Data Mining: Practical Machine Learning Tools and Techniques

简介

数据挖掘与机器学习领域被全球高校沿用二十余年的经典教材,由 Ian H. Witten、Eibe Frank、Mark A. Hall、Christopher J. Pal 四位学者合著,Morgan Kaufmann 2016 年出版第四版。全书配套开源工具 Weka,主张”做中学”:不堆公式,而是让你在真实数据集上把算法跑一遍、看它怎么出错、再学会如何严格评估。它既讲清了分类、回归、聚类、关联规则、异常检测等核心任务的原理,也把数据预处理、属性选择、模型评估与集成方法讲得足够扎实,是”从理论到落地”这条路上最稳妥的一本书。

三大核心观点

1. 用工具学算法,比空谈理论快十倍:Weka 提供图形化、可扩展的机器学习工作台,不写代码即可完成”导入数据—选算法—训练—评估”的完整闭环,需要工程化时再通过 API 把算法嵌入自己的程序。
2. 不做评估的模型等于没有模型:交叉验证、混淆矩阵、精度与召回、ROC 曲线、偏差-方差权衡,是判断一个结论可不可信的唯一依据;同一算法换个切分方式,结果可能相差十几个百分点。
3. 数据挖掘是”数据+问题+算法”的综合:真实项目里,数据清洗、特征工程与领域理解往往比选哪个算法更决定成败,一个成功项目从搞懂业务问题和看懂数据开始。

适合谁读

• 数据科学与机器学习初学者,想系统建立知识地图的人;
• 已经会调包、却说不清模型为什么可信的工程师与分析师;
• 需要用数据支撑决策的产品、运营与业务管理者;
• 想读英文原版、在学数据技能的同时打磨英文的职场人。

获取方式

需要本书英文原版 PDF / EPUB,请到获取方式页面,通过邮箱 / 微信 / WhatsApp 联系。