Introduction to Data Mining pdf epub mobi txt 电子书下载 2026

简体网页||繁体网页

☆☆☆☆☆

出版者:

作者:Tan, Pang-Ning

出品人:

页数:769

译者:

出版时间:2005-9

价格:0

装帧:

isbn号码:9780321420527

丛书系列:

图书标签:

数据挖掘
Data
专业书籍
to
mining
data
Mining
Introduction
数据挖掘
机器学习
数据分析
算法
统计学
数据库
人工智能
模式识别
商业智能
数据科学

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到小美书屋

book.quotespace.org

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

具体描述

Introduction to Data Mining presents fundamental concepts and algorithms for those learning data mining for the first time. Each concept is explored thoroughly and supported with numerous examples. The text requires only a modest background in mathematics. Each major topic is organized into two chapters, beginning with basic concepts that provide necessary background for understanding each data mining technique, followed by more advanced concepts and algorithms. Quotes This book provides a comprehensive coverage of important data mining techniques. Numerous examples are provided to lucidly illustrate the key concepts. -Sanjay Ranka, University of Florida In my opinion this is currently the best data mining text book on the market. I like the comprehensive coverage which spans all major data mining techniques including classification, clustering, and pattern mining (association rules). -Mohammed Zaki, Rensselaer Polytechnic Institute

MyLab或是Mastering系列是在线作业系统。Access Code Card是在线作业系统的访问码，是老师和学生课堂之外网络互动及交流的平台，个人是无法使用这个平台的。请读者注意您购买的这个ISBN是不带Access Code Card的。

好的，这是一本关于数据科学和机器学习的图书简介，它与《Introduction to Data Mining》的主题完全不同，聚焦于构建可解释的、负责任的人工智能系统。 --- 书籍名称：《算法的透明度：构建可信赖的机器学习系统》图书简介在人工智能技术飞速发展的今天，深度学习模型已渗透到金融信贷审批、医疗诊断、自动驾驶乃至司法判决等关键领域。然而，这些强大模型的“黑箱”特性——即我们难以理解模型做出特定决策的具体原因——正日益成为阻碍其大规模、负责任应用的主要障碍。本书《算法的透明度：构建可信赖的机器学习系统》正是在这一背景下应运而生，它并非关注传统的数据挖掘技术（如关联规则或聚类分析），而是深入探讨了可解释性人工智能 (Explainable AI, XAI) 的前沿理论、方法论以及工程实践。本书旨在为数据科学家、机器学习工程师、伦理学家以及监管机构提供一套系统、深入且可操作的框架，用以理解、评估和增强现代复杂模型的透明度和公平性。我们坚信，一个强大的人工智能系统，如果不能被信任，就无法真正落地。第一部分：黑箱时代的挑战与必要性本书开篇即剖析了当前主流机器学习模型（特别是深度神经网络）的固有局限性。我们首先界定了“可解释性”的内涵与外延，区分了内在可解释性 (Inherently Interpretable Models) 与事后解释 (Post-hoc Explanations) 的哲学差异。第一章：从准确率到问责制我们审视了高准确率背后隐藏的风险。通过一系列现实案例，包括算法偏见导致的社会不公和模型误判引发的严重后果，本书强调了透明度不再是一种“锦上添花”的功能，而是构建稳健、合规AI系统的核心要求。我们探讨了监管压力（如欧盟的《通用数据保护条例》GDPR中的“解释权”）如何驱动着XAI技术的发展。第二章：理解“为什么”：解释的层次与类型解释并非单一的概念。本章将解释分解为不同的维度：是解释模型的整体行为（全局解释），还是解释单个预测的决策路径（局部解释）？是关注输入特征的重要性，还是关注模型决策的因果关系？我们将这些需求映射到特定的应用场景，例如，医疗诊断需要因果性解释，而金融欺诈检测可能更侧重于特征贡献度。第二部分：事后解释的核心技术栈本书的中间部分是技术核心，系统性地介绍了当前最为流行和有效的模型无关（Model-Agnostic）和模型特定（Model-Specific）的解释技术。第三章：特征归因的艺术：重要性度量方法本章聚焦于量化每个输入特征对最终预测结果的相对贡献。我们将深入探讨置换特征重要性 (Permutation Feature Importance, PFI) 的原理及其局限性，随后详细阐述基于Shapley Additive Explanations (SHAP) 的理论基础。SHAP值，源于合作博弈论，提供了一种公平的、一致性的特征归因方法。书中不仅展示了如何计算SHAP值，更重要的是，如何利用SHAP的交互作用分析来识别潜在的特征耦合效应。第四章：局部解释的透视图景：LIME与局部代理模型局部可解释模型不可知解释 (LIME) 是另一种里程碑式的技术。本章剖析了LIME如何通过在局部邻域内拟合一个简单的、可解释的模型（如线性回归或决策树）来近似复杂模型的决策边界。我们讨论了如何选择合适的邻域大小（核宽度）对解释稳定性的影响，并对比了LIME与SHAP在局部解释一致性上的优劣。第五章：可视化驱动的洞察：激活图谱与对抗性示例对于图像和序列数据，纯粹的数值归因往往不够直观。本章将重点介绍梯度类方法 (Gradient-based Methods)，如Grad-CAM、Integrated Gradients，它们通过反向传播梯度信息来高亮显示输入数据中对预测贡献最大的区域（例如，在医学影像中圈出病灶区域）。此外，我们还将引入对抗性示例 (Adversarial Examples) 的概念，展示模型是如何被“欺骗”的，并将生成对抗性示例视为一种特殊的解释——它揭示了模型决策边界的脆弱性。第三部分：可解释性与公平性的交织仅仅知道模型“如何”决策是不够的，我们必须确保模型“公平地”决策。本书的后半部分将可解释性置于更广阔的伦理和社会责任框架下进行探讨。第六章：识别与量化算法偏见本章超越了传统的数据清洗范畴，探讨了偏见如何在模型训练、特征选择和最终预测中系统性地滋生。我们介绍了多种公平性度量标准，例如统计均等 (Demographic Parity)、机会均等 (Equal Opportunity) 等。重点在于，如何利用可解释性工具来诊断偏见来源——是某个敏感特征（如种族或性别）被过度依赖，还是模型学习到了与这些特征高度相关的代理变量？第七章：因果推断与反事实解释为了从“相关性”迈向“因果性”，本章介绍了反事实解释 (Counterfactual Explanations)。反事实解释回答了这样一个问题：“如果输入数据发生了最小的改变（例如，将贷款申请人的收入提高X元），预测结果会变成什么？”我们探讨了构建最小可行反事实（Minimal Sufficient Counterfactuals）的技术，这为用户提供了可操作的改进建议，是实现真正的用户赋权的关键一步。第八章：工程化与可信赖的AI部署 (Trustworthy AI Deployment) 理论必须转化为实践。本章讨论了在生产环境中实施XAI管道的工程挑战。包括如何维护解释的一致性、如何处理高频实时预测中的解释延迟问题，以及如何构建一个完整的模型文档和审计工具包。我们介绍了模型卡片（Model Cards）和数据表（Data Sheets for Datasets）的概念，它们是确保模型生命周期透明度的重要治理工具。结语：迈向负责任的AI未来本书总结了XAI的现状，并展望了未来研究方向，如因果驱动的解释、跨模态的统一解释框架以及人类对模型解释的认知科学研究。《算法的透明度：构建可信赖的机器学习系统》不仅仅是一本技术手册，它更是一份关于构建面向未来的、负责任的智能系统的行动指南。通过掌握这些工具和理念，读者将能从根本上提升自己所构建AI系统的健壮性、公平性和社会接受度，真正实现“让人工智能向人类负责”。