本書是《數據挖掘》的第2版，系統地介紹了數據挖掘的理論、方法與應用，包括數據特征分析及預處理、經典數據挖掘算法（分類、回歸、聚類、關聯規則和集成學習等）、大數據新常態下催生的數據分析方法（推薦系統、鏈接分析與網頁排序、互聯網信息抽取、日志挖掘與查詢分析等）理論與方法。在此基礎上，除第1章外，每章均有基于Python語言的實例應用。
劉鵬：教授，清華大學博士，南京云創大數據科技股份有限公司總裁，中國大數據應用聯盟人工智能專家委員會主任，中國信息協會教育分會人工智能教育專家委員會主任，教育部全國普通高校畢業生就業創業指導委員會委員，第45屆世界技能大賽中國區云計算選拔賽裁判長/專家指導組組長，2019年全國大學生數據建模比賽命題人，工信部云計算研究中心專家。在云計算、大數據、人工智能領域具有多年的研究積累，是我國該領域的知名專家。主持科研項目40多項，發表論文80余篇，出版專業書籍30多種。曾于2002年獲得全球數據處理比賽PennySort的世界冠軍，于2003年奪得全國挑戰杯比賽總冠軍。提出的反垃圾郵件網格，被IEEE Cluster 2003評為杰出網格項目，為解決困擾全球的垃圾郵件問題做出根本貢獻，該技術成為云安全技術的基礎。曾擔任全軍網格技術研究中心主任，獲“全軍十大學習成才標兵”（排名第一）、南京市“十大杰出青年”、“中國大數據創新百人”、江蘇省“333工程”中青年領軍人才、清華大學“學術新秀”等稱號。王朝霞：主要從事大數據分析、后勤信息化、軍事物流技術與裝備研究與教學工作。作為碩士研究生導師，已培養碩士生3名。指導本科畢業設計20余名。主持國家博士后基金1項、軍隊后勤重點科研項目2項、軍隊雙重建設子項目1項，參與軍隊網信建設重大項目1項、參與軍隊后勤重點科研項目4項。發表論文50余篇，其中SCI檢索3篇（兩篇1作，一篇通信作者）、EI檢索6篇（四篇1作）。出版教材3本（主編1本）、譯著1本。授權專利3項、軟件著作權1項。獲教育部科技進步一等獎1項，省部級優秀課題二等獎1項。
第1章 緒論 1
1.1 數據挖掘的基本概念 1
1.1.1 數據挖掘的概念 1
1.1.2 大數據環境下的數據挖掘 2
1.1.3 數據挖掘的特性 3
1.1.4 數據挖掘的任務和功能 3
1.1.5 數據挖掘的對象 4
1.1.6 數據挖掘的過程 5
1.2 數據挖掘的起源及發展 6
1.3 數據挖掘的常用工具 9
1.3.1 商用工具 9
1.3.2 開源工具 10
1.4 數據挖掘的應用 12
習題 15
參考文獻 16
第2章 數據特征分析及預處理 17
2.1 數據類型 17
2.1.1 屬性與度量 17
2.1.2 數據集的類型 18
2.2 數據特征分析 19
2.2.1 描述數據集中趨勢的度量 19
2.2.2 描述數據離散程度的度量 21
2.2.3 數據相關性分析 24
2.3 數據預處理 28
2.3.1 數據清洗 28
2.3.2 數據集成 34
2.3.3 數據規范化 34
2.3.4 數據規約 38
2.3.5 數據離散化 45
2.4 數據的相似性 47
2.4.1 數值屬性的相似性度量 47
2.4.2 標稱屬性的相似性度量 49
2.4.3 組合異種屬性的相似性度量 50
2.4.4 文本的相似性度量 52
2.4.5 離散序列的相似性度量 53
習題 55
參考文獻 56
第3章 分類 57
3.1 分類概述 58
3.1.1 分類的基本概念 58
3.1.2 分類的過程 58
3.1.3 分類器性能的評估方法 59
3.2 決策樹 61
3.2.1 決策樹的基本概念 62
3.2.2 決策樹的用途和特性 62
3.2.3 決策樹的工作原理 63
3.2.4 決策樹的構建步驟 64
3.2.5 決策樹算法原理 65
3.3 貝葉斯分類 76
3.3.1 貝葉斯定理 76
3.3.2 樸素貝葉斯分類 77
3.3.3 貝葉斯分析 80
3.3.4 貝葉斯決策 80
3.3.5 貝葉斯估計 81
3.4 支持向量機 81
3.4.1 支持向量機的主要思想 82
3.4.2 支持向量機的基礎理論 82
3.4.3 支持向量機的原理 87
3.5 實戰：Python支持向量機分類 92
習題 95
參考文獻 95
第4章 回歸 98
4.1 回歸的基本概念 99
4.1.1 回歸分析的定義 99
4.1.2 回歸分析的步驟 99
4.1.3 回歸分析要注意的問題 100
4.2 一元回歸分析 100
4.2.1 一元回歸分析的模型設定 100
4.2.2 回歸參數的最小二乘估計 102
4.2.3 基本假設下OLS估計的統計性質 104
4.2.4 誤差方差估計 105
4.2.5 回歸系數檢驗（t檢驗） 106
4.2.6 擬合優度和模型檢驗（F檢驗） 107
4.3 多元線性回歸分析 108
4.3.1 多元線性回歸模型 108
4.3.2 多元線性回歸模型的假定 110
4.3.3 多元線性回歸模型的參數估計 110
4.3.4 顯著性檢驗 112
4.3.5 回歸變量的選擇與逐步回歸 114
4.4 邏輯回歸分析 116
4.4.1 邏輯回歸模型 116
4.4.2 logit變換 117
4.4.3 估計回歸系數 118
4.4.4 Logistic分布 118
4.4.5 列聯表的Logistic回歸模型 119
4.5 其他回歸分析 120
4.5.1 多項式回歸 120
4.5.2 逐步回歸 120
4.5.3 嶺回歸 120
4.5.4 套索回歸 121
4.5.5 彈性網絡 122
4.6 實戰：獲得最大有效率時的藥物用量 122
習題 127
參考文獻 128
第5章 聚類 129
5.1 聚類基本概念 129
5.2 劃分聚類方法 131
5.2.1 k-平均算法 132
5.2.2 k-中心點算法 134
5.3 層次聚類方法 137
5.3.1 層次聚類方法的分類 137
5.3.2 BIRCH算法 141
5.4 密度聚類方法 144
5.5 實戰：Python聚類分析 147
5.5.1 Python實現k-均值劃分聚類 147
5.5.2 Python實現BIRCH層次聚類 150
5.5.3 Python實現DBSCAN密度聚類 152
習題 153
參考文獻 154
第6章 關聯規則 155
6.1 基本概念 155
6.1.1 啤酒與尿布的經典案例 155
6.1.2 關聯規則的概念 155
6.1.3 頻繁項集的產生 159
6.2 Apriori算法：通過限制候選產生發現頻繁項集 160
6.2.1 Apriori算法的頻繁項集產生 160
6.2.2 Apriori算法描述 162
6.3 FP-growth算法 164
6.3.1 構造FP樹 165
6.3.2 挖掘FP樹 167
6.3.3 FP-growth算法 169
6.4 其他關聯規則算法 170
6.4.1 約束性關聯規則 170
6.4.2 增量式關聯規則 171
6.4.3 多層關聯規則 172
6.5 實戰：購物籃關聯規則挖掘 174
6.5.1 背景與挖掘目標 174
6.5.2 分析方法與過程 174
6.5.3 總結 176
習題 177
參考文獻 177
第7章 集成學習 180
7.1 集成學習的概念 180
7.1.1 集成學習的構建 180
7.1.2 集成學習的優勢 181
7.2 Bagging算法與隨機森林算法 183
7.2.1 Bagging算法基本思想 183
7.2.2 Bagging算法流程 185
7.2.3 隨機森林算法 185
7.3 Boosting算法 187
7.3.1 Boosting算法流程 187
7.3.2 Boosting系列算法 188
7.4 結合策略 189
7.4.1 投票方法 189
7.4.2 疊加方法 190
7.5 多樣性 190
7.5.1 多樣性的概念 190
7.5.2 多樣性的作用 191
7.5.3 多樣性的度量 192
7.5.4 多樣性的構建 195
7.6 實戰案例 196
7.6.1 鳶尾花數據集 197
7.6.2 集成學習算法 198
7.6.3 集成學習在鳶尾花數據集上的應用 200
7.7 本章小結 205
習題 205
參考文獻 205
第8章 推薦系統 206
8.1 推薦系統概述 206
8.1.1 什么是推薦系統 206
8.1.2 推薦系統評測指標 207
8.1.3 推薦系統中的冷啟動 210
8.2 基于內容的推薦 213
8.2.1 物品表示 214
8.2.2 物品相似度 217
8.2.3 用戶對物品的評分 218
8.2.4 基于向量空間模型的推薦 218
8.3 協同過濾推薦 222
8.3.1 協同過濾的基本概念 222
8.3.2 基于用戶的協同過濾 226
8.3.3 基于物品的協同過濾 228
8.3.4 隱語義模型和矩陣因子分解模型 230
8.4 基于標簽的推薦 237
8.4.1 數據標注與關鍵詞提取 238
8.4.2 標簽分類 239
8.4.3 基于標簽的推薦系統原理 240
8.5 實戰：搭建一個電影推薦系統 243
8.5.1 數據準備與導入 243
8.5.2 電影熱度值計算 244
8.5.3 電影相似度計算 244
8.5.4 指定標簽下的電影統計 248
習題 250
參考文獻 250
第9章 互聯網數據挖掘 253
9.1 鏈接分析與網頁排序 253
9.1.1 PageRank 253
9.1.2 PageRank的快速計算 259
9.1.3 面向主題的PageRank 260
9.1.4 時間序列分析 260
9.1.5 排序背后的機理探討 262
9.1.6 重新思考時間序列 263
9.2 互聯網信息抽取 264
9.2.1 互聯網信息深度挖掘概述 264
9.2.2 典型應用模型構建 264
9.2.3 挖掘、存儲與網絡技術分析 265
9.2.4 數據信息采集管理 266
9.2.5 信息抽取方法與知識發現 267
9.2.6 智能決策 269
9.2.7 行業案例研究 270
9.3 日志挖掘與查詢分析 272
9.3.1 互聯網日志分析概述 272
9.3.2 挖掘分析技術方法 274
9.3.3 工具比較 275
9.3.4 海量數據挖掘過程展現與分析 276
9.3.5 行業應用舉例 277
9.4 Python實戰案例 280
9.4.1 PageRank Python實現 280
9.4.2 跨境電商運營潛在市場選擇 282
9.4.3 天池“雙11”日志數據挖掘示例 286
習題 290
參考文獻 290
新書資訊