本书是《数据挖掘》的第2版，系统地介绍了数据挖掘的理论、方法与应用，包括数据特征分析及预处理、经典数据挖掘算法（分类、回归、聚类、关联规则和集成学习等）、大数据新常态下催生的数据分析方法（推荐系统、链接分析与网页排序、互联网信息抽取、日志挖掘与查询分析等）理论与方法。在此基础上，除第1章外，每章均有基于Python语言的实例应用。

刘鹏：教授，清华大学博士，南京云创大数据科技股份有限公司总裁，中国大数据应用联盟人工智能专家委员会主任，中国信息协会教育分会人工智能教育专家委员会主任，教育部全国普通高校毕业生就业创业指导委员会委员，第45届世界技能大赛中国区云计算选拔赛裁判长/专家指导组组长，2019年全国大学生数据建模比赛命题人，工信部云计算研究中心专家。在云计算、大数据、人工智能领域具有多年的研究积累，是我国该领域的知名专家。主持科研项目40多项，发表论文80余篇，出版专业书籍30多种。曾于2002年获得全球数据处理比赛PennySort的世界冠军，于2003年夺得全国挑战杯比赛总冠军。提出的反垃圾邮件网格，被IEEE Cluster 2003评为杰出网格项目，为解决困扰全球的垃圾邮件问题做出根本贡献，该技术成为云安全技术的基础。曾担任全军网格技术研究中心主任，获“全军十大学习成才标兵”（排名第一）、南京市“十大杰出青年”、“中国大数据创新百人”、江苏省“333工程”中青年领军人才、清华大学“学术新秀”等称号。王朝霞：主要从事大数据分析、后勤信息化、军事物流技术与装备研究与教学工作。作为硕士研究生导师，已培养硕士生3名。指导本科毕业设计20余名。主持国家博士后基金1项、军队后勤重点科研项目2项、军队双重建设子项目1项，参与军队网信建设重大项目1项、参与军队后勤重点科研项目4项。发表论文50余篇，其中SCI检索3篇（两篇1作，一篇通信作者）、EI检索6篇（四篇1作）。出版教材3本（主编1本）、译著1本。授权专利3项、软件著作权1项。获教育部科技进步一等奖1项，省部级优秀课题二等奖1项。

第1章 绪论 1
1.1　数据挖掘的基本概念 1
1.1.1 数据挖掘的概念 1
1.1.2 大数据环境下的数据挖掘 2
1.1.3 数据挖掘的特性 3
1.1.4 数据挖掘的任务和功能 3
1.1.5 数据挖掘的对象 4
1.1.6 数据挖掘的过程 5
1.2　数据挖掘的起源及发展 6
1.3　数据挖掘的常用工具 9
1.3.1 商用工具 9
1.3.2 开源工具 10
1.4　数据挖掘的应用 12
习题 15
参考文献 16
第2章 数据特征分析及预处理 17
2.1　数据类型 17
2.1.1 属性与度量 17
2.1.2 数据集的类型 18
2.2　数据特征分析 19
2.2.1 描述数据集中趋势的度量 19
2.2.2 描述数据离散程度的度量 21
2.2.3 数据相关性分析 24
2.3　数据预处理 28
2.3.1 数据清洗 28
2.3.2 数据集成 34
2.3.3 数据规范化 34
2.3.4 数据规约 38
2.3.5 数据离散化 45
2.4　数据的相似性 47
2.4.1 数值属性的相似性度量 47
2.4.2 标称属性的相似性度量 49
2.4.3 组合异种属性的相似性度量 50
2.4.4 文本的相似性度量 52
2.4.5 离散序列的相似性度量 53
习题 55
参考文献 56
第3章 分类 57
3.1　分类概述 58
3.1.1 分类的基本概念 58
3.1.2 分类的过程 58
3.1.3 分类器性能的评估方法 59
3.2　决策树 61
3.2.1 决策树的基本概念 62
3.2.2 决策树的用途和特性 62
3.2.3 决策树的工作原理 63
3.2.4 决策树的构建步骤 64
3.2.5 决策树算法原理 65
3.3　贝叶斯分类 76
3.3.1 贝叶斯定理 76
3.3.2 朴素贝叶斯分类 77
3.3.3 贝叶斯分析 80
3.3.4 贝叶斯决策 80
3.3.5 贝叶斯估计 81
3.4　支持向量机 81
3.4.1 支持向量机的主要思想 82
3.4.2 支持向量机的基础理论 82
3.4.3 支持向量机的原理 87
3.5　实战：Python支持向量机分类 92
习题 95
参考文献 95
第4章 回归 98
4.1　回归的基本概念 99
4.1.1 回归分析的定义 99
4.1.2 回归分析的步骤 99
4.1.3 回归分析要注意的问题 100
4.2　一元回归分析 100
4.2.1 一元回归分析的模型设定 100
4.2.2 回归参数的最小二乘估计 102
4.2.3 基本假设下OLS估计的统计性质 104
4.2.4 误差方差估计 105
4.2.5 回归系数检验（t检验） 106
4.2.6 拟合优度和模型检验（F检验） 107
4.3　多元线性回归分析 108
4.3.1 多元线性回归模型 108
4.3.2 多元线性回归模型的假定 110
4.3.3 多元线性回归模型的参数估计 110
4.3.4 显著性检验 112
4.3.5 回归变量的选择与逐步回归 114
4.4　逻辑回归分析 116
4.4.1 逻辑回归模型 116
4.4.2 logit变换 117
4.4.3 估计回归系数 118
4.4.4 Logistic分布 118
4.4.5 列联表的Logistic回归模型 119
4.5　其他回归分析 120
4.5.1 多项式回归 120
4.5.2 逐步回归 120
4.5.3 岭回归 120
4.5.4 套索回归 121
4.5.5 弹性网络 122
4.6　实战：获得最大有效率时的药物用量 122
习题 127
参考文献 128
第5章 聚类 129
5.1　聚类基本概念 129
5.2　划分聚类方法 131
5.2.1 k-平均算法 132
5.2.2 k-中心点算法 134
5.3　层次聚类方法 137
5.3.1 层次聚类方法的分类 137
5.3.2 BIRCH算法 141
5.4　密度聚类方法 144
5.5 实战：Python聚类分析 147
5.5.1 Python实现k-均值划分聚类 147
5.5.2 Python实现BIRCH层次聚类 150
5.5.3 Python实现DBSCAN密度聚类 152
习题 153
参考文献 154
第6章 关联规则 155
6.1　基本概念 155
6.1.1 啤酒与尿布的经典案例 155
6.1.2 关联规则的概念 155
6.1.3 频繁项集的产生 159
6.2　Apriori算法：通过限制候选产生发现频繁项集 160
6.2.1 Apriori算法的频繁项集产生 160
6.2.2 Apriori算法描述 162
6.3　FP-growth算法 164
6.3.1 构造FP树 165
6.3.2 挖掘FP树 167
6.3.3 FP-growth算法 169
6.4　其他关联规则算法 170
6.4.1 约束性关联规则 170
6.4.2 增量式关联规则 171
6.4.3 多层关联规则 172
6.5　实战：购物篮关联规则挖掘 174
6.5.1 背景与挖掘目标 174
6.5.2 分析方法与过程 174
6.5.3 总结 176
习题 177
参考文献 177
第7章 集成学习 180
7.1　集成学习的概念 180
7.1.1 集成学习的构建 180
7.1.2 集成学习的优势 181
7.2　Bagging算法与随机森林算法 183
7.2.1 Bagging算法基本思想 183
7.2.2 Bagging算法流程 185
7.2.3 随机森林算法 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　结合策略 189
7.4.1 投票方法 189
7.4.2 叠加方法 190
7.5　多样性 190
7.5.1 多样性的概念 190
7.5.2 多样性的作用 191
7.5.3 多样性的度量 192
7.5.4 多样性的构建 195
7.6　实战案例 196
7.6.1 鸢尾花数据集 197
7.6.2 集成学习算法 198
7.6.3 集成学习在鸢尾花数据集上的应用 200
7.7　本章小结 205
习题 205
参考文献 205
第8章 推荐系统 206
8.1　推荐系统概述 206
8.1.1 什么是推荐系统 206
8.1.2 推荐系统评测指标 207
8.1.3 推荐系统中的冷启动 210
8.2　基于内容的推荐 213
8.2.1 物品表示 214
8.2.2 物品相似度 217
8.2.3 用户对物品的评分 218
8.2.4 基于向量空间模型的推荐 218
8.3　协同过滤推荐 222
8.3.1 协同过滤的基本概念 222
8.3.2 基于用户的协同过滤 226
8.3.3 基于物品的协同过滤 228
8.3.4 隐语义模型和矩阵因子分解模型 230
8.4　基于标签的推荐 237
8.4.1 数据标注与关键词提取 238
8.4.2 标签分类 239
8.4.3 基于标签的推荐系统原理 240
8.5　实战：搭建一个电影推荐系统 243
8.5.1 数据准备与导入 243
8.5.2 电影热度值计算 244
8.5.3 电影相似度计算 244
8.5.4 指定标签下的电影统计 248
习题 250
参考文献 250
第9章 互联网数据挖掘 253
9.1　链接分析与网页排序 253
9.1.1 PageRank 253
9.1.2 PageRank的快速计算 259
9.1.3 面向主题的PageRank 260
9.1.4 时间序列分析 260
9.1.5 排序背后的机理探讨 262
9.1.6 重新思考时间序列 263
9.2　互联网信息抽取 264
9.2.1 互联网信息深度挖掘概述 264
9.2.2 典型应用模型构建 264
9.2.3 挖掘、存储与网络技术分析 265
9.2.4 数据信息采集管理 266
9.2.5 信息抽取方法与知识发现 267
9.2.6 智能决策 269
9.2.7 行业案例研究 270
9.3　日志挖掘与查询分析 272
9.3.1 互联网日志分析概述 272
9.3.2 挖掘分析技术方法 274
9.3.3 工具比较 275
9.3.4 海量数据挖掘过程展现与分析 276
9.3.5 行业应用举例 277
9.4　Python实战案例 280
9.4.1 PageRank Python实现 280
9.4.2 跨境电商运营潜在市场选择 282
9.4.3 天池“双11”日志数据挖掘示例 286
习题 290
参考文献 290