本书介绍数据挖掘的基本理论与实践方法。主要内容包括：各种模型(决策树，关联规则、线性模型、聚类、贝叶斯网以及神经网路)以及在实践中的运用，所存任缺陷的分析。安全地清理数据集、建立以及评估模型的预测质量的方法，并且提供了一个公开的数据挖掘工作平台Weka。Weka系统拥有进行数据挖掘仟务的图形用户界面，有助于理解模型，是一个实用并且深受欢迎的工具。

本书适合作为高等学校本科生或研究生的教材，也可供相关技术人员参考。

Ian H.Witten，纽西兰怀卡托大学计算机科学系教授，ACM和纽西兰皇（IFIP）颁发的Namur奖项。他的着作包括《Managing Gigabytes:Compressing and Indexing Documents and Images》、《How to Build a Digital Library》以及众多的期刊和学会文章。

出版者的话

专家指导委员会

译者序

中文版前言

序

前言

第一部分 机器学习工具与技术

第1章 绪论

1.l 数据挖掘和机器学习

l.2 简单的例子：天气问题和其他

l.3 套用领域-

1.4 机器学习和统计学

1.5 用于搜寻的概括

l.6 数据挖掘和道德

1.7 补允读物

第2章 输入概念、实例和属性

2.1 概念

2.2 样本

2.3 属性

2.4 输入準备

2.5 补充读物

第3章 输出：知识表达

3.1 决策表

3.2 决策树

3.3 分类规则

3.4 关联规则

3.5 包含例外的规则

3.6 包含关係的规则

3.7 数值预测树

3.8 基于实例的表达

3.9 聚类

3.10 补充读物

第4章 算法基本方法

4.1 推断基本规则

4.2 统计建模

4.3 分治法：创建决策树

4.4 覆盖算法：建立规则

4.5 挖掘关联规州

4.6 线性模型

4.7 基于实例的学习

4.8 聚类

4.9 补充读物

第5章 可信度：评估机器学习结果

5.1 训练和测试

5.2 预测性能

5.3 交叉验证

5.4 其他估计法

5.5 可信度：评估机器学习结果

5.6 预测机率

5.7 计算成本

5.8 评估数值预测

5.9 最短描述长度原理

5.10 聚类方法中套用MDL原理

5.1l 补充读物

第6章 实现：真正的机器学习方案

……

第7章 转换：处理输入和输出

第8章 继续扩展和套用

第9章 Weka简介

第10章 Explorer界面

第1l章 Knowledge Flow界面

第12章 Experimenter界面

第13章 命令行界面

第14章 嵌入式机器学习

第15章 编写新学习方案

参考文献

索引