52.txt

This complete matlab for neural network

发信人: GzLi (笑梨), 信区: DataMining
标  题: 新书发布－数据挖掘原理
发信站: 南京大学小百合站 (Sun May 18 11:22:40 2003)

http://www.cnforyou.com/query/bookdetail.asp?viBookCode=8909

书名： 数据挖掘原理
英文书名： Principles of Data Mining

前言
            
我们把从庞大的数据集或数据库中提炼有用信息的科学称为数据挖掘。它汇集了统计学、
机器学习、数据库、模式识别、人工智能等学科的内容，是一门新兴的交叉学科。这些学
科都致力于数据分析的某一个方面，因此它们有很多共性——但是每一学科又有其独有的
特色，分别针对不同的
问题和求解的不同方式。
    由于数据挖掘涵盖了计算机科学和统计学中的很多主题，所以要在一本书中覆盖所有
的相关材料是个可能的。因此，我们把焦点集中在那些我们认为特别重要的主题上。
    
从教学的角度来讲，本书主要适合于希望学习数据挖掘基本原理的较高年级（最后一年）
大学生，或者是一、二：年级的研究生；本书对于那些旨在更好地了解数据挖掘方法和技
术的研究者和实践者也是有价值的。本书假定读者已经熟悉了概率论、微积分、线性代数
和优化等学科中的基本
概念——也就是说，诸如工．程学、计算机科学、数学和经济学等专业的大学学历背景会
为阅读和理解本书提供一个很好的基础。
    
目前，已经出版了许多关于数据挖掘的书籍，但其中大多数都是直接面向商业应用的，着
重于特定的方法和算法（例如决策树分类），而不是一般性原理（例如参数估计和计算复
杂性）。这些书对于一般了解和实例研究是很有价值的，但对于课堂教学来说有很多不足
，因为底层的基本原理
经常被忽略掉了。也有一些数据挖掘方面的书具有很强的专业性，但迄今为止这些书绝大
部分是从计算机科学的角度出发的，特别是从数据库角度（ Han and Kamber，2000，该
书中译本《数据挖掘：概念与技术》已由机械工业出版社出版。）或从机器学习的角度（
Witten and 
Franke，2000，该书中译本即将由机械工业出版社出版）。
    本书的侧重点有所不同。我们的目标是分析数据挖掘的最基本特征。我们没有用很长
的篇幅来讨论特定的数据挖掘应用，比如协同过滤（collallorative fliterillg）、信
用评分（creditscoring）以及欺诈探查（fraud 
detection）等，而是把焦点集中在这些应用所依赖的基本原理和算法上。但这并不是说
本书忽视了应用，因为从根本上讲数据挖掘就是一门应用性学科。我们始终记着这一点，
在探讨基本理论的同时，也介绍了非常多的可以运用（或者已经运用了）该理论的具体应
用和研究实例。
    
我们认为，要精通数据挖掘既需要理解统计学又要理解计算科学。要掌握这两个不同的专
业领域，不论对学生还是对老师来说都是一个比较大的挑战。对于一般的计算机科学家来
说，统计学著作是相当难以理解的：冗长而枯燥的专业术语、隐含的假定、渐近性的证明
，而且缺乏这些理论和
数学概念究竟是如何在实际数据分析算法中真正实现的细节。对统计学家来说情况恰好相
反：关于机器学习和数据挖掘的计算机科学文献中充满了对算法、伪代码、计算效率等的
讨论，但往往却很少提到潜在的模型或推理过程。尽管如此，这两个学科对于处理庞大数
据集来说都是至关重要
的。既可以从“数学模型”角度，又可以从“计算算法”角度理解数据挖掘是正确把握其
复杂性的关键。
    在本书中，我们试图架起一座沟通这两个世界的桥梁，目的是把统计建模的思想和“
现实世界”中的实际计算方法和算法联系起来。
    
本着这一宗旨，我们以一种有些与众不同的方式组织了本书的结构。首先我们讨论了建模
和推理的基本原理，然后介绍了数据挖掘算法的系统框架——一通过各种计算方法和算法
把模型与数据联系起来，最后结合诸如分类和回归这样的具体技术例释了这些思想。因此
，本书可分为三大部分
：
    1．基础第1章到第4章着重讨论数据和数据分析的基本原理。介绍了数据挖掘（第1章
）、测量（第2章）、可视化数据（第3章）、不确定性和推理（第4章）的基本原理。
    
2．数据挖掘组件第5章到第8章着重讨论用以系统地创建和分析数据挖掘算法的各个标准
部件，即我们所称的数据挖掘算法“组件”。第5章主要讨论分析算法的系统方法，我们
认为这种“分组件”的方法为那些刚刚接触数据挖掘这一学科的初学者提供了一种非常有
用的视角，可以系统地透
视数据分析算法中那些非常容易令人困惑的地方。而后在这一框架下，我们对每个组件进
行了广泛深入的讨论，第6章讨论模型表示方法，第7章讨论用来拟合模型和数据的评分函
数，第8章讨论优化和搜索技术（数据管理在第12章讨论）。
    
3．数据挖掘任务和算法本书的前8章已经对数据挖掘的基本原理和组件进行了讨论，余下
的章节（第9章到第14章）则致力于特定的数据挖掘任务以及针对这些任务的算法。我们
将某本的数据挖掘任务组织成以下几类：密度估计和聚类（第9章）、分类（第10章）。
回归（第11章）、模式发
现（第13章）以及根据内容检索（第14章）。在这些章节中我们使用了第一二部分所建立
的框架结构，讨论了针对每一项任务的具体算法。例如，在对分类的讨论中，我们回答了
这些问题：哪些模型和表示是值得考虑和有价值的？我们可以使用或者应该用哪些评分函
数来训练分类器？哪些
优化和搜索技术是必要的？一旦我们使用了某种方法来实际实现算法时，这个算法的复杂
度如何？我们希望这种通用的方法使读者认识到，数据挖掘算法是建立在一些非常通用的
系统原理之上的，而不是简单地将一些看起来并不相关的牛僻算法堆积在一起。
    
如果将本书用于教学的话，那么正如在前面所提到的，本书的目标读者是具有以下专业背
景的大学生：计算机科学、工程学、数学、自然科学以及像经济学这样的面向商业的很多
专业。从教师的角度来说，在课程中应该如何覆盖本书的内容主要依赖于课时长度（例如
1O周还是15周）和学生
对统计学和机器学习等基本概念的熟悉程度。举例来说，如果是为具有统计学基本概念的
一年级研究生开设的10周长度的课程，那么教师可以简单地讲述前面的章节，提纲挈领地
讨论第3章、第4章、第5章和第7章；并将第1章、第2章、第6章和第8章作为背景／补充读
物要求学生阅读；然后
把10周中的大部分时间放在第9章到第14章的内容上，对这些内容进行深入的讨论。
    
然而，许多同学和读者可能只有很少的或根本没有正式的统计学背景。令人遗憾的是许多
理工科专业（例如计算机科学）的本科生或研究生只有非常有限的统计学知识，他们对许
多现代程序中的统计思想知之甚少。由于本书很大程度上是从统计学的角度来讨论数据挖
掘的，所以我们在计算
机系学生中使用本书草稿的经验告诉我们：对于许多学生来说，在10周或15周的课程时间
中掌握本书是一个不小的挑战，因为要完全吸收所有内容，他们必须掌握第2章到第8章中
提到的相当大范围的统计学、数学和算法概念。因此，在教学或第一遍阅读时，可以跳过
本书的一些章节，以降
低难度。例如，本书第11章中的回归可能是最具数学挑战件的章节，而跳过这一内容也不
会影响对其他内容的理解。同样，第9章中的某些内容（比如说有关混合模型的内容）也
可以跳过；第4章中的贝叶斯估计框架也如此。那么哪些内容是阅读的关键呢？我们认为
第1章到第5章和第7章、