 　　※ 模式分类(原书第2版) 　　原书名：Pattern classification 　　作者：Richard O. Duda, Peter E. Hart, David G. Stork 　　本书关注分类而不是回归，难度比较大，不适合初学者学习，也要求读者具有相当的数学基础和工程背景。本书的第1版《模式分类与场景分析》出版于1973年，是模式识别和场景分析领域奠基性的经典名著。在第2版中，除了保留了第1版的关于统计模式识别和结构模式识别的主要内容以外，读者会发现该书新增了近25年来众多新理论和新方法，其中包括神经网络、机器学习、数据挖掘、进化计算、不变量理论、隐马尔可夫模型、统计学习理论和支持向量机等。作者还为未来25年的模式识别的发展指明了方向。书中包含许多实例、各种不同方法的对比、丰富的图表以及大量的课后习题和计算机练习。 4