Olvasói vélemények
Összegzés:A könyv vegyes értékeléseket kap, dicsérik az elméleti lefedettségét és szervezését, de kritizálják a gyakorlati példák és a gyakorlati útmutatás hiánya miatt az adatbányászati technikák végrehajtásához. Néhány olvasó kihívásnak találta a könyvet absztrakt matematikai tartalma miatt, míg mások értékelték az átfogó áttekintést, amelyet nyújt.
Előnyök:⬤ Szilárd elméleti alapokat nyújt az adatbányászathoz.
⬤ Jól szervezett szerkezet, a statisztikai fogalmak világos magyarázatával.
⬤ Az adatbányászati algoritmusok és módszerek széles körét tárgyalja, beleértve a modern megközelítéseket is.
⬤ Nagyszerű azoknak, akik jó statisztikai háttérrel rendelkeznek, de mélyebb ismeretekre vágynak.
⬤ Minden fejezet végén értékes további olvasási javaslatokat tartalmaz.
Hátrányok:⬤ Hiányoznak a gyakorlati példák és a konkrét alkalmazások, ami megnehezíti a bevezetést.
⬤ Az absztrakt matematikai tartalom kihívást jelenthet az erős statisztikai háttérrel nem rendelkező olvasók számára.
⬤ Néhány kritikus a cím alapján félrevezetőnek találta, mivel azt állította, hogy inkább a statisztikára, mint az adatbányászati technikákra összpontosít.
⬤ A tanulást megerősítő gyakorlatok hiánya.
(15 olvasói vélemény alapján)
Eredeti címe:
Principles of Data Mining
Könyv tartalma:
Az első igazán interdiszciplináris szöveg az adatbányászatról, amely ötvözi az informatika, az informatika és a statisztika hozzájárulásait.
Az adatbányászat iránti növekvő érdeklődést a tudományágak közös problémája motiválja: hogyan lehet tárolni, elérni, modellezni, és végül leírni és megérteni a nagyon nagy adathalmazokat? Történelmileg az adatbányászat különböző aspektusaival a különböző tudományágak egymástól függetlenül foglalkoztak. Ez az első valóban interdiszciplináris szöveg az adatbányászatról, amely az informatika, az informatika és a statisztika hozzájárulását ötvözi.
A könyv három részből áll. Az első, az alapok, az adatbányászati algoritmusok és alkalmazásuk alapelveinek oktató jellegű áttekintését nyújtja. Az előadás inkább az intuícióra, mint a szigorúságra helyezi a hangsúlyt. A második rész, az adatbányászati algoritmusok, bemutatja, hogyan épülnek fel az algoritmusok konkrét problémák elvszerű megoldására. A tárgyalt algoritmusok közé tartoznak az osztályozásra és regresszióra szolgáló fák és szabályok, asszociációs szabályok, hiedelemhálózatok, klasszikus statisztikai modellek, nemlineáris modellek, például neurális hálózatok, és helyi „memóriaalapú” modellek. A harmadik rész azt mutatja be, hogy az előző elemzés hogyan illeszkedik egymáshoz, amikor valós adatbányászati problémákra alkalmazzák. A témák között szerepel a metaadatok szerepe, a hiányzó adatok kezelése és az adatok előfeldolgozása.
