Facebook Twitter Pinterest <Einbetten>
Gebraucht kaufen
EUR 20,09
+ EUR 3,00 Versandkosten
Gebraucht: Gut | Details
Verkauft von Deal DE
Zustand: Gebraucht: Gut
Kommentar: Dieses Buch ist in gutem, sauberen Zustand. Seiten und Einband sind intakt.
Möchten Sie verkaufen?
Zur Rückseite klappen Zur Vorderseite klappen
Hörprobe Wird gespielt... Angehalten   Sie hören eine Hörprobe des Audible Hörbuch-Downloads.
Mehr erfahren
Alle 3 Bilder anzeigen

Data Mining. Practical Machine Learning Tools and Techniques (Morgan Kaufmann Series in Data Management Systems) (Englisch) Taschenbuch – 13. Juli 2005

3.8 von 5 Sternen 6 Kundenrezensionen

Alle Formate und Ausgaben anzeigen Andere Formate und Ausgaben ausblenden
Preis
Neu ab Gebraucht ab
Kindle Edition
"Bitte wiederholen"
Taschenbuch
"Bitte wiederholen"
EUR 42,06 EUR 5,80
6 neu ab EUR 42,06 12 gebraucht ab EUR 5,80
click to open popover

Es wird kein Kindle Gerät benötigt. Laden Sie eine der kostenlosen Kindle Apps herunter und beginnen Sie, Kindle-Bücher auf Ihrem Smartphone, Tablet und Computer zu lesen.

  • Apple
  • Android
  • Windows Phone

Geben Sie Ihre Mobiltelefonnummer ein, um die kostenfreie App zu beziehen.

Jeder kann Kindle Bücher lesen — selbst ohne ein Kindle-Gerät — mit der KOSTENFREIEN Kindle App für Smartphones, Tablets und Computer.



Produktinformation

Produktbeschreibungen

Pressestimmen

"This book presents this new discipline in a very accessible form: both as a text to train the next generation of practitioners and researchers, and to inform lifelong learners like myself. Witten and Frank have a passion for simple and elegant solutions. They approach each topic with this mindset, grounding all concepts in concrete examples, and urging the reader to consider the simple techniques first, and then progress to the more sophisticated ones if the simple ones prove inadequate. If you have data that you want to analyze and understand, this book and the associated Weka toolkit are an excellent way to start." - From the foreword by Jim Gray, Microsoft Research "It covers cutting-edge, data mining technology that forward-looking organizations use to successfully tackle problems that are complex, highly dimensional, chaotic, non-stationary (changing over time), or plagued by. The writing style is well-rounded and engaging without subjectivity, hyperbole, or ambiguity. I consider this book a classic already!" - Dr. Tilmann Bruckhaus, StickyMinds.com

Synopsis

As with any burgeoning technology that enjoys commercial attention, the use of data mining is surrounded by a great deal of hype. Exaggerated reports tell of secrets that can be uncovered by setting algorithms loose on oceans of data. But there is no magic in machine learning, no hidden power, no alchemy. Instead there is an identifiable body of practical techniques that can extract useful information from raw data. This book describes these techniques and shows how they work. The book is a major revision of the first edition that appeared in 1999. While the basic core remains the same, it has been updated to reflect the changes that have taken place over five years, and now has nearly double the references. The highlights for the new edition include thirty new technique sections; an enhanced Weka machine learning workbench, which now features an interactive interface; comprehensive information on neural networks; a new section on Bayesian networks; plus much more. It includes algorithmic methods at the heart of successful data mining including tried and true techniques as well as leading edge methods.

There is performance improvement techniques that work by transforming the input or output. It includes a downloadable Weka, a collection of machine learning algorithms for data mining tasks, including tools for data pre-processing, classification, regression, clustering, association rules, and visualizationin in a new, interactive interface.

Alle Produktbeschreibungen

Kundenrezensionen

3.8 von 5 Sternen
Sagen Sie Ihre Meinung zu diesem Artikel

Top-Kundenrezensionen

Format: Taschenbuch
Ich finde das Buch „Data Mining“ von Witten und Frank konzeptionell misslungen, schlecht (und offensichtlich mit „heißer Nadel“) geschrieben und überteuert. Zunächst ist das Buch m.E. in der Umsetzung nicht konsequent genug strukturiert. So geben die Autoren zwar durchaus an, in Kapitel 4 Algorithmen für in Kapitel 3 vorgestellte Möglichkeiten der „Wissensdarstellung“ anzugeben, deren Implementierung wiederum in Kapitel 6 erläutert werden soll. Allerdings finden sich dann einige "kompliziertere“ Algorithmen, z.B. Regressionsbäume, erst in Kapitel 6 wieder, ohne dass sie in Kapitel 4 vorgestellt worden sind. Warum, wird nicht so richtig klar. Viel schlimmer ist jedoch das gescheiterte Konzept: Im Vorwort wird als Anspruch des Buches definiert, die Lücke zwischen zu oberflächlichen Management-Büchern und für praktische Anwender zu tiefgreifende Theorieabhandlungen zu schließen, was sicherlich ein sehr löbliches Vorhaben ist. Zu häufig geraten die Darstellungen dabei allerdings zu kurz und werden damit unverständlich, während Trivialitäten häufig wiederholt werden. Außerdem ist mir nicht ganz klar, welche Leser auf der einen Seite die benutzte mathematische Begrifflichkeit verstehen, dabei aber gleichzeitig nicht wissen sollen, wie Bayes’ Regel der bedingten Wahrscheinlichkeit oder eine lineare Regression funktioniert. Nach einer Weile beginnen einen schließlich auch die zahlreichen kleinen Fehler zu ärgern, die sich durch das Buch ziehen, z.B. hier eine Null zuviel, dort Analyse einer Tabelle auf Basis von 12 Einträgen, die aber nur 11 hat.Lesen Sie weiter... ›
1 Kommentar 21 Personen fanden diese Informationen hilfreich. War diese Rezension für Sie hilfreich? Ja Nein Feedback senden...
Vielen Dank für Ihr Feedback.
Wir konnten Ihre Stimmabgabe leider nicht speichern. Bitte erneut versuchen
Missbrauch melden
Format: Taschenbuch
Das Buch ist schlecht Strukturiert, viel zu textuell für die Materie. Oft findet man seitenlang Geschwafel, dem man nichts Handfestes abgewinnen kann. Es ist mühsam den interessanten Inhalt zu extrahieren. Leider wird mit der Terminologie teilweise schlampig umgegangen (Kritik an die Übersetzung?), sodass man sich nicht selten ausrechnen muss, was jetzt eigentlich gemeint ist.
Als Alternative kann ich "Machine Learning" von Thomas Mitchell empfehlen. Das kostet zwar doppelt so viel, ist aber dafür 3 mal so viel wert. Es deckt die Themen von "Data Mining" und mehr ab und ist sehr sauber und verständlich geschrieben.
Kommentar 12 Personen fanden diese Informationen hilfreich. War diese Rezension für Sie hilfreich? Ja Nein Feedback senden...
Vielen Dank für Ihr Feedback.
Wir konnten Ihre Stimmabgabe leider nicht speichern. Bitte erneut versuchen
Missbrauch melden
Format: Taschenbuch
Das Buch bietet einen guten Rundumschlag der Data-Mining-Welt.

Alle Standardverfahren und einige ausgefallenere Bereiche werden praxisnahe durchleuchtet. Statt trockene Theorie und der sonst üblichen Menge an Beweisen geht der Autor lieber auf praktische Anwendungsgebiete ein und beleuchtet das "kann man sich vorstellen als". Das Werk eignet sich sowohl als Grundlagenkurs, als auch zum Nachschlagen. Die vielen Beispiele helfen schnell zu verstehen, wie ein bestimmtes Verfahren funktioniert. Neben den Algorithmen der Informatik werden auch Methoden der Statistik (für Informatiker verständlich) erläutert.

Der letzte Teil des Buches zu Weka ist eher nutzlos, wenn man auf andere Tools wie beispielsweise Rapidminer setzte. Leider werden hier einige Verfahren nur kurz angerissen und in Bezug auf ihre Nutzung in Weka erklärt. Hier hätte ich mir eher gewünscht die Verfahren detailliert zu erläutern. Dieser Teil des Buches nimmt leider knapp 120 der gut 500 Seiten ein. Verschenkter Platz, finde ich. Daher nur 4 Sterne.

Der Inhalt in Kürze:

- Was sind "Maschine Learning" und "Data Mining"?
- Grundlagen zu Konzepten, Instanzen und Attributen
- Wissensrepräsentation
- Algorithmen (z.B. Regel-Lernen, statistische Modelle, Assoziationsregeln, instanzbasiertes Lernen, Clustering)
- Evaluation (z.B. X-Validierung, Vorhersage-Wahrscheinlichkeiten)
- Implementierung von Verfahren (z.B. Klassifizierungsregeln, Bayes'sche Modelle)
- Transformation von Ein- und Ausgabe
- Weka
Kommentar War diese Rezension für Sie hilfreich? Ja Nein Feedback senden...
Vielen Dank für Ihr Feedback.
Wir konnten Ihre Stimmabgabe leider nicht speichern. Bitte erneut versuchen
Missbrauch melden