《数据挖掘:概念与技术》(英文版第2版)笫2版最完整、最全面地讲述了数据挖掘领域的重要知识和技术创新。相比内容已经相当全面的第1版，第2版展示了该领域的最新研究成果，例如挖掘流、时序数据和序列数据以及挖掘空间、多媒体、文本和IWeb数据。《数据挖掘:概念与技术》(英文版第2版)是数据挖掘和知识发现领域内所有教师、研究人员、开发人员和用户部必读的书。我们产生和收集数据的能力正在快速增长。除了大多数商业、科学和政府事务的日益计算机化会产生数据之外，数位相机、发布工具和条码的广泛套用也会产生数据。在数据收集方面，扫描的文体和图像平台、卫星遥感系统和国际网际网路已经使我们的生活被巨大的数据量所包围。这种爆炸性的数据增长促使我们比以往更迫切地需要新技术和自动化工具来帮助我们将这些数据转换为有用的信息和知识。
第1版曾被KDnuggets的读者评选为最受欢迎的数据挖掘专着，是一本可读性极佳的教材。它从资料库角度全面系统地介绍了数据挖掘的基本概念、基本方法和基本技术以及数据挖掘的技术研究进展，重点关注其可行性、有用性、有效性和可伸缩性问题。但是，自第1版出版之后，数据挖掘领域的研究又取得了很大的进展，开发出了新的数据挖掘方法、系统和套用。第2版在这一方面进行了加强，增加了多个章节讲述最新的数据挖掘方法，以便能够挖掘出複杂类型的数据，包括流数据、序列数据、图结构数据、社群网路数据和多重关係数据。

Foreword vii
Preface ix
Chapter Introduction I
1.1 What Motivated Data Mining? Why Is It Important? 1
1.2 So, What Is Data Mining? 5
1.3 Data Mining-On What Kind of Data? 9
1.3.1 Relational Databases 10
1.3.2 Data Warehouses 12
1.3.3 TransactionalDatabases 14
1.3.4 Advanced Data and Information Systems and Advanced Applications 15
1.4 Data Mining Functionalities——-What Kinds of Patterns Can Be Mined? 21
1.4.1 Concept/Class Description: Characterization and Discrimination 21
1.4.2 Mining Frequent Patterns, Associations, and Correlations 23
1.4.3 Classification and Prediction 24
1.4.4 Cluster Analysis 25
1.4.5 Outlier Analysis 26
1.4.6 Evolution Analysis 27
1.5 Are All of the Patterns Interesting? 27
1.6 Classification of Data Mining Systems 29
1.7 Data Mining Task Primitives 3 I
1.8 Integration of a Data Mining System with a Database or Data Warehouse System 34
1.9 Major Issues in Data Mining 36
1.10 Summary 39
Exercises 40
Bibliographic Notes 42
Chapter Data Preprocessing 47
2.1 Why Preprocess the Data? 48
2.2 Descriptive Data Summarization 51
2.2.1 Measuring the Central Tendency 5 I
2.2.2 Measuring the Dispersion of Data 53
2.2.3 Graphic Displays of Basic Descriptive Data Summaries 56
2.3 Data Cleaning 61
2.3.1 Missing Values 61
2.3.2 Noisy Data 62
2.3.3 Data Cleaning as a Process 65
2.4 Data Integration and Transformation 67
2.4.1 Data Integration 67
2.4.2 Data Transformation 70
2.5 Data Reduction 72
2.5.1 Data Cube Aggregation 73
2.5.2 Attribute Subset Selection 75
2,5.3 DimensionalityReduction 77
2.5.4 Numerosity Reduction 80
2.6 Data Discretization and Concept Hierarchy Generation 86
2.6.1 Discretization and Concept Hierarchy Generation for Numerical Data 88
2.6.2 Concept Hierarchy Generation for Categorical Data 94
2.7 Summary 97
Exercises 97
Bibliographic Notes 101
Chapter 3 Data Warehouse and OLAP Technology: An Overview 105
3.1 What Is a Data Warehouse? 105
3. I.I Differences between Operational Database Systems and Data Warehouses 108
3.1.2 But, Why Have a Separate Data Warehouse? 109
3.2 A Multidimensional Data Model 110
3.2.1 From Tables and Spreadsheets to Data Cubes 110
3.2.2 Stars, Snowflakes, and Fact Constellations: Schemas for Multidimensional Databases 114
3.2.3 Examples for Defining Star, Snowflake, and Fact Constellation Schemas 117
……

《数据挖掘:概念与技术》(英文版第2版)适合作为高等院校计算及相关专业高年级本科生的选修课教材，特别适合作为研究生的专业课教材，同时也可供从事数数据挖掘研究和套用开发工作的相关人员作为必备的参考书。
《数据挖掘:概念与技术》(英文版第2版)主要特点是：全面实用地论述了从实际业务数据中抽取出的读者需要知道的概念和技术。更新并结合了来自读者的反馈、数据挖掘领域的技术变化以及统计和机器学习方面的更多资料。包含了许多算法和实际示例，全部以易于理解的伪代码编写，适用于实际的大规模数据挖掘项目。

作者：(加)韩家炜
Jiawei Han伊利诺伊大学厄巴纳一尚佩恩分校计算机科学系教授。由于在数据挖掘和资料库系统领域卓有成效的研究工作，他曾多次获得各种荣誉和奖励，其中包括2004年ACM SIGKDD颁发的创新奖。同时，他还是《ACM Trarlsactiorls on Krlowledge Discovery fronl Data》杂誌的主编，以及《IEEE Trarlsactiorls 0n Krlowledge and Data Engirleering》和《Data Mirling and Krlowledge Discovery》杂誌的编委会成员。
Micheline Kamber拥有加拿大康考迪亚大学计算机科学硕士学位，现在加拿大西蒙·弗雷泽大学从事博士后研究工作。