|
||||||||||||||||||||
|
||||||||||||||||||||
|
||||||||||||||||||||
Data Mining
und über 1 Million weitere Bücher verfügbar für Amazon Kindle .
Erfahren Sie mehr
| |||||||||||||||
|
|
Wird oft zusammen gekauft
Produktinformation
|
Mehr über den Autor
Entdecken Sie Bücher, lesen Sie über Autoren und mehr
› Besuchen Sie die Seite von Ian H. Witten auf Amazon
› Besuchen Sie die Seite von Ian H. Witten auf Amazon
Produktbeschreibungen
Pressestimmen
"The third edition of this practical guide to machine learning and data mining is fully updated to account for technological advances since its previous printing in 2005 and is now even more closely aligned with the use of the Weka open source machine learning, data mining and data modeling application. Beginning with an introduction to data mining, the volume explores basic inputs, outputs and algorithms, the implementation of machine learning schemes and in-depth exploration of the many uses of the Weka data analysis software. Numerous illustration, tables and equations are included throughout and additional resources are available through a companion website. Witten, Frank and Hall are academics with the department of computer science at the University of Waikato, New Zealand, the home of the Weka software project."--Book News, Reference & Research "I would recommend this book to anyone who is getting started in either data mining or machine learning and wants to learn how the fundamental algorithms work. I liked that the book slowly teaches you the different algorithms piece by piece and that there are also a lot of examples. I plan on taking a machine learning course this upcoming fall semester and feel that the book gave me great insight that the course will be based on mathematics more than I had originally expected. My favorite part of the book was the last chapter where it explains how you can solve different practical data mining scenarios using the different algorithms. If there were more chapters like the last one, the book would have been perfect. This book might not be that useful if you do not plan on using the Weka software or if you are already familiar with the various machine learning algorithms. Overall, Data Mining: Practical Machine Learning Tools and Techniques is a great book to learn about the core concepts of data mining and the Weka software suite."-- ACM SIGSOFT Software Engineering Notes "This book is a must-read for every aspiring data mining analyst. Its many examples and the technical background it imparts would be a unique and welcome addition to the bookshelf of any graduate or advanced undergraduate student. The book is written for both academic and application-oriented readers, and I strongly recommend it to any reader working in the area of machine learning and data mining."--Computing Reviews.com
Kurzbeschreibung
"Data Mining: Practical Machine Learning Tools and Techniques" offers a thorough grounding in machine learning concepts as well as practical advice on applying machine learning tools and techniques in real-world data mining situations. This highly anticipated third edition of the most acclaimed work on data mining and machine learning will teach you everything you need to know about preparing inputs, interpreting outputs, evaluating results, and the algorithmic methods at the heart of successful data mining. Thorough updates reflect the technical changes and modernizations that have taken place in the field since the last edition, including new material on Data Transformations, Ensemble Learning, Massive Data Sets, Multi-instance Learning, plus a new version of the popular Weka machine learning software developed by the authors. Witten, Frank, and Hall include both tried-and-true techniques of today as well as methods at the leading edge of contemporary research. It provides a thorough grounding in machine learning concepts as well as practical advice on applying the tools and techniques to your data mining projects. It offers concrete tips and techniques for performance improvement that work by transforming the input or output in machine learning methods. It includes downloadable Weka software toolkit, a collection of machine learning algorithms for data mining tasks-in an updated, interactive interface. Algorithms in toolkit cover: data pre-processing, classification, regression, clustering, association rules, visualization.
Welche anderen Artikel kaufen Kunden, nachdem sie diesen Artikel angesehen haben?
In diesem Buch
(Mehr dazu)
Ausgewählte Seiten ansehen
Buchdeckel | Copyright | Inhaltsverzeichnis | Auszug | Stichwortverzeichnis
Buchdeckel | Copyright | Inhaltsverzeichnis | Auszug | Stichwortverzeichnis
Vorgeschlagene Tags zu ähnlichen Produkten(Was ist das?)Setzen Sie den ersten relevanten Tag hinzu (ein Schlüsselwort, das mit diesem Produkt in engem Zusammenhang steht).
|
Kundenrezensionen
Die hilfreichsten Kundenrezensionen
8 von 9 Kunden fanden die folgende Rezension hilfreich
Format:Taschenbuch|Von Amazon bestätigter Kauf
Wie die Autoren im Vorwort erwähnen gibt es (nicht nur C.D.) zu diesem Thema entweder Evangelisierungs- oder die akademische Machine-Learning Literateratur auf der anderen Seite. "The gulf is rather wide".
Dieses Buch ist eine äusserst gelungene Mischung aus praktischer Anwendung und theoretischen Grundlagen. Es wird auf viele praktisch relevante Fragen eingegangen. Z.B. das gute Datenvorbehandlung in der Regel weit wichtiger ist als eine komplizierte theoretisch überlegene Methode. Siehe dazu auch [1].
Die Stärke des Buches ist: Die Autoren haben mit dem Weka Explorer ein praktisch verwendetes System geschrieben. M.E. sollten nur Leute ein Buch schreiben dürfen, die eine praktisch relevante Implementierung ihrer Idee vorweisen können. Damit siebt man automatisch galaktische Algorithmen aus. Ein galaktischer Algorithmus ist eine Methode, die in der Praxis nie verwendet wird, weil man ihre Wirksamkeit innerhalb der Lebenszeit unserer Galaxie niemals bemerken würde. Je nach Wissenschaftsjournal sind 75% bis 95% der publizierten Methoden galaktisch. (Siehe [2]).
Es bleiben in diesem Buch und auch in Weka noch immer genügend Methoden über. Die Autoren gliedern daher jedes Kapitel in einen durchgehenden Text ohne jede Literaturhinweise. Es ist wohltuend nicht ständig durch "for further details see ..." im Lesefluss gestört zu werden. Am Ende gibt es noch einen Further Reading Abschnitt. Aber auch da wird streng der Spreu vom Weizen getrennt.
Es wurde im Rahmen eines Machine-Learning Kongresses eine Liste der 10 wichtigsten Algorithmen erstellt (siehe [3]). Das Buch beschreibt 9 dieser 10 Algos im Detail.
Der letzte Abschnitt ist eine Art Weka Reference Manual. Ich habe nicht alles im Detail durchgelesen. Allerdings habe ich mir bei ein paar Sachen angeschaut, welche Methoden in Weka implementiert sind. Man könnte die ersten beiden Teile auch als allgemeine Weka-Einführung betrachten. Das tut aber dem Buch wie bereits gesagt gut.
Wahrscheinlich ist es die beste Einführung in das Thema.
[1] D.J.Hand, Classifier Technology and the Illusion of Progress.
[2] R.Sedgewick: Algorithms for the Masses.
[3] Wu X. et al.: Top 10 algorithms in data mining.
Postscript: Es ist schon ein bisserl schizo wenn man gegen die "further reading" Manie in Büchern polemisiert und dann selber in einer Buchbesprechung mit 3 References um sich wirft.
Dieses Buch ist eine äusserst gelungene Mischung aus praktischer Anwendung und theoretischen Grundlagen. Es wird auf viele praktisch relevante Fragen eingegangen. Z.B. das gute Datenvorbehandlung in der Regel weit wichtiger ist als eine komplizierte theoretisch überlegene Methode. Siehe dazu auch [1].
Die Stärke des Buches ist: Die Autoren haben mit dem Weka Explorer ein praktisch verwendetes System geschrieben. M.E. sollten nur Leute ein Buch schreiben dürfen, die eine praktisch relevante Implementierung ihrer Idee vorweisen können. Damit siebt man automatisch galaktische Algorithmen aus. Ein galaktischer Algorithmus ist eine Methode, die in der Praxis nie verwendet wird, weil man ihre Wirksamkeit innerhalb der Lebenszeit unserer Galaxie niemals bemerken würde. Je nach Wissenschaftsjournal sind 75% bis 95% der publizierten Methoden galaktisch. (Siehe [2]).
Es bleiben in diesem Buch und auch in Weka noch immer genügend Methoden über. Die Autoren gliedern daher jedes Kapitel in einen durchgehenden Text ohne jede Literaturhinweise. Es ist wohltuend nicht ständig durch "for further details see ..." im Lesefluss gestört zu werden. Am Ende gibt es noch einen Further Reading Abschnitt. Aber auch da wird streng der Spreu vom Weizen getrennt.
Es wurde im Rahmen eines Machine-Learning Kongresses eine Liste der 10 wichtigsten Algorithmen erstellt (siehe [3]). Das Buch beschreibt 9 dieser 10 Algos im Detail.
Der letzte Abschnitt ist eine Art Weka Reference Manual. Ich habe nicht alles im Detail durchgelesen. Allerdings habe ich mir bei ein paar Sachen angeschaut, welche Methoden in Weka implementiert sind. Man könnte die ersten beiden Teile auch als allgemeine Weka-Einführung betrachten. Das tut aber dem Buch wie bereits gesagt gut.
Wahrscheinlich ist es die beste Einführung in das Thema.
[1] D.J.Hand, Classifier Technology and the Illusion of Progress.
[2] R.Sedgewick: Algorithms for the Masses.
[3] Wu X. et al.: Top 10 algorithms in data mining.
Postscript: Es ist schon ein bisserl schizo wenn man gegen die "further reading" Manie in Büchern polemisiert und dann selber in einer Buchbesprechung mit 3 References um sich wirft.
Die hilfreichsten Kundenrezensionen auf Amazon.com (beta)
Amazon.com:
18 Rezensionen
43 von 43 Kunden fanden die folgende Rezension hilfreich
Worthwhile Update to an Excellent Text
6. März 2011
Format:Taschenbuch|Amazon Vine™ Rezension
(Was ist das?)
Context for this review: I am a data miner with 20 years experience, and own the first edition of this book.
Good:
- Accessible writing style
- Broad coverage of algorithms and data mining issues, with an eye toward practical issues
- Needless technical trivia (derivations and the like) are avoided
- Algorithms are completely spelled out: A competent programmer should be able to turn these descriptions into functioning code.
- Third edition makes meaningful improvements on previous editions
Bad(ish):
- Approximately one-third of this book is now devoted to the WEKA data mining software. I have nothing against WEKA, and it is a good choice for a text such as this, since WEKA is free. In my opinion, though, this coverage consumes too many pages of this book.
- Data mining draws from a number of fields with separate roots (statistics, machine learning, pattern recognition, engineering, etc.), and many techniques go by multiple names. As with many other data mining books, this one does not always point out the aliases by which data mining methods are known.
The bottom line: This is still the best data mining text on the market.
Good:
- Accessible writing style
- Broad coverage of algorithms and data mining issues, with an eye toward practical issues
- Needless technical trivia (derivations and the like) are avoided
- Algorithms are completely spelled out: A competent programmer should be able to turn these descriptions into functioning code.
- Third edition makes meaningful improvements on previous editions
Bad(ish):
- Approximately one-third of this book is now devoted to the WEKA data mining software. I have nothing against WEKA, and it is a good choice for a text such as this, since WEKA is free. In my opinion, though, this coverage consumes too many pages of this book.
- Data mining draws from a number of fields with separate roots (statistics, machine learning, pattern recognition, engineering, etc.), and many techniques go by multiple names. As with many other data mining books, this one does not always point out the aliases by which data mining methods are known.
The bottom line: This is still the best data mining text on the market.
17 von 17 Kunden fanden die folgende Rezension hilfreich
Applying Machine Learning to Data Mining problems
1. April 2011
Format:Taschenbuch|Amazon Vine™ Rezension
(Was ist das?)
The subtitle of the book should really be emphasized more: Practical Machine Learning Tools and Techniques. This isn't a book about adhoc SQL queries and database statistics, it is about tools to discover relationships you didn't know you were looking for. Much of the book shows how to handle knowledge formation and representation, statistical modeling and projections. The one critique I have in regard is that much of the algorithm breakdowns are done in prose rather than true pseudocode.
I would like to echo other reviews that point out the text focuses on WEKA, and the authors indicate this is by intent. Though they do give much generic information, at some point you have to pick a horse to hitch your carriage to, and an established open-source project in Java is probably most widely accessible. Their coverage of WEKA claims 50% more features than the 2nd ed. and indeed it consumes half the book. I feel this is a good thing, as it lends great practicality to the book, allowing you to dig right in and get something actually done.
There are some additions to the 3rd ed. that modernize the book a bit. Showing how data can be reidentified (and the ethical implications) is pertinent to today's HIPAA-regulated medical environments. They also touch on web and ubiquitous mining, reflecting our growing foray into non-traditional cloud sources of information.
I would like to echo other reviews that point out the text focuses on WEKA, and the authors indicate this is by intent. Though they do give much generic information, at some point you have to pick a horse to hitch your carriage to, and an established open-source project in Java is probably most widely accessible. Their coverage of WEKA claims 50% more features than the 2nd ed. and indeed it consumes half the book. I feel this is a good thing, as it lends great practicality to the book, allowing you to dig right in and get something actually done.
There are some additions to the 3rd ed. that modernize the book a bit. Showing how data can be reidentified (and the ethical implications) is pertinent to today's HIPAA-regulated medical environments. They also touch on web and ubiquitous mining, reflecting our growing foray into non-traditional cloud sources of information.
15 von 16 Kunden fanden die folgende Rezension hilfreich
Mixed Opinion
28. April 2011
Format:Taschenbuch|Amazon Vine™ Rezension
(Was ist das?)
Fantastic book if you need to use WEKA; probably the best recommendation available.
If, however, you're not going to be using WEKA then the book is still valuable, but I challenge the true 'practicality' of it. The content is thorough but perhaps more academically oriented than as industry focused as I would have liked. The author keeps it very accessible, particularly as far as mathematics and statistics go. While this might make the book a little more long winded - in my view it makes it a far easier to get into the groove and allows you to read it like a book.
* Highly recommended for WEKA users
* For others users I suggest you look through to see if it will really be helpful before plunking down the cash
If, however, you're not going to be using WEKA then the book is still valuable, but I challenge the true 'practicality' of it. The content is thorough but perhaps more academically oriented than as industry focused as I would have liked. The author keeps it very accessible, particularly as far as mathematics and statistics go. While this might make the book a little more long winded - in my view it makes it a far easier to get into the groove and allows you to read it like a book.
* Highly recommended for WEKA users
* For others users I suggest you look through to see if it will really be helpful before plunking down the cash
Waren diese Rezensionen hilfreich?
Wir wollen von Ihnen hören.
Kunden diskutieren
|
Das Forum zu diesem Produkt
Fragen stellen, Meinungen austauschen, Einblicke gewinnen Aktive Diskussionen in ähnlichen Foren
Kundendiskussionen durchsuchen
|
Ähnliche Foren
|
||||||||||||||||||||||||||||||||||
Lieblingslisten
|
|
Ähnliche Artikel finden
Anhand des Sachgebietes nach ähnlichen Produkten suchen:
Ihr Kommentar
Möchten Sie die Produktinformationen aktualisieren oder Feedback zu den Produktabbildungen geben?
|
