Введение в интеллектуальный анализ данных

Эта книга представляет собой всестороннее введение в интеллектуальный анализ данных (data mining). Она охватывает базовые темы и практические методы, организованные по главам следующим образом: Глава 1 вводит понятие интеллектуального анализа данных, мотивирующие задачи, истоки, задачи анализа, область и организацию книги, библиографические примечания и упражнения. Глава 2 рассматривает данные: типы данных, качество данных, предварительную обработку данных, меры сходства и различия, библиографические примечания и упражнения. Глава 3 посвящена исследованию данных на примере набора данных Iris, сводной статистике, визуализации, OLAP и многомерному анализу данных, библиографическим примечаниям и упражнениям. Главы 4 и 5 посвящены задачам классификации: в Главе 4 изложены базовые концепции, деревья решений, переобучение моделей, оценка и сравнение классификаторов, библиографические примечания и упражнения; в Главе 5 рассматриваются альтернативные методы классификации, включая правило-ориентированные классификаторы, классификаторы ближайших соседей, байесовские классификаторы, искусственные нейронные сети, опорные векторные машины, ансамблевые методы, проблему несбалансированности классов и задачи множественной классификации, библиографические примечания и упражнения. Главы 6 и 7 посвящены анализу ассоциаций: в Главе 6 рассматриваются базовые понятия и алгоритмы — формулировка задачи, генерация частых наборов элементов, генерация правил, компактные представления частых наборов, альтернативные методы генерации, алгоритм FP-Growth, оценка шаблонов ассоциаций, влияние скошенного распределения поддержки, библиографические примечания и упражнения; в Главе 7 обсуждаются продвинутые концепции: обработка категориальных и непрерывных атрибутов, иерархии концепций, последовательные шаблоны, шаблоны-подграфы, редкие шаблоны, библиографические примечания и упражнения. Главы 8 и 9 посвящены кластерному анализу: Глава 8 излагает базовые концепции и алгоритмы, включая k-means, агломеративную иерархическую кластеризацию, DBSCAN, оценку кластеров, библиографические примечания и упражнения; Глава 9 рассматривает дополнительные вопросы и алгоритмы — характеристики данных и кластеров, прототипно-ориентированную кластеризацию, кластеризацию на основе плотности, графо-ориентированную кластеризацию, масштабируемые алгоритмы и рекомендации по выбору алгоритма, библиографические примечания и упражнения. Глава 10 посвящена обнаружению аномалий: предварительные сведения, статистические подходы, обнаружение выбросов на основе близости, на основе плотности и методы на основе кластеризации, библиографические примечания и упражнения. В приложениях приведены материалы по линейной алгебре, уменьшению размерности, теории вероятностей и статистике, регрессии и оптимизации. Книга завершается указателями авторов и предметным указателем.