دانلود کتاب Principles of Data Mining

ترجمه فارسی توضیحات (ترجمه ماشینی)

اصول داده کاوی

علاقه فزاینده به داده کاوی ناشی از یک مشکل رایج در بین رشته‌ها است: چگونه می‌توان مجموعه‌های داده بسیار بزرگ را ذخیره، دسترسی، مدل‌سازی و در نهایت توصیف و درک کرد؟ از لحاظ تاریخی، جنبه های مختلف داده کاوی به طور مستقل توسط رشته های مختلف مورد توجه قرار گرفته است. این اولین متن واقعاً بین رشته ای در مورد داده کاوی است که مشارکت های علم اطلاعات، علوم کامپیوتر و آمار را در هم می آمیزد. کتاب از سه بخش تشکیل شده است. اولی، مبانی، یک مرور کلی آموزشی از اصول زیربنای الگوریتم های داده کاوی و کاربرد آنها ارائه می دهد. ارائه بر شهود به جای سختگیری تأکید دارد. بخش دوم، الگوریتم های داده کاوی، نشان می دهد که چگونه الگوریتم ها برای حل مسائل خاص به شیوه ای اصولی ساخته می شوند. الگوریتم‌های تحت پوشش شامل درخت‌ها و قوانین طبقه‌بندی و رگرسیون، قوانین ارتباط، شبکه‌های اعتقادی، مدل‌های آماری کلاسیک، مدل‌های غیرخطی مانند شبکه‌های عصبی، و مدل‌های محلی «مبتنی بر حافظه» هستند. بخش سوم نشان می‌دهد که چگونه تمام تحلیل‌های قبلی هنگام اعمال برای مشکلات داده‌کاوی دنیای واقعی با هم تطبیق می‌یابند. موضوعات شامل نقش ابرداده، نحوه رسیدگی به داده های از دست رفته و پیش پردازش داده ها است.

Principles of Data Mining

The growing interest in data mining is motivated by a common problem across disciplines: how does one store, access, model, and ultimately describe and understand very large data sets? Historically, different aspects of data mining have been addressed independently by different disciplines. This is the first truly interdisciplinary text on data mining, blending the contributions of information science, computer science, and statistics. The book consists of three sections. The first, foundations, provides a tutorial overview of the principles underlying data mining algorithms and their application. The presentation emphasizes intuition rather than rigor. The second section, data mining algorithms, shows how algorithms are constructed to solve specific problems in a principled manner. The algorithms covered include trees and rules for classification and regression, association rules, belief networks, classical statistical models, nonlinear models such as neural networks, and local “memory-based” models. The third section shows how all of the preceding analysis fits together when applied to real-world data mining problems. Topics include the role of metadata, how to handle missing data, and data preprocessing.