8 (905) 200-03-37 Владивосток
с 09:00 до 19:00
CHN - 1.14 руб. Сайт - 17.98 руб.

Официальный веб -сайт подлинный концепция и технологии добычи данных. 3 -е издание серии Han Jiawei Commorter Science Black Book 9787111391401 Machinery Industry Press Flagship Store

Цена: 711руб.    (¥39.5)
Артикул: 561118269619

Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.

Этот товар на Таобао Описание товара
Продавец:鑫达图书专营店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥35.8644руб.
¥33594руб.
¥ 78 54.6982руб.
¥ 69.8 46.8842руб.
  • Информация о товаре
  • Фотографии


 

   Основная информация о продукте

наименование товара:  
Автор:  
Рыночная цена:  79.00
Номер ISBN:  9787111391401
Версия:  1-1
Дата публикации:  2012-08
Количество страниц:  468
Слова:  
Издательство:   Machinery Industry Press

 
   Введение
    Эта книга была всесторонне пересмотрена в первых двух изданиях, усилила и реорганизовала техническое содержание книги и была сосредоточена на обсуждении содержания предварительной обработки данных, частого майнинга режима, классификации и кластеризации. Типы данных и важные области применения.
«Maning Data: Concept and Technology (оригинальная книга 3)» - это справочник, который все учителя, исследователи, разработчики и пользователи в области интеллектуального анализа данных и обнаружения знаний. в качестве учебников ввода данных для магистралей с высоким уровнем и первыми аспирантами.

 
   каталог
Издатель
Китайская версия ПРЕДИСЛОВИЕ
Переводчик
Введение в переводчик
3 -е издание Предисловие
*2 Предисловие
Предисловие
Спасибо
об авторе
*Глава 1 Введение 1
1.1 Почему данные цифровой 1 1
1.1.1 Действует на информационный возраст 1
1.1.2.
1.2 Что такое добыча данных 4
1.3 Какой тип данных можно нажать 6
1.3.1 Данные базы данных 6
1.3.2 Warehouse 7
1.3.3 Данные по делам 9
1.3.4 Другие типы данных 9

.1.4 Какой тип рисунка вы можете раскопать 10
1.4.1 Категория/концепция Описание: Характеристика и различие 10
1.4.2 Копать частыми режимами, ассоциация и корреляция 11
1.4.3 Классификация и регрессия для прогнозирования анализа 12
1.4.4 Анализ поэзии 13
1.4.5 Анализ групповых точек 14
1.4.6 Все ли режимы интересны 14?
1.5 Какая технология использовать 15
1.5.1 Статистика 15
1.5.2 машинное обучение 16
1.5.3 Система баз данных и хранилище данных 17
1.5.4 Поиск информации 17
1.6 Какой тип применения для столкновения 18
1.6.1 Business Smart 18
1.6.2web Поисковая система 18
1.7 Основная проблема интеллектуального анализа данных 19
1.7.1 Метод копания 19
1.7.2 Пользовательский интерфейс 20
1.7.3 Достоверность и экстрактив 21
1.7.4 Разнообразие базы данных типа 21
1.7.5.
1,8 Резюме 22
1.9 Упражнение 23
1.10 Литературная аннотация 23
*2 Глава знают данные 26
2.1 Объект данных и тип атрибута 26
2.1.1 Что такое атрибут 27
2.1.2 названные свойства 27
2.1.3 двоичный атрибут 27
2.1.4 Свойства номера последовательности 28
2.1.5 Числовой атрибут 28
2.1.6 Дискретные свойства и непрерывные атрибуты 29
2.2 Основная статистика данных 29
2.2.1 Измерение центральной тенденции: среднее значение, медиана и количество толпы 30
2.2.2 Распространение данных MERTURE: экстремальная разница, четырех
2.2.3 Основное статистическое описание отображения данных 34
2.3 Визуализация данных 37
2.3.1 Технология визуализации на основе пикселей 37
2.3.2 Технология визуализации геометрической проекции 38
2.3.3 Технология визуализации рисунка 40
2.3.4 Технология визуализации уровня 42
2.3.5 Визуальные и сложные объекты и отношения 42
2.4 Сходство и разность фаз данных измерения 44
2.4.1 Матрица данных и фаза противоположная матрица 45
2.4.2 Усовершенствованные свойства номинальных атрибутов 46
2.4.3 Прилегающие свойства бинарных атрибутов 46
2.4.4 Оппозиция численных атрибутов: Минкофоски Расстояние 48
2.4.5 Прилегающие свойства атрибута номера заказа 49
2.4.6 Симпатия атрибута гибридного типа 50
2.4.7 Сходство Ю Сяна 51
2.5 Резюме 52
2.6 Упражнение 53
2.7 Литературная аннотация 54
Глава 3 Предварительная обработка данных 55
3.1 Предварительная обработка данных: Обзор 55
3.1.1 Качество данных: зачем вам обрабатывать данные предварительной обработки 55
3.1.2 Основная задача предварительной обработки данных 56
3.2 Очистка данных 58
3.2.1 Потерянное значение 58
3.2.2 Данные о шуме 59
3.2.3 Оформление данных как процесс 60
3.3 Интеграция данных 61
3.3.1 Задача физической идентификации 62
3.3.2 Избыточный и связанный анализ 62
3.3.3 Yuan Group повторно 65
3.3.4 Обнаружение и обработка конфликта стоимости данных 65
3.4 Данные около 65
3.4.1 Обзор стратегии стратегии консультирования данных.
3.4.2 ВЕВЕРЕТА
3.4.3 Анализ основного компонента 67
3.4.4 Выбор сбора атрибутов 68
3.4.5 Возврат и цифровые линейные модели: параметризованные данные составляют около 69
3.4.6 Ограниченный рисунок 70
3.4.7 кластер 71
3.4.8 Отбор выборки 71
3.4.9 Сбор кубиков данных 72
3.5 Преобразование данных и дискретные данные 73
3.5.1 Обзор стратегии преобразования данных 73
3.5.2 Данные через стандартизированное преобразование 74
3.5.3 Раскрытие через подразделение 76
3.5.4 Анализ дискретизации через гистограмму 76
3.5.5 Раскрытие с помощью кластеризации, дерева решений и связанного анализа 76
3.5.6 Концепция номинальных слоев данных уровня 77
3.6 Резюме 79
3.7 Упражнение 79
3.8 литературная аннотация 80
Глава 4 Хранители данных и онлайн -анализ 82
4.1 Warehouse Data: базовая концепция 82
4.1.1 Что такое хранилище данных 82
4.1.2 Разница между системой базы данных и хранилищем данных 84
4.1.3 Зачем вам отделить хранилище данных 85
4.1.4 Warehouse Data: многослойная архитектура 85
4.1.5 Модель хранилища данных: Enterprise Warehouse, рынок данных и виртуальный склад 87
4.1.6 Извлечение, преобразование и загрузка данных 88
4.1.7 база данных Yuan 88
4.2 Моделирование хранилища данных: Cube Cube и OLAP89
4.2.1 Cube Cube: многомерная модель данных 89
4.2.2 Звездная обработка, снежинки и факты: Многомерная модель данных режим 91
4.2.3 Размер: роль концептуального уровня 94
4.2.4 Классификация и расчет 95
4.2.5 Типичная операция OLAP 96
4.2.6 Запрос многомерной базы данных STAR Network Model 98
4.3 Разработка и использование хранилища данных 99
4.3.1 Структура бизнес -анализа проектирования хранилища данных 99
4.3.2 Процесс проектирования хранилища данных 100
4.3.3 Warehouse Data используется для обработки информации 101
4.3.4 От онлайн -анализа обработки до многомерного интеллектуального анализа данных 102
4.4 Реализация Warehouse 103
4.4.1 Эффективный расчет данных Cube: Обзор 103
4.4.2 Индекс данных OLAP: индекс и индекс подключения 105.
4.4.3 Эффективная обработка запроса 107
4.4.4olap Структура сервера: ROLAP, MOLAP, HOLAP COMPRONE 107
4.5. ОБОРОЖЕНИЕ ДАННЫХ: индукция атрибута -Оритикуально 109
4.5.1.
4.5.2 Эффективная реализация индукции атрибутов 113
4.5.3 Сравнение индукции атрибута сравнения 114
4.6 Xiaobian 116
4.7 Упражнение 117
4.8 Литературная аннотация 119
Глава 5 Технология Data Cube 121
5.1 Расчет куба данных: базовая концепция 121
5.1.1 Куб: полностью куб, кубик айсберга, закрытые кубики и кубические раковины 122
5.1.2 Общая стратегия расчета куба.
5.2 Метод расчета кубика данных 126
5.2.1 Многоуровневая массива полного расчета куба 126
5.2.2buc: Рассчитайте куб айсберга с квадрата вершины 129
5.2.3 Стар-кубинг: используйте динамическую структуру звездного дерева для расчета куба айсберга 132
5.2.4 Для быстрого высокого уровня OLAP ожидается, что он рассчитывает зажима оболочки 136
5.3 Используйте исследование технологии Cube Technology*Запрос уровня 141.
5.3.1 Куб выборки: данные образца на основе майнинга на основе OLAP 141
5.3.2 Сортировка куба: эффективный расчет запроса Top-K 145
5.4 Многомерный анализ данных пространства куба данных 147
5.4.1 Прогнозируемый куб: прогноз кубического пространства 147
5.4.2 Multi -Characteristic Cube: многогранный комплексный сбор 149
5.4.3. Обнаружение -обнаружение кубического пространства 149
5.5 Резюме 152
5.6 Упражнение 152
5.7 Литературная аннотация 155
Глава 6 Приковывание частых моделей, связанные и условия: основные концепции и методы 157
6.1 Основная концепция 157
6.1.1 Анализ корзины для покупок: индуцированный пример 157
6.1.2 Частые проекты, закрывающие наборы и связанные с ними правила 158
6.2 Метод получения частоты 160
6.2.1Apriori Алгоритм: частые предметы 160 через ограничение кандидатов
6.2.2 Правила примирения из частых пунктов 164
6.2.3 Повышение эффективности алгоритма Apriori 165
6.2.4 Метод роста модели наборов частоты копания 166
6.2.5 Используйте вертикальный формат данных для раскопок частых элементов 169
6.2.6 Копание закрытого режима и максимального режима 170
6.3 Какие режимы интересны: метод оценки режима 171
6.3.1 Сильные правила не обязательно интересны 172
6.3.2 От связанного анализа до связанного анализа 172
6.3.3 Сравнение измерений режима 173
6.4 Резюме 176
6.5 Упражнение 177
6.6 Литературная аннотация 179
ГЛАВА 7*Классовый режим заработка 180
7.1 Mode Mining: маршрутная карта 180
7.2 Модель в многослойных и многомерных пространствах Император 182
7.2.1 Правила копания многослойной корреляции 182
7.2.2 Копание правила многомерной ассоциации 185
7.2.3. Правила копания количественной ассоциации 186
7.2.4 Копание редкого режима и отрицательного режима 188
7.3 REST -основанная на базе Mining 190
7.3.1. Мета -поручения правил ассоциации направляются и раскопаны 190