Menu
Your Cart

Data Mining and Machine Learning 9787115503527 Wu Jiansheng, Xu Guiqiu People's Posts and Telecommunications Press

Data Mining and Machine Learning 9787115503527 Wu Jiansheng, Xu Guiqiu People's Posts and Telecommunications Press
Data Mining and Machine Learning 9787115503527 Wu Jiansheng, Xu Guiqiu People's Posts and Telecommunications Press
US$20.29
  • 库存: 100
  • 模型: 10148061843840
  • 重量: 1.00kg
  • 尺寸: 25.00cm x 10.00cm x 1.50cm
Add to Cart
立即购买
Add to Wish List

How to Order & Pay

Shipping: Free Shipping & Customs Tax included are subject to change, please refer to the quote you received.

Delivery: Accurate and precise order tracking. Learn more

Package Safety: Refund for your damaged or lost package. Learn more

Payments:

Shop with confidence

Inspect item by item, verify, conduct quality checks, and upload authentic photos of the products.

Consolidate and repackage all items to reduce international logistics costs and facilitate international transportation.

Our customer service is always here if you need help. Click here to chat with us or Chat on WhatsApp

Please log in to view detailed product descriptions and select product options.

数据挖掘与机器学习

 作　　者 ： 吴建生，许桂秋

 出  版  社 ： 人民邮电出版社

 ISBN 号 ： 9787115503527

 出版日期 ： 2019年4月

 版　　次 ： 1

 印　　次 ： 1

 页　　数 ： 170

 装　　帧 ： 平装

 开　　本 ： 16开

本书主要介绍数据挖掘的基本技术和应用。数据挖掘作为一个多学科领域，从多个学科汲取营养。这些学科包括统计学、机器学习、模式识别、数据库技术、信息检索、网络科学、知识库系统、人工智能、高性能计算和数据可视化。我们提供发现隐藏在大型数据集中的模式的技术，关注可行性、有用性、有效性和可伸缩性问题。尽管我们确实提供了这些领域的必要背景材料，以便读者理解它们各自在数据挖掘中的作用。本书中由浅入深的为每个章节准备了案例，使读者能了解数据挖掘技术是如何运用在实际问题上的，从而灵活运用所学知识和技能。

吴建生，广西科技师范学院数学与计算机科学学院教授、硕士生导师。数学与计算机科学学院院长，中国计算机学会高级会员、广西人工智能常务理事、广西数学学会常务理事。研究领域为智能计算、机器学习、数据挖掘。获得广西科学技术进步二等奖3项。公开发表研究论文30 多篇，被 SCI、EI 收录论文18 篇，完成软件著作8套，发明专利4个、实用新型专利10多个。

  • * * 章 数据挖掘概述 11．1　数据挖掘发展简述　11．1．1　数据时代　11．1．2　数据分析的技术发展　21．2　数据挖掘概念　51．2．1　数据挖掘的定义与OLAP　51．2．2　数据挖掘与知识发现KDD　61．3　数据挖掘的功能与应用领域　91．3．1　电子商务　91．3．2　电信行业　101．3．3　金融行业　101．3．4　医疗行业　101．3．5　社会网络　111．3．6　数据挖掘应用的问题　111．4　数据挖掘的模式类型　111．4．1　类/概念描述：特征和区分　121．4．2　回归（regression）　131．4．3　分类（classification）　141．4．4　预测（forecasting）　151．4．5　关联分析（association）　151．4．6　聚类分析（cluster）　161．4．7　异常检测（anomalydetection）　171．4．8　小结　171．5　数据挖掘的数据类型　181．5．1　数据库　181．5．2　数据仓库数据　191．5．3　其它数据类型　201．6　数据挖掘的交叉学科　201．6．1　统计学　211．6．2　机器学习　211．6．3　数据库与数据仓库　22第　2章 Pandas数据分析　232．1　Pandas与数据分析　232．1．1　统计学与数据挖掘　232．1．2　常用的统计学指标　242．1．3　Pandas的简单介绍　262．2　Pandas统计案例分析　302．2．1　实验实现Pandas自行车数据分析　302．2．2　实验实现Pandas服务热线数据分析　36第3章　数据挖掘与机器学习　413．1　数据挖掘中的机器学习　413．1．1　什么是机器学习？　413．1．2　机器学习处理的问题　423．1．3　机器学习的框架　423．1．4　数据的加载和分割　433．2　机器学习的模型　453．2．1　模型的选择　453．2．1　学习和预测　463．2．3　实验实现机器学习模型　473．3　模型的评判和保存　483．3．1　分类、回归、聚类不同的评判指标　483．3．2　交叉验证 (Cross validation)　493．3．3　实验实现分类、回归指标　503．3．4　实验实现cross_val_score　513．3．5　实验实现模型的保存　523．4　支持向量机　533．4．1　支持向量机　533．4．2　实验实现支持向量机分类　543．4．3　实验实现支持向量机回归　553．4．4　实验实现支持向量机异常检测　553．5　过拟合问题　583．5．1　过拟合　583．5．2　实验实现学习曲线和验证曲线　59第4章　分类分析方法与应用　624．1　数据挖掘分类问题　624．2　概率模型　634．2．1　原理　634．2．2　应用场景　6**．3　朴素贝叶斯分类　6**．3．1　原理与应用场景　6**．3．2　实验实现朴素贝叶斯算法　674．4　向量空间模型　684．4．1　原理与应用场景　684．4．2　实验实现空间向量模型　694．5　KNN算法　724．5．1　原理与应用场景　724．5．2　实验实现KNN算法　744．6　多类问题　7**．6．1　原理与应用场景　7**．6．2　实验实现多类问题　77第5章　回归模型算法与应用　795．1　回归预测问题　805．2　线性回归　815．2．1　原理与应用场景　815．2．2　实验实现线性回归　825．3　岭回归和LASSO　845．3．1　原理与应用场景　845．3．2　实验实现岭回归　875．4　逻辑回归　**5．4．1　原理与应用场景　**5．4．2　实验实现逻辑回归　91第6章　无监督学习　946．1　无监督学习问题　946．1．1　无监督学习　946．1．2　聚类分析的基本概念与原理　956．2　划分聚类　966．2．1　划分聚类　966．2．2　K-Means算法　976．2．3　实验实现K-Means算法　1006．3　层次聚类　1036．3．1　层次聚类算法　1036．3．2　实验实现层次聚类算法实现　105*．*　聚类效果评测　106*．*．1　聚类效果的评测　106*．*．2　实验实现聚类效果评测　1076．5　降维　1086．5．1　降维方法　1086．5．2　实验实现降维　108第7章　关联规则　1107．1　关联规则的概念　1117．1．1　什么是关联规则？　1117．2　Apriori算法　1127．2．1　Apriori算法概念　1127．2．2　Apriori算法实现原理　1137．2．3　实验实现Apriori算法　1157．3　协同过滤　1197．3．1　协同过滤算法的概念　1197．3．2　协同过滤（基于用户）　1207．3．3　协同过滤（基于用户）　1227．3．4　实验实现协同过滤算法　124第**　图像数据分析　1298．1　图像数据　1298．2　图像数据分析方法　1318．3　图像数据分析案例　1338．3．1　PIL：Python图像处理类库应用示例　1338．3．2　Numpy图像数据分析示例　1388．3．3　Scipy图像数据分析示例　1418．3．4　scikit-image　1458．3．5　综合练习　150第　9 章 自然语言处理与NLTK　1519．1　自然语言处理概述　1519．1．1　什么是自然语言处理？　1519．2　NLTK入门基础　1529．2．1　Python的第三方模块NLTK　1529．2．2　实验实现词条化　1539．2．3　实验实现词干还原　1549．2．4　实验实现词型归并　1559．2．5　实验实现文本划分　1569．2．6　实验实现数值型数据的转换　1579．3　NLTK文本分析　1599．3．1　实验实现文本分类器　1599．3．2　实验实现性别判断　1619．3．3　实验实现情感分析　162

更多咨询信息

1. 请点击 "帮助" 获取更多信息.

2. 通过右键联系我们 [email protected]

3. 在线咨询 或 WhatsApp

节省运费小贴士

1)去除原始包装，例如，如果你购买一双鞋子，你可以去掉鞋盒，这将大大节省体积重量。

2)运费通常按每0.5公斤收费。因此，如果你购买的产品只有0.1公斤，那么你可以考虑一次购买2-3件，这不会增加你订单的运费。

体积重量

体积重量指的是包裹的整体大小，以体积公斤计算。体积重量可以通过乘以包裹的长、宽和高（以厘米为单位），然后除以5000来计算（有些承运人使用6000/7000等作为除数）。

Volumetric Weight

国际运输禁运物品（但不限于此）,

  • cigarette 香烟
  • alcohol 酒精
  • liquid 液体
  • knife-scissor 管制刀具
  • toy-gun 玩具枪
  • seeds 种子
  • animals 活体动物
  • flowers 真花

以下物品（但不限于此）可能只能通过特定的物流线路运输,

  • cream 面霜
  • cosmetics 化妆品
  • snacks 零食
  • medicine 药品
Women's Clothing (Coats & Jackets, Dresses, T-Shirts, Tops, Suits)
Standard Size
China (cm) 160-165/84-86 165-170 / 88-90 167-172 / 92-96 168-173 / 98-102 170-176 / 106-110
International XS S M L XL
USA 2 4-6 8-10 12-14 16-18
Europe 34 34-36 38-40 42 44
Bra - Under bust
Standard Size
China
(cm)		 76.2 81.3 86.4 91.5 96.5 101.6 106.7 112 117 122 127 132 137 142
USA 30 32 34 36 38 40 42 44 46 48 50 52 54 56
UK 30 32 34 36 38 40 42 44 46 48 50 52 54 56
Europe   70 75 80 85 90                
France   85 90 95 100 105                
Italy   1 2 3 4 5                
Bra - Cup size
Standard Size
China A B C D E                  
USA AA A B C D DD DDD/E F FF G GG H HH J
UK AA A B C D DD E F FF G GG H HH J
Europe AA A B C D E F              
France AA A B C D E F              
Italy   B B/none C D DD E F            
Women's Underwear
Standard Size
China S M L XL XXL XXXL
International XS S M L XL XXL
USA 2 4 6 8 10 12
UK 6 8 10 12 14 16
Europe 32 34 36 38 40 42
France 34 36 38 40 42 44
Italy 38 40 42 44 46 48
Women's Shoes
Standard Size
Length (cm) 22.8 23.1 23.5 24.1 24.5 25.1 25.7 26 26.7 27.3 27.9 28.6 29.2
China 35.5 36 37 38 39 40 41.5 42 43 44.5 46 47 48
USA 5 5.5 6 7 7.5 8.5 9.5 10 10.5 12 13 14 15.5
UK 2.5 3 3.5 4.5 5 6 7 7.5 8 9.5 10.5 11.5 13
Europe 35 35.5 36 37.5 38 39 41 42 43 44 45 46.5 48.5
Men's Clothing (Coats & Jacketst,T-Shirts,Suits)
Standard Size
China (cm) 165 / 88-90 170 / 96-98 175 / 108-110 180 / 118-122 185 / 126-130
International S M L XL XXL
Men's Clothing (Shirts)
Standard Size
China (cm) 36 - 37 38 - 39 40 - 42 43 - 44 45 - 47
International S M L XL XXL
Men's Clothing (Pants)
Size (cm) 42 44 46 48 50
Waist (cm) 68 - 72 cm 71 - 76 cm 75 - 80 cm 79 - 84 cm 83 - 88 cm
Outseam (cm) 99 cm 101.5 cm 104 cm 106.5 cm 109 cm
Men's Underwear
Standard Size
China(cm) 72-76 76-81 81-87 87-93 93-98
International S M L XL XXL
USA(inch) 28-30 30-32 32-34 34-38 38-42
Men's Shoes
Standard Size
Length(cm) 24.5 25.1 25.7 26 26.7 27 27.6 28.3 28.6 28.9
China 39.5 41 42 43 44 44.5 46 47 47.5 48
USA 6 7 8 8.5 9.5 10 11 12 12.5 13
UK 5.5 6.5 7.5 8 9 9.5 10.5 11.5 12 12.5
Europe 38 39 41 42 43.5 44 45 46 46.5 47
长度Length
Imperial英制 Meric公制
1 inch[in] 英寸 ---- 2.54 cm 厘米
1 foot[ft] 英尺 12 in 英寸 0.03048 m 米
1 yard[yd] 码 3 ft 英尺 0.9144 m 米
1 mile[mi] 英里 1760 yd 码 1.6093 km 千米
1 int nautical mile[inm] 海里 2025.4 yd 码 1.853 km 千米
面积Area
Imperial英制 Meric公制
1 sq inch[in2] 平方英寸 ---- 6.4516 cm2 平方厘米
1 sq foot[ft2] 平方英尺 144 in2 平方英寸 0.0929 m2 平方米
1 sq yard[yd2] 平方码 9 ft2 平方英尺 0.8361 m2 平方米
1 acre 英亩 4840 yd2 平方码 4046.9 m2 平方米
1 sql mile[mile2] 平方英里 640 acre 英亩 2.59 km2 平方千米
体积/容量Volume/Capacity
Imperial英制 Meric公制
1 fluid ounce 液量蛊司 1.048 UK fl oz 英制液量蛊司 29.574 ml 毫升
1 pint(16 fl oz 液量品脱)品脱 0.8327 UK pt 英制品脱 0.4731 l 升
1 gallon 加仑 0.8327 UK gal 英制加仑 3.7854 l 升
重量Weight
Imperial英制 Meric公制
1 ounce[oz]蛊司 437.5 grain 格令 28.35 g 克
1 pound[lb]磅 16 oz 蛊司 0.4536 kg 千克
1 stone 石 14 lb 磅 6.3503 kg 千克
1 hundredweight[cwt] 英担 112 lb 磅 50.802 kg 千克
1 long ton(UK) 长顿 20 cwt 英担 1.061 t 顿