数据挖掘：概念与技术（英文版·第3版）

　　Foreword to Second Edition
　　Preface
　　Acknowledgments
　　About the Authors
　　Chapter1 Introduction
　　Why Data Mining?
　　Moving toward the Information Age
　　Data Mining as the Evolution of Information Technology
　　What Is Data Mining?
　　What Kinds of Data Can Be Mined?
　　Database Data
　　Data Warehouses
　　Transactional Data
　　Other Kinds of Data
　　What Kinds of Patterns Can Be Mined?
　　Class/Concept Description: Characterization and Discrimination
　　Mining Frequent Patterns, Associations, and Correlations
　　Classification and Regression for Predictive Analysis
　　Cluster Analysis
　　Outlier Analysis
　　Are All Patterns Interesting?
　　Which Technologies Are Used?
　　Statistics
　　Machine Learning
　　Database Systems and Data Warehouses
　　Information Retrieval
　　Which Kinds of Applications Are Targeted?
　　Business Intelligence
　　Web Search Engines
　　Major Issues in Data Mining
　　Mining Methodology
　　User Interaction
　　Efificiency and Scalability
　　Diversity of Database Types
　　Data Mining and Society
　　Summary
　　Exercises
　　Bibliographic Notes
　　Chapter 2 Getting to Know Your Data
　　Data Objects and Attribute Types
　　What Is an Attribute?
　　Nominal Attributes
　　Binary Attributes
　　Ordinal Attributes
　　Numeric Attributes
　　Discrete versus Continuous Attributes
　　Basic Statistical Descriptions of Data
　　Measuring the Central Tendency: Mean, Median, and Mode
　　Measuring the Dispersion of Data: Range, Quartiles, Variance,
　　Standard Deviation, and Interquartile Range
　　Graphic Displays of Basic Statistical Descriptions of Data
　　Data Visualization
　　PixeI-Oriented Visualization Techniques
　　Geometric Projection Visualization Techniques
　　Icon-Based Visualization Techniques
　　Hierarchical Visualization Techniques
　　Visualizing Complex Data and Relations
　　Measuring Data Similarity and Dissimilarity
　　Data Matrix versus Dissimilarity Matrix
　　Proximity Measures for Nominal Attributes
　　Proximity Measures for Binary Attributes
　　Dissimilarity of Numeric Data: Minkowski Distance
　　Proximity Measures for Ordinal Attributes
　　Dissimilarity for Attributes of Mixed Types
　　Cosine Similarity
　　Summary
　　Exercises
　　Bibliographic Notes
　　……
　　Chapter 3 Data Preprocessing
　　Chapter 4 Data Warehousing and Online Analytical Processin
　　Chapter 5 Data Cube Technology
　　Chapter 6 Mining Frequent Patterns, Associations, and Correlations: Basic Concepts and Methods
　　Chapter 7 Advanced Pattern Mining
　　Chapter 8 Classification: Basic Concepts
　　Chapter 9 Classification: Advanced Methods
　　Chapter 10 Cluster Analysis: Basic Concepts and I~ethods
　　Chapter 11 Advanced Cluster Analysis
　　Chapter 12 Outlier Detection
　　Chapter 13 Data Mining Trends and Research Frontiers
　　Bibliography
　　Index

　　韩家炜， 伊利诺伊大学厄巴纳-尚佩恩分校计算机科学系Abel Bliss教授。由于在数据挖掘和数据库系统领域卓有成效的研究工作，他曾多次获得各种荣誉和奖励，其中包括2004年ACM SIGKDD颁发的很好创新奖，2005年IEEE Computer Society 颁发的技术成就奖，2009年IEEE颁发的W. Wallace McDowell奖。他是ACM和IEEE Fellow，同时还是《ACM Transactions on Knowledge Discovery from Data》杂志的主编（2006-2011），以及《IEEE Transactions on Knowledge and Data Engineering》和《Data Mining and Knowledge Discovery》杂志的编委会成员。
　　Micheline Kamber 拥有加拿大康考迪亚大学计算机科学硕士学位，她是NSERC Scholar，现在加拿大麦吉尔大学、西蒙-弗雷泽大学及瑞士从事研究工作。
　　Jian Pei（裴健）， 目前是加拿大西蒙-弗雷泽大学计算机学院副教授。2002年，他在Jia wei Han教授的指导下获得西蒙-弗雷泽大学博士学位。

　　当代商业和科学领域大量激增的数据量要求我们采用更加复杂和精细的工具来进行数据分析、处理和挖掘尽管近年来数据挖掘技术取得的长足进展使得我们广泛收集数据越来越容易，但技术的发展依然难以匹配爆炸性的数据增长以及随之而来的大量数据处理需求，因此我们比以往更加迫切地需要新技术和自动化工具来帮助我们将这些数据转换为有用的信息和知识
　　《经曲原版书库·数据挖掘：概念与技术（英文版·第3版）》前版曾被KDnuggets的读者评选为受欢迎的数据挖掘专著，是一本可读性极好的教材它从数据库角度全面系统地介绍数据挖掘的概念、方法和技术以及技术研究进展，并重点关注近年来该领域重要和较新的课题--数据仓库和数据立方体技术，流数据挖掘，社会化网络挖掘，空间、多媒体和其他复杂数据挖掘每章都针对关键专题有单独的指导，提供很好算法，并对怎样将技术运用到实际工作中给出了经过实践检验的实用型规则如果你希望自己能秘练掌握和运用当今最有力的数据挖掘技术，那这本书正是你需要阅读和学习的宝贵资源本书是数据挖掘和知识发现领域声的所有教师、研究人员、开发人员和用户都必读的一本书。